混合智能算法在需水预测模型中的应用.pdfVIP

· 技 术 与 应 用 · 海河水利2012．No．6 混合智能算法在需水预测模型中的应用 王 哲，杨学军，柳 林 (海河水利委员会水文局，天津 300170) 摘 要：针对需水预测过程中传统预测方法及单一智能优化算法预测精度低的问题，研究了粒子群算法和遗传算法 混合运用在优化需水预测模型中的优越性 ，建立了基于混合智能算法优化LS—SVM 的需水预测模型。实例应用表 明，该模型拟合精度较高，预测结果较合理，具有一定的先进性。 关键词：需水预测；支持向量机；粒子群算法；遗传算法 中图分类号：TV214 文献标识码 ：A 文章编号：1004—7328(2012)06—0048—03 传统需水预测方法适用于单一几何增长平稳的 K(x，xj)=exp[expllx-x~112／2o2] (1) 序列 ，并不能反映需水预测中各影响因素之间的动 ． =_—一 态相互制约关系。2O世纪90年代至今 ，许多学者开 式中：IIx Il=、／ (x／-x／)，为核参数。 Y d=l 始研究支持向量机、人工神经网络等基于数据挖掘、 LS—SVM需要确定核参数 ()和惩罚系数 (c)， 运用计算机智能技术 的新方法 ，这些方法 的良好预 而上述参数的确定缺乏有效参考依据和规则，盲 目 测性能得到了广泛关注[11。针对支持 向量机模型 选择参数降低了模型的预测精度 。 (SupportVectorMachine，简称 SVM)在需水预测 中 1．2 混合智能算法的基本思想 一 些关键参数如不敏感损失参数、核参数及惩罚系 粒子群算法 (PSO)有记忆功能，所有粒子都会 数等难以确定的问题 。提出了运用混合智能算法优 被保存，而遗传算法(GA)在寻到最优解的同时以前 化 SVM 的参数，建立基于混合智能算法的需水预测 的粒子随着种群的改变而被破坏 。PSO是一种单项 模型，以减少参数选择 的盲 目性 ，提高 SVM的预测 信息共享机制，仅通过当前搜索到最优点进行信息 精度 。 共享；而GA则在整个种群染色体之间互相共享信 1 基于混合智能算法的需水预测模型 息，整个种群较均匀地向最优域移动 。因此，基于遗 1．1 支持向量机 传和粒子群的混合智能算法将粒子群算法与遗传算 支持 向量机通过非线性映射将输入 向量从原 法相融合 ，汲取 2种算法的优点，克服各 自的缺陷， 空间映射到高维空间．在高维空间进行线性 回归[21； 以使其在时间效率上优于遗传算法 。在求精确解效 同时运用结构风险最小化原则并利用原空间的核 率上优于粒子群算法 。 函数取代高维空间的点积运算 ，使复杂的计算得以 混合智能算法的基本思想是利用粒子群算法并 简化。 行性、记忆能力以及 良好的全局寻优能力，避免搜索陷 最小二乘支持向量机 (LS—SVM)将不等式约束 人局部最优，同时借鉴遗传算法中的进化思想，利用杂 替换为等式约束，且将误差平方和损失函数作为训 交、变异算子来进行局部寻优 。使其能快速搜索到全局 练集的经验损失，简化了计算复杂性，求解速度相对 最优点。在搜索解的过程中通过杂交操作加强了对粒 加快l3l。 子间区域的搜索能力以利用现有而未能合理利用的