粒子群優(yōu)化與支持向量機在河流水質模擬預測中的應用.pdf

1、水質模擬預測是順利實現(xiàn)水環(huán)境規(guī)劃管理、水污染綜合防治等任務不可缺少的基礎性工作，是具有普遍意義的一項重要內容。機理性水質模型考慮了影響水質變化的諸多因素，模型概念清晰，但模型參數(shù)估計比較困難，這常使其在我國許多河流系統(tǒng)中的進一步應用受到限制。非機理性水質模擬預測方法通常針對某一特定的水質系統(tǒng)，通過數(shù)學統(tǒng)計或其他數(shù)學方法建立模型，也?？梢匀〉幂^好的模擬預測效果。 粒子群優(yōu)化算法是Eberhart和Kennedv通過對鳥群、魚群行為

2、的研究而提出的一種新的尋優(yōu)技術。該算法兼?zhèn)溲莼惴ê腿褐悄艿奶卣?，簡單易行且性能穩(wěn)定，在優(yōu)化問題中?？梢员憩F(xiàn)出非同尋常的求解能力。與遺傳算法類似，系統(tǒng)首先初始化為一組隨機解，群體中的每一個體稱之為粒子，粒子通過自身和群體的最優(yōu)位置來更新其速度和位置。但該算法仍存在易陷入局部最優(yōu)，且搜索精度不高等缺點，為此，本文提出了一種基于群體適應值方差和最優(yōu)適應值變化誤差的自適應粒子群算法，較之標準的粒子群算法，該算法的全局搜索能力有了顯著提高，能夠

3、有效避免早熟收斂。在實際的水質模擬預測中，機理性水質模型的參數(shù)估值問題，通常是轉化為最小化水質指標測量值和模擬值之間的誤差平方和。由于此類優(yōu)化問題存在多個局部極值，且具有高度非線性，用傳統(tǒng)的優(yōu)化方法很難解決，本文將自適應粒子群算法用于此類優(yōu)化問題的求解，四個算例的測試結果表明該方法具有較高的求解精度，且操作簡單易于實現(xiàn)。 支持向量機是在VC維理論和結構風險最小化準則的基礎上提出的一種新的機器學習方法，它追求的是在有限樣本下的最優(yōu)

4、解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)解，比以經(jīng)驗風險最小化為基礎的神經(jīng)網(wǎng)絡算法具有更強的理論依據(jù)和更好的泛化性能。最小二乘支持向量機是標準支持向量機的改進算法，它通過將最小二乘線性系統(tǒng)引入支持向量機，代替了標準支持向量機采用二次規(guī)劃方法解決函數(shù)估計問題的做法。針對水質模擬預測的非機理性應用，本文嘗試將支持向量機用于河流水質的模擬預測，建立了上游水質影響因子和下游斷面溶解氧的輸入響應關系，訓練數(shù)據(jù)的模擬效果很好，預測結果也在可以接受的范圍