全文浏览水文模型参数优选遗传算法的应用.pdfVIP

水 利 学 报 2004 年2 月 SHUILI XUEBAO 第2 期 文章编号：0559-9350 (2004) 02-0050-07 水文模型参数优选遗传算法的应用 1 1,2 3 陆桂华 ， 郦建强 ， 杨晓华 (1.河海大学 水问题研究所 江苏 南京 210098； 2.水利部 水利水电规划设计总院 北京 100011；3.北京师范大学 环境 科学研究所 北京 100875) 摘要：本文对遗传算法进行了详细地分析，建立了实编码单纯形混合加速遗传算法，并将其与二进制加速遗传算法、 实编码加速遗传算法、单纯形法、模式搜索法进行了比较。数值模拟和新安江模型的实例应用表明，二进制加速遗 传算法、实编码加速遗传算法、混合加速遗传算法的全局优化性能比单纯形法和模式搜索法好，而其中混合加速遗 传算法不仅有较好的全局优化性能和稳定性，而且在调用目标函数的次数相同的情况下，精度较高。 关键词：参数优选； 水文模型； 遗传算法；单纯形法；模式搜索法 中图分类号：P333 文献标识码：A 常规优化方法如Newton法、共轭梯度法、变尺度算法、单纯形法、步长加速法、方向加速法和Rosenbrock 法都是与初始点有关的优化方法，常常是找出初始点附近的一个极值点来，至于它是否为全局极值点，在 多数情况下不得而知。在实际水文模型应用中，常希望找到给定条件下的全局极值点。求全局极值的方法， 本质上是一种试探性搜索方法。由于全局极值点在可行域中的确切位置事先并不知道，是通过构造序列来 估计的，因此，必然要求序列在可行域中分布均匀且有一定的密度。经典的蒙特卡罗法(Monte Carlo Method) 在理论上是能满足这种要求的，优化问题的维数、几何形状、是否离散等对它影响也不大，但在实际中则 失去使用价值。这是因为，在可行域中分布均匀的前提，为了提高解的精度，势必在极值点附近加密投点 的同时，也在可行域中盲目地加密了投点，导致其运算量十分浩大，该算法的时间复杂性破坏了算法的可 行性条件，因而是不合理的。合理的办法是，发展一些启发式策略或引入领域知识，对投点过程给予指导， 即：在可能出现全局极值点的地方增加投点密度，而对其它地方只作少量的试探性投点，特别是对已探明 无全局极值点的地方不投点，从而可大大节省计算量，对该算法的时间复杂性进行了有效压缩，使该算法 可行。遗传算法就是一种启发式算法，充分积累了搜索的信息，较好地处理了积累信息与探索未知空间的 矛盾[1,2]。 本文通过在实编码遗传算法中加入单纯形搜索算子及加速搜索算子，逐步调整参数变化区间的方法， 建立了单纯形混合加速遗传算法(Simplex Hybrid Accelerating Genetic Algorithm，简称SAGA)。分析 和比较了 SAGA 与二进制加速遗传算法(Binary Coding Based Accelerating Genetic Algorithm，简称 [3] [3] AGA) 、实编码加速遗传算法(Real Coding Based Accelerating Genetic Algorithm，简称RAGA) 、单 纯形法(Simplex Algorithm，简称SA)、和模式搜索法(Hooke-Jeeves Algorithm，简称HJA)[4]的计算效率、 全局收敛性和稳定性。并通过数值模拟和实例应用，对以上5 种算法进行了研究。 1 常规优化算法 收稿日期：2002-04-12 基金项目：水利部科技创新基金项目(SCX2000—53)；江苏省“333 计划”资助项目 作者简介：陆桂华(1962-)，男，浙江人，教授，主要从事水文水资源研究。 50 水 利 学 报 20