基于改进遗传神经网络的水体富营养化预测模型.docxVIP

基于改进遗传神经网络的水体富营养化预测模型 水体富营养化是导致淡水资源匮乏的重要原因。富营养化和藻类生长状态的实时监测和报警是一个重要的研究主题。基于神经网络预测的方法已经广泛使用。现在，虽然遗传计算与神经网络的结合也证明了提高神经网络泛化能力的有一些缺点。此外，神经网络在计算结构参数混合优化时存在很大的错误。优化时间短，不适应结构启动和结构启动等问题。因此，本文提出了改进遗传神经网络（qgann）的方法，并从遗传神经网络（ga）和神经网络（nn）两个方面进行了改进和改进。改进后的生态系统的优化效果和泛化能力，建立了基于力学原理的平衡交叉算子，并提出了一种混合优化神经网络的优化策略。实验表明，这种方法可以用来监测湖泊的富营养化和绿绿藻的生长状态，并预测藻类的爆发可以得到更令人满意的效果。 1 改进的遗产计算方法 1.1 基于量子学的交叉算子 首先引入量子力学中的Schr?dinger波动方程: 式中:h为普朗克常数;i为虚数单位;r为矢量;t为时间;V(·)为势能函数;φ(·)为定波函数.式(1)揭示了微观世界中物质运动的基本规律.设有质量为m的粒子(能量E0),从左入射,碰到δ势垒(见图1),则有: V(x)=γδ(x)γ0(2)V(x)=γδ(x)γ0(2) 而定态方程可表示为 -h22md2dx2φ(x)=[E-γδ(x)]φ(x)(3)?h22md2dx2φ(x)=[E?γδ(x)]φ(x)(3) x=0为式(3)的起点,在该点φ″不存在,表现为在x=0点φ′不连续.在x≠0处,式(3)化为 φ″(x)+k2φ(x)=0(4)k=√2mE/h 它的2个线性独立的解的形式为e±ikx.考虑到从左入射的假定,式(4)的解可表示为 φ(x)={eikx+Re-ikxx0Seikxx0(5) 式中,S、R分别为透射系数和反射系数, |S|2=11+C/E(6)|R|2=CE(1+C/E)(7)C=(mγ2)/(2h2)(8)|S|2+|R|2=1(9) 式(6) 、(7) 说明具有较高能量的粒子穿透δ势垒的概率高,在高能极限下粒子将完全穿透势垒.反之,低能量的粒子穿透δ势垒的概率低,而被δ势垒反射的概率高. 将量子学原理引入遗传算法中,将能量E类比作几个父代的适应值函数f,|R|2协同常规交叉算子中的随机数α,|S|2协同(1-α). 则基于量子力学的改进交叉算子构造如下: w′1=11+c/f1[cf1αw1+(1-α)w2](10)w′2=11+c/f2[cf1(1-α)w2+αw1](11) 式中:w1,w2分别为父代1和父代2的值;w′1,w′2分别为子代1和子代2的值;c为一个可调系数.式(10)、(11)表示具有大的适应值函数f的父代个体(f1或f2)具有高的概率遗传它的基因到下一代,|S|2趋近于1.而适应值小的父代具有小的遗传概率,使|S|2趋近于0.改进的交叉算子不仅具有自适应性,而且保留了随机性,有助于减少无效循环,加速收敛,提高效率. 1.2 基于ffc13的新能源更新算法 选用基于序的评价函数为: eval(Wi)=α(1-α)i-1(12)i=1,2,?,mm i=1意味着染色体是最好的;i=mm是最差的.选用文献中变异概率: Ρm={k1(fmax-f)fmax-favgf≥fck2ffc(13) 式中:fmax为最大适应值;favg为平均适应值;fc为指定适应值;k1,k2为预定系数. 设e为误差函数.优化过程结束条件为 f=e≤ε2(14) 式中,ε2为优化误差函数进化终止指标值. 算法步骤: (1) 随机选择初始种群,并确定参数α、总迭代次数N、ε2和进化代数指针K; (2) 采用式(12)选择旋转轮赌mm次,为新的种群选择mm个下一代个体,其中最优个体直接保留到下一代; (3) 对新一代个体按照适应值大小排序; (4) 随机选出参加交配的个体,按照式(10)、(11)执行交叉; (5) 按照式(13)执行变异; (6) 判断是否满足K=N,若不满足,判断是否满足式(14),若不满足,返回步骤(2); (7)最优个体输出. 2 种群优化策略 神经网络误差函数式采用下式: e=μ|ˉy|√1nn∑j=1(yj-?yj)2(15) 式中:yj为测量值;?yj为实际值;ˉy为n个样本的输出均值;μ为决定于具体对象的常数参数. 针对神经网络进行结构参数混合优化时存在的计算规模巨大、优化时间过长、过拟合和结构初始化的盲目性等问题,提出一种混合优化策略,该策略分两阶段进行. 第1阶段,网络结构参数初始化策略.采用2个种群轮流优化NN的结构和参数. (1) 种群1进化参数(设结构为St0),种群2进化结构(设参数为Pa0);优化完毕分别得到一组新的参数Pa1和一个新的结构St1. (2) 种群1以结构St