基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法，包括步驟一、構(gòu)建水華生成機理時變模型；步驟二、建立影響因素函數(shù)模型庫；步驟三、基于遺傳算法優(yōu)化水華生成機理時變模型參數(shù)；步驟四、基于禁忌搜索算法優(yōu)化水華生成機理時變模型結(jié)構(gòu)及影響因素分析；步驟五、最優(yōu)水華生成機理時變模型預(yù)測；本發(fā)明對水華生成機理模型引入時間變量，建立水華生成機理時變模型，使其不僅適用于模擬水華生成過程，且可用于水華預(yù)測，解決基于數(shù)據(jù)驅(qū)動模型的水華預(yù)測不夠準(zhǔn)確而機理驅(qū)動模型無法進行水華預(yù)測的問題。
【專利說明】基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種湖庫藻類水華生成機理時變模型優(yōu)化及水華預(yù)測方法，屬于環(huán)境工程【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]隨著經(jīng)濟社會的發(fā)展，水體富營養(yǎng)化已經(jīng)成為一個全球性的重大水環(huán)境問題。隨著全球水體富營養(yǎng)化的加劇，湖泊發(fā)生水華現(xiàn)象也越來越普遍。水華的暴發(fā),破壞了水體中的生物多樣性，嚴(yán)重制約了經(jīng)濟建設(shè)和社會發(fā)展。因此，深入研究藻類水華生成過程，對藻類水華暴發(fā)這一非常規(guī)突發(fā)事件進行有效模擬和預(yù)測，對促進水環(huán)境保護和技術(shù)進步具有
重要意義。
[0003]目前水華生成過程建模研究主要包括機理驅(qū)動模型和數(shù)據(jù)驅(qū)動模型。機理驅(qū)動模型包含生態(tài)變量和待定參數(shù)，通過描述水華生成機理過程進行機理建模；而數(shù)據(jù)驅(qū)動模型采用數(shù)據(jù)挖掘技術(shù)，從大量的實測數(shù)據(jù)中通過智能算法搜索隱藏于其中的相關(guān)信息，尤其適用于機理不明確的高維非線性系統(tǒng)。上述兩類建模方法各有所長，但機理驅(qū)動模型多是針對湖庫水體的環(huán)境、化學(xué)、物理及營養(yǎng)因素與水華生成的作用機理方面展開研究，建模過程復(fù)雜且模型結(jié)構(gòu)固定，難以保證模型的環(huán)境適應(yīng)性；而基于數(shù)據(jù)驅(qū)動的分析模型缺乏機理支撐，無法合理解釋各種影響因素與水華生成的因果關(guān)系，難以保證模型的準(zhǔn)確性。
[0004]在機理驅(qū)動模型的基礎(chǔ)上，采用數(shù)據(jù)驅(qū)動模型的智能算法對其進行優(yōu)化可實現(xiàn)兩種模型的優(yōu)勢互補。機理模型的優(yōu)化可分為模型結(jié)構(gòu)的優(yōu)化和模型參數(shù)的優(yōu)化兩個方向?，F(xiàn)有機理模型優(yōu)化方法多是針對模型參數(shù)的優(yōu)化，即模型結(jié)構(gòu)固定不變，僅優(yōu)化模型參數(shù)，而很少有針對模型結(jié)構(gòu)的優(yōu)化。然而僅優(yōu)化模型參數(shù)，模型的環(huán)境適應(yīng)性并不能得到大幅提高，當(dāng)水體環(huán)境與模型結(jié)構(gòu)不匹配時，其模型準(zhǔn)確性也無從談起，因此需對模型結(jié)構(gòu)和模型參數(shù)均進行優(yōu)化。
[0005]在對水華預(yù)測的研究中，現(xiàn)有的水華預(yù)測方法大多基于數(shù)據(jù)驅(qū)動模型，存在預(yù)測結(jié)果不夠準(zhǔn)確的問題。而在現(xiàn)有水華生成過程的機理驅(qū)動模型研究中，所建的水華生成機理模型大多沒有引入時間變量，由于水華生成過程是一個具有時變特性的動態(tài)過程，因此現(xiàn)有水華生成機理模型僅適用于模擬水華生成過程，而難以將其用于水華預(yù)測。
[0006]因此，如何建立一個環(huán)境適應(yīng)性高且能夠用于水華預(yù)測的水華生成機理模型，需綜合考慮對水華生成機理模型引入時間變量后其模型結(jié)構(gòu)優(yōu)化和模型參數(shù)優(yōu)化的方法，是湖庫藻類水華研究領(lǐng)域中亟待解決的問題。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的是為了解決現(xiàn)有的水華生成機理模型環(huán)境適應(yīng)性不高以及無法用于水華預(yù)測的問題，對水華生成機理模型引入時間變量，并基于禁忌搜索和遺傳算法對水華生成機理時變模型進行模型結(jié)構(gòu)優(yōu)化和模型參數(shù)優(yōu)化，以提高模型的環(huán)境適應(yīng)性及準(zhǔn)確性，并實現(xiàn)基于水華生成機理時變模型的水華預(yù)測。
[0008]本發(fā)明提供的基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法，主要包括以下五個步驟:
[0009]步驟一、構(gòu)建水華生成機理時變模型；
[0010]葉綠素是表征水體中藻類現(xiàn)存量的最直接指標(biāo)，可采用葉綠素作為反映藻類水華生成的表征因素。葉綠素的變化率與葉綠素的生長率、死亡率以及凈損失率密切相關(guān)，其中葉綠素生長率由水溫、總磷、總氮和溶解氧等水華影響因素決定，考慮到葉綠素生長率、葉綠素含量及葉綠素死亡率的隨時間變化的特點，對葉綠素變化率、葉綠素含量及葉綠素死亡率構(gòu)建帶有時間函數(shù)的水華生成機理時變模型。
[0011]步驟二、建立影響因素函數(shù)模型庫；
[0012]不同環(huán)境下水華影響因素對水華生成機理影響的效果不同，為建立適應(yīng)不同環(huán)境下的水華生成機理時變模型，需構(gòu)建水華影響因素的函數(shù)模型庫?？紤]到影響因素的隨時間變化的特點，函數(shù)模型庫分為兩部分，一部分是反映影響因素與時間關(guān)系的時間函數(shù)模型庫，另一部分是反映影響因素與葉綠素生長率關(guān)系的作用函數(shù)模型庫。之后，為每個影響因素從函數(shù)模型庫中隨機選取一個時間函數(shù)模型和一個作用函數(shù)模型作為水華生成機理時變模型結(jié)構(gòu)的初始解。
[0013]步驟三、基于遺傳算法優(yōu)化水華生成機理時變模型參數(shù)；
[0014]對已確定模型結(jié)構(gòu)的水華生成機理時變模型進行參數(shù)優(yōu)化。水華生成機理時變模型參數(shù)優(yōu)化分為兩個部分，即首先對影響因素時間函數(shù)模型參數(shù)采用最小二乘法進行優(yōu)化，再對水華生成機理時變模型中(除影響因素時間函數(shù)模型參數(shù)以外)其余參數(shù)采用遺傳算法進行優(yōu)化。
[0015]步驟四、基于禁忌搜索算法優(yōu)化水華生成機理時變模型結(jié)構(gòu)及影響因素分析；
[0016]建立水華生成機理時變模型需要確定最優(yōu)模型的結(jié)構(gòu)，即在函數(shù)模型庫中搜索影響因素的時間函數(shù)模型和作用函數(shù)模型的最優(yōu)組合，以提高對水華生成機理描述的準(zhǔn)確性和環(huán)境適應(yīng)性。本發(fā)明采用禁忌搜索算法實現(xiàn)水華生成機理時變模型結(jié)構(gòu)的優(yōu)化。此外，通過對水華生成機理時變模型結(jié)構(gòu)的優(yōu)化，可實現(xiàn)對水華影響因素種類的取舍，即水華影響因素分析。
[0017]步驟五、最優(yōu)水華生成機理時變模型預(yù)測；
[0018]對由葉綠素變化率表示的最優(yōu)水華生成機理時變模型，將其視為齊次微分方程，根據(jù)該齊次微分方程的解，得到由葉綠素含量表示的最優(yōu)水華生成機理時變模型的預(yù)測公式。
[0019]本發(fā)明的優(yōu)點在于:
[0020]1、本發(fā)明對水華生成機理模型引入時間變量，建立水華生成機理時變模型，使其不僅適用于模擬水華生成過程，且可用于水華預(yù)測，解決基于數(shù)據(jù)驅(qū)動模型的水華預(yù)測不夠準(zhǔn)確而機理驅(qū)動模型無法進行水華預(yù)測的問題。
[0021]2、本發(fā)明對水華生成機理時變模型進行模型結(jié)構(gòu)優(yōu)化和模型參數(shù)優(yōu)化，提高模型的環(huán)境適應(yīng)性和準(zhǔn)確性。
[0022]3、本發(fā)明將水華影響因素函數(shù)模型庫分為時間函數(shù)模型庫和作用函數(shù)模型庫，使模型結(jié)構(gòu)的分類更符合實際，對葉綠素生長率隨時間變化的描述更準(zhǔn)確。[0023]4、本發(fā)明將常數(shù)模型加入到影響因素函數(shù)模型庫中，通過對水華生成機理時變模型結(jié)構(gòu)的優(yōu)化，可實現(xiàn)對水華影響因素種類的取舍，即水華影響因素分析。
[0024]5、本發(fā)明采用禁忌搜索算法對水華生成機理時變模型進行模型結(jié)構(gòu)優(yōu)化，可大幅提高搜索速度，并增加獲得模型結(jié)構(gòu)全局最優(yōu)解的概率。
[0025]6、本發(fā)明針對模型參數(shù)較少的影響因素時間函數(shù)模型采用最小二乘法進行模型參數(shù)優(yōu)化，使得模型參數(shù)優(yōu)化速度快，計算存儲量小。
[0026]7、本發(fā)明針對水華生成機理時變模型除影響因素時間函數(shù)模型外的其余參數(shù)采用遺傳算法進行模型參數(shù)優(yōu)化，可對多個模型參數(shù)同時優(yōu)化，并且優(yōu)化速度快，易得到模型參數(shù)的全局最優(yōu)解。
【專利附圖】

【附圖說明】
[0027]圖1是本發(fā)明基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法的流程圖；
[0028]圖2是最優(yōu)水華生成機理時變模型對葉綠素含量的擬合結(jié)果及最優(yōu)水華生成機理時變模型預(yù)測公式的預(yù)測結(jié)果；
【具體實施方式】
[0029]下面將結(jié)合附圖和實施例1對本發(fā)明作進一步的詳細(xì)說明。
[0030]為便于說明，本說明書中所有未經(jīng)解釋的名詞及字母含義均由下述假設(shè)解釋:總采樣時間為N,影響因素總個數(shù)為M。
[0031]本發(fā)明是一種湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法，具體方法實施流程如圖1所示，通過如下步驟實現(xiàn):
[0032]步驟一、構(gòu)建水華生成機理時變模型；
[0033]葉綠素是表征水體中藻類現(xiàn)存量的最直接指標(biāo)，可采用葉綠素作為反映藻類水華生成的表征因素。
[0034]葉綠素的變化率與葉綠素的生長率、死亡率以及凈損失率密切相關(guān)，其變化符合以下方程:
[0035]
【權(quán)利要求】
1.一種湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法，通過如下步驟實現(xiàn): 步驟一、構(gòu)建水華生成機理時變模型； 水華生成機理時變模型為:=(2> 其中，ca(t)為葉綠素含量的時間函數(shù)，Gp (t)為葉綠素生長率的時間函數(shù),Dp (t)為葉綠素死亡率的時間函數(shù),mp為葉綠素凈損失率，t表不時間； 葉綠素生長率的時間函數(shù)Gp(t)為:
Gp(t) =G(X1U)).G(X2(t)).....G(XM(t))⑶ 其中，Xi (t)為第i個影響因素的時間函數(shù)，G(XiU))為第i個影響因素的作用函數(shù)，i=I, 2,...,M ;葉綠素死亡率的時間函數(shù)Dp (t)為:
Dpa) =DfflaxX 1.08(T(t)-20) 其中，Dmax為葉綠素最大死亡 率，T(t)為水溫的時間函數(shù)； 步驟二、建立影響因素函數(shù)模型庫； 具體為: (1)建立各影響因素的時間函數(shù)模型庫，包括常數(shù)模型Xi(t)=ai;正比例函數(shù)模型Xi (t) = ai.t,反比例函數(shù)模型Xi (t) = ai/t,指數(shù)函數(shù)模型Xi(t) = ai.e\對數(shù)函數(shù)模型Xi (t) = Bi.1η?，冪函數(shù)模型X⑴-P，以及以上多個模型的組合模型，其中％表示第i個影響因素的時間函數(shù)模型參數(shù)，并給每一種時間函數(shù)模型編號； (2)建立各影響因素的作用函數(shù)模型庫，包括常數(shù)模型G(XJt))=bi;正比例函數(shù)模型G(Xi(t)) = h.t,反比例函數(shù)模型G(Xi (t)) = bi/t,指數(shù)函數(shù)模型G(XiU)) =IDi ^et,對數(shù)函數(shù)模型G(Xi (t))=匕.Int,冪函數(shù)模型(/)) =tb'，以及以上多個模型的組合模型，其中4表示第i個影響因素的作用函數(shù)模型參數(shù)，并給每一種作用函數(shù)模型編號； (3)產(chǎn)生水華生成機理時變模型結(jié)構(gòu)的初始解；水華生成機理時變模型結(jié)構(gòu)的解表示為M個影響因素的時間函數(shù)模型編號和作用函數(shù)模型編號的一種組合，解的表示形式為一個包含2.Μ個元素的向量，即K第i個影響因素時間函數(shù)模型編號，第i個影響因素作用函數(shù)模型編號)J，i = 1，2，...，M ;為每個影響因素從函數(shù)模型庫中隨機產(chǎn)生一個時間函數(shù)模型編號和一個作用函數(shù)模型編號，將所產(chǎn)生的M個影響因素的時間函數(shù)模型編號和作用函數(shù)模型編號按解的表示形式組合成一個包含2.M個元素的向量作為初始解； 步驟三、基于遺傳算法優(yōu)化水華生成機理時變模型參數(shù)； 對已確定模型結(jié)構(gòu)的水華生成機理時變模型進行參數(shù)優(yōu)化； 首先對影響因素時間函數(shù)模型參數(shù)進行優(yōu)化，對每一個影響因素分別進行時間函數(shù)模型參數(shù)優(yōu)化，采用最小二乘法，優(yōu)化判據(jù)為誤差平方和?；(馬— HO)2達到最小，其中，Xit





t=\為第i個影響因素在t時刻的真實值，Xi (t)為第i個影響因素在t時刻的函數(shù)值； 將參數(shù)優(yōu)化后的各影響因素時間函數(shù)模型參數(shù)代入水華生成機理時變模型，再對水華生成機理時變模型中其余參數(shù)進行優(yōu)化，采用遺傳算法，對同時進行優(yōu)化；步驟四、基于禁忌搜索算法優(yōu)化水華生成機理時變模型結(jié)構(gòu)及影響因素分析； 禁忌搜索算法優(yōu)化水華生成機理時變模型結(jié)構(gòu)的基本流程為: (1)初始狀態(tài)設(shè)定；將步驟二中產(chǎn)生的初始解作為當(dāng)前最優(yōu)解；禁忌表中的元素為所有解的任期，將禁忌表中所有元素初值設(shè)為O，設(shè)置禁忌長度為固定值L以及設(shè)置最大搜索步數(shù)；若某一個解被加入禁忌表，則將該解在禁忌表中的任期設(shè)為L，每執(zhí)行一次搜索將其任期減1，該解在被禁忌了 L次以后將自動解禁，再次參與搜索，從而使搜索算法跳出局部最優(yōu)解； (2)鄰域解的產(chǎn)生；首先要產(chǎn)生當(dāng)前最優(yōu)解的鄰域，即隨機選取m個影響因素作為需改變的影響因素的個數(shù)，m〈M，然后隨機產(chǎn)生這m個影響因素的時間函數(shù)模型和作用函數(shù)模型在函數(shù)模型庫中的編號，再與當(dāng)前最優(yōu)解中未改變的影響因素的時間函數(shù)模型和作用函數(shù)模型的編號組合即為鄰域解； (3)候選解的確定；對鄰域解進行禁忌檢查，若領(lǐng)域解不在禁忌表中，即該鄰域解在禁忌表中的任期為零，則將其作為候選解；若鄰域解已在禁忌表中，即該鄰域解在禁忌表中的任期非零，則將禁忌表中所有非零的元素減1，并重新產(chǎn)生鄰域解，重復(fù)第(2)、(3)步直至得到候選解； (4)適應(yīng)度檢查；對候選解所確定的水華生成機理時變模型結(jié)構(gòu)按步驟三進行模型參數(shù)優(yōu)化，并得到該候選解對 應(yīng)的適應(yīng)度值，若適應(yīng)度值不小于適應(yīng)度閾值，則將該候選解作為最優(yōu)解，得到相應(yīng)的最優(yōu)水華生成機理時變模型，終止禁忌搜索；若候選解的適應(yīng)度值未達到適應(yīng)度閾值，則執(zhí)行第(5)步； (5)當(dāng)前最優(yōu)解的獲得；首先將禁忌表中所有非零的元素減I;當(dāng)候選解對應(yīng)的適應(yīng)度值差于當(dāng)前最優(yōu)解，即候選解的適應(yīng)度值小于當(dāng)前最優(yōu)解的適應(yīng)度值，則把候選解加入禁忌表，即將候選解的任期設(shè)為L ;若候選解對應(yīng)的適應(yīng)度值優(yōu)于當(dāng)前最優(yōu)解，即候選解的適應(yīng)度值大于等于當(dāng)前最優(yōu)解的適應(yīng)度值，則將當(dāng)前最優(yōu)解加入禁忌表，即將當(dāng)前最優(yōu)解的任期設(shè)為L，再用候選解替代當(dāng)前最優(yōu)解； (6)禁忌搜索終止；禁忌搜索重復(fù)次數(shù)達到最大的搜索步數(shù)則終止搜索，由當(dāng)前最優(yōu)解得到相應(yīng)的最優(yōu)水華生成機理時變模型；若未達到最大搜索步數(shù)，則重復(fù)第(2)-(5)步； 步驟五、最優(yōu)水華生成機理時變模型預(yù)測； 將最優(yōu)水華生成機理時變模型寫成齊次微分方程形式為:
2.根據(jù)權(quán)利要求1所述的一種湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法，所述的步驟三中，采用遺傳算法，對IvDm^mp同時進行優(yōu)化的具體步驟如下:(1)給定初始化條件；確定個體數(shù)目K、最大遺傳代數(shù)、待優(yōu)化參數(shù)個數(shù)、代溝、適應(yīng)度閾值； (2)初始化種群個體；采用多參數(shù)級聯(lián)浮點數(shù)編碼；隨機產(chǎn)生K種不同的參數(shù)組合作為初始種群，構(gòu)成待選參數(shù)空間； (3)個體適應(yīng)度評價；建立適應(yīng)度函數(shù):

3.根據(jù)權(quán)利要求1所述的一種湖庫藻類水華生成機理時變模型優(yōu)化及預(yù)測方法，所述的步驟四中，還包括水華影響因素分析，由于影響因素作用函數(shù)模型庫中包含了常數(shù)模型，當(dāng)最優(yōu)水華生成機理時變模型中某一個或多個影響因素的作用函數(shù)模型為常數(shù)模型時，說明該影響因素并未對水華生成機理產(chǎn)生影響，從而通過對水華生成機理時變模型結(jié)構(gòu)的優(yōu)化，實現(xiàn)對水華影響因素種類的取舍，即水華影響因素分析。
【文檔編號】G06N3/12GK103984996SQ201410225546
【公開日】2014年8月13日 申請日期:2014年5月26日 優(yōu)先權(quán)日:2014年5月26日
【發(fā)明者】王小藝, 施彥, 王立, 許繼平, 于家斌, 姚俊楊 申請人:北京工商大學(xué)