基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于WPT-ISO-RELM模型的月径流时间序列预测研究

为提高月径流时间序列的预测精度,提升基本蛇群优化(SO)算法搜索能力,同时提升正则化极限学习机(RELM)预测性能,提出了小波包变换(WPT)-改进蛇群优化(ISO)算法-RELM预测模型。首先,利用WPT将月径流时间序列分解为低频分量和高频分量;其次,通过构建8个RELM超参数寻优适应度函数对ISO寻优能力进行检验,并与SO算法、灰狼优化(GWO)算法、变色龙群算法(CSA)、鲸鱼优化算法(WOA)、樽海鞘群体算法(SSA)、侏獴优化算法(DMO)、粒子群优化算法(PSO)的优化结果作对比;最后,建立WPT-ISO-RELM模型,并构建包含WPT-SO-RELM在内的17种模型作对比模型,通过黑河流域莺落峡水文站、讨赖河水文站2个月径流预测实例对各模型进行验证。结果表明:①ISO寻优精度优于SO、GWO、CSA、WOA、SSA、DMO、PSO,通过关键参数的改进,能有效提升ISO的极值寻优能力和平衡能力;②WPT-ISO-RELM模型对莺落峡水文站、讨赖河水文站月径流预测的平均绝对百分比误差分别为0.854%、0.447%,平均绝对误差分别为0.245、0.068 m^(3)/s,纳什效率系数均在0.9999以上,优于其他对比模型,具有更高的预测精度和更好的稳健性;③ISO对于高维和低维问题均具有较好的优化效果,算法寻优能力对提升RELM预测精度十分关键,算法优化性能越强,寻优精度越高,由此获得的RELM超参数越优,所构建的模型预测性能越好。

基于WPT-ARO-DBN/WPT-EPO-DBN模型的月含沙量多步预测

准确的含沙量多步预测对于区域水土流失治理、防洪减灾等具有重要意义。为提高含沙量多步预测精度,改进深度信念网络(DBN)的预测性能,基于小波包变换(WPT),分别提出人工兔优化(ARO)算法、鹰栖息优化(EPO)算法与DBN组合的月含沙量多步预测模型,通过云南省龙潭站月含沙量时序数据对模型进行验证。首先利用WPT对实例月含沙量时序数据进行3层分解处理,得到8个更具规律的子序列分量;其次介绍ARO、EPO算法原理,利用ARO、EPO对DBN隐藏层神经元数等超参数进行寻优,建立WPT-ARO-DBN、WPT-EPO-DBN预测模型,并构建WPT-PSO(粒子群算法)-DBN、WPT-DBN作对比分析模型;最后利用4种模型对各子序列分量进行预测,将预测值叠加得到最终月含沙量多步预测结果。结果表明:(1)WPT-ARO-DBN、WPT-EPO-DBN模型对实例超前1步—超前4步月含沙量具有满意的预测效果,对超前5步具有较好的预测结果,对超前6步、超前7步的预测效果一般,对超前8步的预测精度较差,已不能满足预测精度需求;(2)WPT-ARO-DBN、WPT-EPO-DBN模型的多步预测效果要优于WPT-PSO-DBN模型,远优于WPT-DBN模型,具有更高的预测精度、更好的泛化能力和更大的预测步长;(3)ARO、EPO能有效优化DBN超参数,提高DBN预测性能,优化效果优于PSO,WPT-ARO-DBN、WPT-EPO-DBN模型能充分发挥WPT、新型群体智能算法和DBN网络优势,提高月含沙量多步预测精度,且预测精度随着预测步数的增加而降低。

基于WPD-AHA-ELM模型的水质时间序列多步预测

根据水质时间序列多尺度、非平稳特性,并基于“分解-预测-重构”思想,提出小波包分解(WPD)-人工蜂鸟算法(AHA)-极限学习机(ELM)组合多步预测模型,并应用于云南省昆明西苑隧道断面pH值、CODmn、DO、NH_(3)-N多步预测.首先介绍AHA原理,在不同维度条件下选取6个典型函数对AHA进行仿真测试,并与灰狼优化(GWO)算法、旗鱼优化(SFO)算法、粒子群优化(PSO)算法的仿真结果进行比较;其次利用WPD对水质时序数据进行小波包分解,以降低水质序列数据的复杂度;并在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入、输出;最后通过各分量训练样本构建ELM适应度函数,采用AHA对适应度函数进行寻优,利用寻优获得的最佳ELM输入层权值和隐含层偏值建立WPD-AHA-ELM模型对各子序列分量进行超前1步至超前5步预测,将预测结果加和重构得到最终多步预测结果.结果表明:AHA具有较好的寻优精度和全局搜索能力,寻优精度优于GWO、SFO、PSO算法.WPD-AHA-ELM模型对实例断面pH、CODmn、DO、NH_(3)-N超前1步至超前5步预测的平均绝对百分比误差分别在0.05%~1.23%、0.10%~3.15%、0.13%~3.67%、0.65%~10.6%之间,具有较小的预测误差,其中尤以超前1步至超前3步的预测效果最好.WPD-AHA-ELM模型预测精度随着超前预测步数的增加而降低.

自动站太阳能电池板清雪装置的设计

目前,新疆气象部门绝大多数区域气象自动站由太阳能供电系统供电,如积雪覆盖太阳能电池板造成数据中断,将严重影响气象数据质量、天气预报分析和气象防灾减灾服务工作。因此,探索研究太阳能板清雪装置,解决新疆冬季太阳能电池板清雪难题,对于提高气象数据的精度和准确性,具有重要的意义。文章分析了太阳能板的结构,利用曲柄滑块机构为基本原理设计了清雪装置,通过雨雪传感器给出信号,清雪装置开始工作,清除太阳能电池板表面的积雪。

若干新型群体智能算法优化高斯过程回归的年降水量预测

为提高年降水量预测精度,提出一种基于小波包变换(WPT)和孔雀优化算法(POA)、沙猫优化(SCSO)算法、猎豹优化(CO)算法优化的高斯过程回归(GPR)预测模型,并将其应用于文山州年降水量预测研究。首先,利用WPT将实例1956-2021年降水量时间序列分解为1个周期项分量和3个波动项分量;其次,简要介绍POA、SCSO、CO算法原理,利用POA、SCSO、CO分别优化GPR超参数,建立WPT-POA-GPR、WPT-SCSOGPR、WPT-CO-GPR模型;最后,利用所建立的3种模型对年降水量周期项分量和波动项分量进行预测,将4个分量的预测结果加和重构后得到最终预测结果,并构建基于支持向量机(SVM)的WPT-POA-SVM、WPT-SCSOSVM、WPT-CO-SVM模型、基于RBF神经网络的WPT-POA-RBF、WPT-SCSO-RBF、WPT-CO-RBF模型和未经优化的WPT-GPR模型作对比分析模型。结果表明:①WPT-POA-GPR、WPT-SCSO-GPR、WPT-CO-GPR模型对年降水量预测的平均绝对百分比误差MAPE分别为0.52%、0.46%、0.48%,平均绝对误差MAE分别为5.80 mm、5.31 mm、5.25 mm,均方根误差RMSE分别为8.20 mm、7.72 mm、7.83 mm,确定性系数DC>0.99,预测效果优于其他7种模型,具有更高的预测精度和更好的泛化能力。②POA、SCSO、CO能有效优化GPR超参数,显著提高GPR预测性能。③所构建的3种模型具有普适性,为降水等时间序列预测研究提供参考。

基于数据处理与若干群体算法优化的GRU/LSTM水质时间序列预测

为提高水质时间序列预测精度,提出一种基于小波包变换(WPT)和变色龙优化算法(CSA)、猎豹优化(CO)算法和山瞪羚优化(MGO)算法的优化门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)的预测模型。首先利用WPT对pH值、DO、COD_(Mn)、NH_(3)-N时间序列进行平稳化处理,得到若干个规律性较强的子序列分量;其次简要介绍了CSA、CO、MGO算法原理,利用CSA、CO、MGO分别寻优GRU、LSTM超参数,建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型;最后利用所建立的模型对pH值及DO、COD_(Mn)、NH_(3)-N浓度各分量进行预测和重构,并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型,以云南省昆明市观音山断面为例,通过pH值及DO、COD_(Mn)、NH_(3)-N浓度预测对模型进行了验证。结果表明:WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、COD_(Mn)、NH_(3)-N浓度的预测精度优于其他对比模型,具有较好的预测效果,其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高;CSA、CO、MGO能有效调优GRU、LSTM超参数,显著提高GRU、LSTM预测性能;所构建的6种模型预测精度高且计算规模小,是有效的水质时间序列预测模型,可为相关水质预测研究提供参考。

基于深度学习神经网络超参数优化的入库径流预测方法研究——以云南省暮底河水库为例

准确的入库日径流预测在水库优化调度中发挥着重要作用.为提高日径流预测精度,提出了基于小波包变换(WPT)并结合了白鲨优化(WSO)算法的门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)日径流时间序列预测模型,以云南省暮底河水库2018—2020年入库日径流时间序列预测为例对各模型进行检验.首先利用WPT将日径流时序数据分解为若干子序列分量;其次引入WSO对GRU、LSTM、CNN超参数进行调优,建立WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型;最后利用所建立的模型对各子序列分量进行预测及加和重构,并构建WPT-GRU、WPT-LSTM、WPT-CNN及基于BP神经网络的WPT-WSO-BP、WPT-BP作对比分析模型.结果表明:WPT-WSO-GRU、WPT-WSO-LSTM、WPT-WSO-CNN模型对实例日径流预测的平均绝对百分比误差EMAP分别为3.67%、5.52%、8.98%,平均绝对误差EMA分别为0.120、0.155、0.329 m^(3)/s,确定性系数DC分别为0.996 2、0.995 7、0.974 0 s,预报合格率RQ分别为98.1%、96.4%、89.6%,预测效果优于对应未经WSO调优的WPT-GRU、WPT-LSTM、WPT-CNN模型及WPT-WSO-BP、WPT-BP模型,其中WPT-WSO-GRU模型具有更高的预测精度和更好的泛化能力,WPT-WSO-LSTM模型次之.WSO能有效调优GRU、LSTM、CNN超参数,提高GRU、LSTM、CNN预测性能.WPT-WSO-GRU、WPT-WSO-LSTM模型在入库日径流时间序列预测研究中具有较好的应用前景.

基于WT-HBBO-RBF模型的年径流时间序列预测

利用4个基准函数对HBBO进行仿真测试;采用WT分解处理年径流时序数据;通过突变点检测方法Mann-Kendal(M-K)划分训练、预测样本,构建RBF适应度函数,利用HBBO优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,建立WT-HBBO-RBF模型,并构建WT-HBBO-SVM、WT-HBBO-BP、WT-RBF、WT-SVM、WT-BP、HBBO-RBF、HBBO-SVM、HBBO-BP作为对比分析模型。以云南省龙潭站、落却站年径流时间序列预测实例对模型进行验证的结果表明,HBBO具有较好的寻优精度及全局搜索能力;WT-HBBO-RBF模型对龙潭站、落却站年径流时间序列预测误差小于其他对比模型,具有较好的预测精度和泛化能力;HBBO能有效优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,提高RBF神经网络预测性能;WT能科学降低径流序列的复杂性,提高预测精度。

若干新型智能算法优化极限学习机在区域人水和谐度评价中的应用

为科学量化和评价区域人水和谐度,改进极限学习机(ELM)评价性能,提出野狗优化算法(DOA)、哈里斯鹰优化(HHO)算法、均衡优化(EO)算法、卷尾猴搜索算法(CapSA)、鸽群优化(PIO)算法与ELM融合的人水和谐度评价模型,通过云南省2006-2020年人水和谐度评价实例对模型进行验证.首先,简要介绍5种算法原理,在不同维度条件下选取4个标准函数对DOA、HHO、EO、CapSA、PIO算法进行仿真验证;其次,从水系统健康、经济社会发展、人水系统协调3个方面遴选18个指标构建人水和谐度评价指标体系和等级标准;最后,采用线性内插和随机选取的方法生成样本构建ELM适应度函数,利用DOA、HHO、EO、CapSA、PIO对适应度函数进行寻优,利用寻优获得的最佳ELM超参数建立DOA-ELM、HHO-ELM、EO-ELM、CapSA-ELM、PIO-ELM模型对实例各年度人水和谐度进行评价,结果与模糊综合评价法、ELM评价结果作对比.结果表明:DOA、HHO、EO、CapSA、PIO算法对4个标准函数的寻优精度由优至劣依次是HHO>PIO>DOA>CapSA>EO;对ELM适应度函数的寻优精度由优至劣依次是HHO>DOA>EO>CapSA>PIO.DOA-ELM、HHO-ELM、EO-ELM、CapSA-ELM模型对预测样本预测的平均绝对百分比误差在0.0124%~0.0198%之间,预测精度较PIO-ELM提高26.9%以上,较ELM提高84.6%以上;对实例2006-2011年人水和谐度评价为“不和谐”,2012-2018年评价为“基本和稭”,2019-2020年评价为“较和谐”;近15年来云南省人水和谐度总体上呈上升趋势,且上升趋势显著.DOA、HHO、EO、CapSA、PIO算法均能有效优化ELM超参数,提高ELM预测性能;DOA、HHO、EO、CapSA优化效果要优于PIO算法.

新型群体智能算法优化BIGRU/BILSTM的水资源空间均衡评价

为科学评价云南省2006-2022年及2025年水资源空间均衡状态,建立基于社交网络搜索(SNS)算法、登山队优化(MTBO)算法优化双向门控循环单元(BIGRU)、双向长短时记忆(BILSTM)网络的水资源空间均衡评价模型。首先,从水资源支撑、水资源压力、水资源调控力3个方面遴选15个指标构建水资源空间均衡评价指标体系和等级标准,采用线性内插和随机选取的方法生成样本构建BIGRU、BILSTM适应度函数;其次,简要介绍SNS、MTBO算法原理,利用SNS、MTBO优化BiGRU、BiLSTM隐含层神经元数、学习率(超参数)构建SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBOBILSTM模型,通过不同样本大小和连续10次运行的方法验证SNS-BIGRU等4种模型的稳健性;最后利用SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM模型对云南省2006-2022年及2025年水资源空间均衡进行评价,并与SNS-支持向量机(SVM)、MTBO-SVM和模糊综合评价法的评价结果作对比。结果表明:①所建立的SNS-BIGRU等4种模型具有较好的识别精度和稳健性能;SNS、MTBO能有效优化BIGRU、BILSTM超参数,提升BIGRU、BILSTM预测性能。②SNS-BIGRU等4种模型对云南省2006-2011年水资源空间均衡评价为“不均衡”,2012-2013年评价为“较不均衡”,2014-2018年评价为“临界均衡”,2019-2022年评价为“较均衡”,2025年基本可达到“均衡”水平;4种模型评价结果与SNSSVM、MTBO-SVM、模糊综合评价法有3年存在1个等级的差异。本文构建及提出的模型方法可为水资源空间均衡评价提供参考与借鉴。

WPD-COA-EL M模型在汛期月降水量时间序列预测中的应用研究

针对月降水量时间序列多尺度非平稳性特点,提出小波包分解(WPD)-白骨顶鸟优化算法(COA)-极限学习机(ELM)相融合的降水量预测模型。首先,利用WPD将非平稳月降水量时间序列分解为若干子序列分量;然后在不同维度条件下利用6个典型函数对COA进行仿真测试;利用COA优化ELM输入层权值和隐含层偏值,对每一个子序列分量分别建立COA-ELM模型进行预测,将预测结果叠加重构后即为最终预测结果;最后,以云南省龙潭站汛期和主汛期月降水量数据为例进行实验,并与WPD-COA-BP、WPD-ELM、WPD-BP预测模型进行比较。结果表明:COA在不同维度条件下均具有较好的寻优精度和全局搜索能力。WPD-COA-ELM模型对实例汛期、主汛期月降水量时间序列预测的平均绝对百分比误差分别为3.91%、3.59%,预测精度优于WPD-COA-BP模型,远优于WPD-ELM.WPD-BP模型。WPD能科学降低月降水时间序列数据的复杂性,提高预测效果;COA能有效优化ELM输入层权值和隐含层偏值,提高ELM网络性能。

基于小波包分解的GJO-XGBoost水面蒸发量预测

为提高水面蒸发量预测精度,提出一种基于小波包变换(WPT)、金豺优化(GJO)算法和极端梯度提升(XGBoost)算法相融合的水面蒸发量时间序列预测模型,通过云南省龙潭站、董湖站、西洋站1991—2021年逐月水面蒸发量时序数据对模型进行检验.首先介绍GJO原理,在不同维度条件下选取4个标准函数对GJO进行仿真测试,并与粒子群优化(PSO)算法的仿真结果作对比.其次采用小波包变换(WPT)对逐月水面蒸发量时序数据进行分解处理,构建XGBoost算法输入输出向量.最后引入GJO算法对XGBoost超参数进行调优,建立WPT-GJO-XGBoost模型对各子序列分量进行预测和重构,并构建WPT-PSO-XGBoost、WPT-GJO-SVM、WPT-PSO-SVM、WPT-XGBoost作对比分析模型.结果表明:在不同维条件下GJO算法寻优精度优于PSO算法.WPT-GJO-XGBoost模型对龙潭站、董湖站、西洋站水面蒸发量预测的平均绝对百分比误差分别为5.491%、4.943%、5.024%,平均绝对误差分别为4.70、3.37、3.39 mm,预测精度优于WPT-PSO-XGBoost、WPT-GJO-SVM、WPT-PSO-SVM模型,远优于WPT-XGBoost模型.GJO算法能有效调优XGBoost超参数,提高XGBoost预测性能,超参数调优效果优于PSO算法.

数据分解技术与若干智能算法优化的高斯过程回归总氮预测

总氮(TN)是反映水体污染程度和衡量湖库营养化状态的重要指标之一。为提高TN预测精度,基于经验小波变换(EWT)、小波包变换(WPT)分解技术,分别提出鱼鹰优化算法(OOA)、雾凇优化算法(ROA)、秃鹰搜索(BES)算法、黑寡妇优化算法(BWOA)优化的高斯过程回归(GPR)预测模型。首先分别利用EWT、WPT将TN时间序列分解为若干更具规律的子序列分量;然后简要介绍OOA、ROA、BES、BWOA算法原理,利用OOA、ROA、BES、BWOA优化GPR超参数;最后利用优化获得的最佳超参数建立EWT-OOA-GPR、EWT-ROA-GPR、EWT-BES-GPR、EWT-BWOA-GPR、WPT-OOA-GPR、WPT-ROA-GPR、WPT-BES-GPR、WPT-BWOA-GPR模型(简称EWT-OOA-GPR等8种模型)对TN各分量进行预测,重构后得到最终预测结果,并构建基于小波变换(WT)的WT-OOA-GPR、WT-ROA-GPR、WT-BES-GPR、WT-BWOA-GPR模型,基于支持向量机(SVM)的EWT-OOA-SVM等8种模型,未经优化的EWT-GPR、WPT-GPR模型和未经分解的OOA-GPR、ROA-GPR、BES-GPR、BWOA-GPR模型作对比分析,通过全国重要饮用水水源地暮底河水库2008—2022年月监测TN浓度时序数据对各模型进行验证。结果表明:①EWT-OOA-GPR等8种模型对TN预测的平均绝对百分比误差在0.161%~0.219%,决定系数均为0.9999,优于其他对比模型,具有更高的预测精度和更好的泛化能力;②EWT兼顾WT、EMD优势,WPT能同时分解低频、高频信号,二者均可将TN时序数据分解为更具规律的模态分量,显著提高模型预测精度,分解效果均优于WT方法;③OOA、ROA、BES、BWOA能有效优化GPR超参数,提高GPR预测性能。

WPT-FLA-RELM模型的马鹿塘水电站入库日径流多步预测

为提高水电站入库径流多步预测精度,精准调控发电用水量,基于小波包变换(WPT)数据分解方法,菲克定律优化(FLA)算法、正则化极限学习机(RELM),提出WPT-FLA-RELM预测模型,并将其应用于云南省马鹿塘水电站入库日径流多步预测.首先利用WPT将水电站入库日径流时间序列分解为1个周期项分量和3个波动项分量;然后利用FLA及遗传算法(GA)、粒子群优化(PSO)算法优化RELM输入层权值和隐含层偏差(超参数);最后利用优化获得的最佳超参数建立WPT-FLA-RELM及WPT-GA-RELM、WPT-PSO-RELM模型对入库日径流周期项及波动项分量进行预测,重构后得到最终预测结果,并构建WPT-FLA-极限学习机(ELM)、WPT-FLA-BP模型和未经优化的WPT-RELM模型作对比分析模型.

基于PCA-MPA-ANFIS模型的年径流预测研究

为提高径流预测精度,提出一种将海洋捕食者算法(MPA)与自适应神经模糊推理系统(ANFIS)相结合的径流预测方法,选取6个标准测试函数对MPA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,使输入数据简洁且更具代表性;利用MPA优化ANFIS条件参数和结论参数,建立PCA-MPA-ANFIS径流预测模型,并构建PCA-MPA-支持向量机(SVM)、PCA-MPA-BP作对比模型;基于云南省革雷站、新疆伊梨河雅马渡站年径流预测实例对PCA-MPA-ANFIS、PCA-MPASVM、PCA-MPA-BP模型进行验证。结果表明,MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;PCA-MPA-ANFIS模型对两个实例年径流预测的平均相对误差分别为1.08%、4.49%,平均相对误差较PCA-MPA-SVM模型分别降低了32.5%、37.1%,较PCA-MPA-BP模型分别降低了58.2%、37.6%,具有较好的预测精度和泛化能力。可见将PCA-MPA-ANFIS模型用于径流预测是可行和有效的。

基于人工生态系统优化算法的组合生长需水预测模型

为提高需水预测精度,拓展生长模型在需水预测中的应用,提出基于人工生态系统优化(AEO)算法的组合生长需水预测模型。结合实例,选取6个标准测试函数在不同维度条件下对AEO算法进行仿真验证,并与鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、教学优化(TLBO)算法和传统粒子群优化(PSO)算法的仿真结果进行比较。基于Weibull、Richards、Usher 3种单一生长模型构建Weibull-Richards-Usher、Weibull-Richards、Weibull-Usher、Richards-Usher 4种组合生长模型,利用AEO算法同时对组合模型参数和权重系数进行优化,提出AEO-Weibull-Richards-Usher、AEO-Weibull-Richards、AEO-Weibull-Usher、AEO-Richards-Usher需水预测模型,并构建AEOWeibull、AEO-Richards、AEO-Usher、AEO-SVM、AEO-BP模型作对比,以上海市需水预测为例进行实例验证,利用实例前30组和后8组统计资料对各组合模型进行训练和预测。结果表明,在不同维度条件下,AEO算法寻优精度优于WOA、GWO、TLBO、PSO算法,具有较好的寻优精度和全局搜索能力。4种组合模型对实例预测的平均相对误差绝对值、平均绝对误差分别在0.94%~1.17%、0.30亿~0.37亿m3之间,预测精度优于AEO-Weibull等其他5种模型。4种组合模型均具有较好的预测精度和泛化能力,表明AEO算法能同时有效优化组合生长模型参数和权重系数,基于AEO算法的组合生长模型用于需水预测是可行和有效的。

基于SBO-PP模型的水资源可持续发展能力评价模型及应用

为利用投影寻踪(PP)技术科学,客观评价区域水资源可持续发展能力,基于生态环境、水资源和经济社会因素选取20个指标构建区域水资源可持续发展能力评价指标体系。利用新型仿生群体智能算法——凉亭鸟优化(SBO)算法优化PP技术最佳投影方向,提出SBO-PP水资源可持续发展能力评价模型,并构建灰狼优化(GWO)算法-PP模型、人工蜂群(ABC)算法-PP模型、差分进化(DE)算法-PP模型、地理生物学优化(BBO)算法-PP模型、粒子群优化(PSO)算法-PP模型作对比,以云南省2006—2015年及2020年水资源可持续发展能力评价为例进行实例研究。结果表明:SBO算法优化PP技术获得的适应度值优于GWO、ABC、DE、BBO和PSO算法,具有较好的求解精度、稳健性能和极值寻优能力。SBO-PP模型对云南省2006—2007年水资源可持续发展能力评价为"较差",2008—2015年评价为"中等",2020年评价为"较强"。

相空间重构支持向量机在径流模拟中的应用研究

将相空间重构理论引入月径流模拟中,利用C-C算法进行相空间重构,将一维径流时间序列拓展为多维,基于交叉验证支持向量机(CV-SVM)原理及方法,构建以相空间重构理论与支持向量机相结合的径流时间序列模拟模型,并构建传统BP、双隐层BP及GA-BP径流时间序列模拟模型作为对比模型,以盘龙河龙潭寨月径流时间序列为例进行分析。结果显示:基于相空间重构理论的CV-SVM模拟模型能较好地处理复杂的径流序列,在长达200个月的测试样本模拟中,平均相对误差e MRE、最大相对误差e MaxRE分别为0.571 7%,5.526 7%,决定系数DC和合格率QR分别为0.999 9和100%。表明该模型具有较高的泛化能力和模拟精度,模拟效果明显优于传统BP、双隐层BP模型,甚至优于GA-BP模型;表明研究建立的基于相空间重构理论的CV-SVM模型用于径流模拟是合理可行的,可为径流模拟提供方法和参考。

基于OFA-PP模型的区域最严格水资源管理类型识别与评价

为科学识别云南省16个州市最严格水资源管理区域类型,提出最优觅食算法(OFA)-投影寻踪(PP)识别模型。从最严格水资源管理用水总量控制红线、用水效率控制红线、纳污控制红线3个方面分别构建指标体系和分级标准,利用2015年云南省各州市指标数据及分级标准阈值分别构建基于"三条红线"的投影指标函数,采用OFA分别搜索最优投影向量,并计算各州市综合投影值和各分级标准阈值投影值,利用分级标准阈值投影值对各区域最严格水资源管理类型进行识别。结果表明,OFA-PP识别模型具有较好的识别效果,识别结果可为云南省实行最严格水资源管理制度提供参考。