基于反向精簡差分演化算法的水質(zhì)模型參數(shù)識(shí)別方法
【專利摘要】本發(fā)明公開了基于反向精簡差分演化算法的水質(zhì)模型參數(shù)識(shí)別方法，本發(fā)明在傳統(tǒng)精簡差分演化算法中引入綜合學(xué)習(xí)策略，利用全局最優(yōu)個(gè)體以及種群中相對(duì)較優(yōu)個(gè)體的綜合搜索信息生成一個(gè)搜索引導(dǎo)綜合個(gè)體，并以生成的綜合個(gè)體為導(dǎo)向產(chǎn)生子個(gè)體，以此保持種群的多樣性，減少陷入局部最優(yōu)的概率；同時(shí)根據(jù)當(dāng)前搜索反饋信息適應(yīng)性地調(diào)整反向?qū)W習(xí)因子，從而將當(dāng)前種群適應(yīng)性地生成一個(gè)反向種群，并同時(shí)從當(dāng)前種群和反向種群中選擇出較優(yōu)個(gè)體進(jìn)入下一代種群，以此加快算法的收斂速度；重復(fù)執(zhí)行上述步驟直至滿足終止條件，在計(jì)算過程中得到的最優(yōu)個(gè)體，即為水質(zhì)模型參數(shù)的識(shí)別結(jié)果；其能夠減少陷入局部最優(yōu)的概率，加快收斂速度，提高水質(zhì)模型參數(shù)識(shí)別精度。
【專利說明】基于反向精簡差分演化算法的水質(zhì)模型參數(shù)識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及水質(zhì)模型參數(shù)識(shí)別的技術(shù)，尤其是涉及基于反向精簡差分演化算法的 水質(zhì)模型參數(shù)識(shí)別方法。

【背景技術(shù)】
[0002] 水質(zhì)模型是用于描述水體水質(zhì)變化規(guī)律的數(shù)學(xué)模型，它刻畫了水體水質(zhì)與時(shí)間、 空間的動(dòng)態(tài)變化規(guī)律。水質(zhì)模型是水質(zhì)預(yù)測、水體污染與凈化及排污控制的理論基礎(chǔ)。在 工程實(shí)踐中，工程人員一般都是直接選用已經(jīng)建立好的成熟水質(zhì)模型，并根據(jù)實(shí)際水質(zhì)工 程環(huán)境，通過現(xiàn)場實(shí)驗(yàn)獲得水質(zhì)模型的樣本數(shù)據(jù)，然后根據(jù)采集的水質(zhì)樣本數(shù)據(jù)確定水質(zhì) 模型的參數(shù)。由于水質(zhì)模型參數(shù)是描述水體的物理、化學(xué)和生物化學(xué)動(dòng)力學(xué)過程的常數(shù)，因 此只有在識(shí)別出了水質(zhì)模型的參數(shù)后，才能有效地將水質(zhì)模型應(yīng)用于解決實(shí)際水質(zhì)工程問 題。傳統(tǒng)數(shù)學(xué)方法應(yīng)用于水質(zhì)模型參數(shù)識(shí)別時(shí)，往往要求目標(biāo)函數(shù)符合特定的性質(zhì)，如連 續(xù)，可導(dǎo)等條件。而模擬自然界進(jìn)化規(guī)律的演化算法具有自組織、自適應(yīng)、自學(xué)習(xí)的優(yōu)點(diǎn)， 一般不受問題特性的制約，能夠有效地解決傳統(tǒng)數(shù)學(xué)方法難以求解的水質(zhì)模型參數(shù)識(shí)別問 題。因此，演化算法已廣泛地應(yīng)用于水質(zhì)模型參數(shù)識(shí)別問題中。例如，錢新等在2006年發(fā) 明了一種改進(jìn)的混合遺傳算法優(yōu)化水質(zhì)模型參數(shù)的設(shè)計(jì)方法；高宗強(qiáng)在2006年提出了一 種基于遺傳算法的BOD-DO水質(zhì)模型多參數(shù)識(shí)別的方法；梁婕等在2007年提出了一種基于 變尺度混沌-遺傳算法的復(fù)雜河流水質(zhì)模型參數(shù)識(shí)別方法；袁君等在2009年提出了一種采 用混沌粒子群優(yōu)化算法的水質(zhì)模型參數(shù)識(shí)別方法；張紅菲等在2013年提出了一種應(yīng)用小 生境蟻群算法的BOD-DO水質(zhì)模型參數(shù)識(shí)別方法；劉韻等在2014年提出了一種基于智能優(yōu) 化算法的河流水質(zhì)模型參數(shù)識(shí)別方法。
[0003] 差分演化算法是近年來提出的一種性能優(yōu)越的演化算法，它的結(jié)構(gòu)很簡單，易于 編程實(shí)現(xiàn)，但其求解精度高、魯棒性強(qiáng)。差分演化算法已經(jīng)成功應(yīng)用到了電子、電力、冶金、 建筑和環(huán)境工程等各個(gè)領(lǐng)域。然而在解決一些工程實(shí)踐問題時(shí)，差分演化算法有時(shí)也會(huì)表 現(xiàn)出性能較差的情況，這限制了差分演化算法的廣泛應(yīng)用。為了改進(jìn)傳統(tǒng)差分演化算法的 性能，人們提出了精簡差分演化算，從而使得差分演化算法在解決許多工程實(shí)踐問題時(shí)的 性能得到了一定的提升，但傳統(tǒng)精簡差分演化算法應(yīng)用于水質(zhì)模型參數(shù)識(shí)別時(shí)往往存在著 容易陷入局部最優(yōu)，收斂速度慢，參數(shù)識(shí)別精度不高的缺點(diǎn)。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對(duì)傳統(tǒng)精簡差分演化算法應(yīng)用于水質(zhì)模型參數(shù)識(shí)別時(shí)存在著容易陷入 局部最優(yōu)，收斂速度慢，參數(shù)識(shí)別精度不高的缺點(diǎn)，提出基于反向精簡差分演化算法的水質(zhì) 模型參數(shù)識(shí)別方法，該方法在傳統(tǒng)精簡差分演化算法中引入綜合學(xué)習(xí)策略，利用全局最優(yōu) 個(gè)體以及種群中相對(duì)較優(yōu)個(gè)體的綜合搜索信息生成一個(gè)搜索引導(dǎo)綜合個(gè)體，并以生成的綜 合個(gè)體為導(dǎo)向產(chǎn)生子個(gè)體，以此保持種群的多樣性，減少陷入局部最優(yōu)的概率；同時(shí)根據(jù) 當(dāng)前搜索反饋信息適應(yīng)性地調(diào)整反向?qū)W習(xí)因子，從而將當(dāng)前種群適應(yīng)性地生成一個(gè)反向種 群，并同時(shí)從當(dāng)前種群和反向種群中選擇出較優(yōu)個(gè)體進(jìn)入下一代種群，以此加快算法的收 斂速度；重復(fù)執(zhí)行上述步驟直至滿足終止條件，在計(jì)算過程中得到的最優(yōu)個(gè)體，即為水質(zhì) 模型參數(shù)的識(shí)別結(jié)果；與同類方法相比，本發(fā)明是基于反向精簡差分演化算法的水質(zhì)模型 參數(shù)識(shí)別方法，能夠減少陷入局部最優(yōu)的概率，加快收斂速度，提高水質(zhì)模型參數(shù)識(shí)別的精 度。
[0005] 本發(fā)明的技術(shù)方案：基于反向精簡差分演化算法的水質(zhì)模型參數(shù)識(shí)別方法，包括 以下步驟：
[0006] 步驟1，根據(jù)待研究的水質(zhì)規(guī)律問題的實(shí)際情況選擇合適的水質(zhì)模型，并針對(duì)選擇 的水質(zhì)模型確定待識(shí)別的參數(shù)，以及待識(shí)別參數(shù)的個(gè)數(shù)D ;
[0007] 步驟2，通過現(xiàn)場實(shí)驗(yàn)獲得水質(zhì)模型的樣本數(shù)據(jù)，包括水質(zhì)模型的實(shí)際輸入數(shù)據(jù)以 及對(duì)應(yīng)的實(shí)際輸出值；
[0008] 步驟3,根據(jù)所有現(xiàn)場實(shí)驗(yàn)采集到的樣本數(shù)據(jù)，針對(duì)每一組輸入數(shù)據(jù)，以水質(zhì)模型 的計(jì)算輸出值與樣本數(shù)據(jù)中對(duì)應(yīng)的實(shí)際輸出值之間的誤差平方和作為反向精簡差分演化 算法的適應(yīng)值函數(shù)；
[0009] 步驟4,用戶初始化參數(shù)，所述初始化參數(shù)包括待識(shí)別水質(zhì)模型參數(shù)的個(gè)數(shù)D，種 群大小Popsize，反向?qū)W習(xí)率Po,最大評(píng)價(jià)次數(shù)MAX_FEs ;
[0010] 步驟5,當(dāng)前演化代數(shù)t = 0,并設(shè)置綜合學(xué)習(xí)率Prit = 0. 5,雜交率Crit = 0. 9,其 中下標(biāo)i = 1，· · ·，Popsize,當(dāng)前評(píng)價(jià)次數(shù)FEs = 0 ;
[0011] 步驟6,隨機(jī)產(chǎn)生初始種群/>, = 0丨,f, K , ,其中：下標(biāo)i = 1,... ,Popsize，并且β;'為種群Pt中的第i個(gè)個(gè)體，其隨機(jī)初始化公式為：
[0012] B'：; = La, + rand(0,l) (Up ：i -Loi)
[0013] 其中下標(biāo)j = 1，...，D，并且D表示待識(shí)別水質(zhì)模型參數(shù)的個(gè)數(shù)；β;為在種群Pt 中的第i個(gè)個(gè)體，存儲(chǔ)了 D個(gè)待識(shí)別水質(zhì)模型參數(shù)的值；rand (0, 1)為在[0, 1]之間服從均 勻分布的隨機(jī)實(shí)數(shù)產(chǎn)生函數(shù)，Lc^_和Up^分別為第j個(gè)待識(shí)別水質(zhì)模型參數(shù)的取值范圍的下 界和上界；
[0014] 步驟7,利用所有現(xiàn)場實(shí)驗(yàn)采集到的樣本數(shù)據(jù)，計(jì)算種群Pt中每個(gè)個(gè)體的適應(yīng)值， 其中適應(yīng)值越小表明個(gè)體越優(yōu)秀，計(jì)算適應(yīng)值的方法為：分別將種群P t中每個(gè)個(gè)體所表示 的水質(zhì)模型參數(shù)代入到選擇的水質(zhì)模型中，并對(duì)每一組輸入數(shù)據(jù)，計(jì)算出水質(zhì)模型的理論 輸出值，將所有水質(zhì)模型的理論輸出值與樣本數(shù)據(jù)中對(duì)應(yīng)的實(shí)際輸出值之間的誤差平方和 作為個(gè)體的適應(yīng)值；
[0015] 步驟8,當(dāng)前評(píng)價(jià)次數(shù)FEs = FEs+Popsize，并保存種群Pt中適應(yīng)值最小的個(gè)體為 最優(yōu)個(gè)體Bestt,設(shè)置適應(yīng)性反向?qū)W習(xí)種子uOK = 0. 5 ;
[0016] 步驟9,在[0，1]之間產(chǎn)生一個(gè)隨機(jī)實(shí)數(shù)ra ;
[0017] 步驟10,如果ra小于反向?qū)W習(xí)率Po,則轉(zhuǎn)到步驟11，否則轉(zhuǎn)到步驟14 ;
[0018] 步驟11,執(zhí)行適應(yīng)性反向?qū)W習(xí)策略,對(duì)種群Pt產(chǎn)生一個(gè)適應(yīng)性反向種群OPt,并從 種群P t和適應(yīng)性反向種群OPt中選擇出最優(yōu)的前Popsize個(gè)個(gè)體進(jìn)入下一代種群Pt+1，其步 驟如下：
[0019] 步驟11. 1，設(shè)置成功反向?qū)W習(xí)因子列表SKList為空，并令適應(yīng)性反向種群OPt為 空；
[0020] 步驟11. 2,按以下公式計(jì)算種群Pt在每一維上的下界LAj以及上界UBj :
[0021] LAj = rnir^fi；^.)
[0022] UBj = max(fi；;)
[0023] 其中個(gè)體下標(biāo)i = 1，· · ·，Popsize，維數(shù)下標(biāo)j = 1，· · ·，D，min為取最小值函數(shù)， max為取最大值函數(shù)；
[0024] 步驟11. 3,令計(jì)數(shù)器i = 1 ;
[0025] 步驟11. 4,如果計(jì)數(shù)器i大于種群大小Popsize，則轉(zhuǎn)到步驟11. 15,否則轉(zhuǎn)到步驟 11. 5 ；
[0026] 步驟11. 5,以適應(yīng)性反向?qū)W習(xí)種子UOK為期望，0. 1為標(biāo)準(zhǔn)差產(chǎn)生一個(gè)服從正態(tài)分 布的隨機(jī)實(shí)數(shù)Vk ;當(dāng)Vk的值超出了 [0, 1]之間的范圍，則采用同樣的方法重新產(chǎn)生Vk，直 到Vk的值不超出[0，1]之間的范圍，然后令適應(yīng)性反向?qū)W習(xí)因子OK = Vk;
[0027] 步驟11. 6,令個(gè)體5丨的適應(yīng)性反向個(gè)體撕/:=化；
[0028] 步驟11. 7,令計(jì)數(shù)器j = 1 ;
[0029] 步驟11. 8,如果計(jì)數(shù)器j大于D，則轉(zhuǎn)到步驟11. 11，否則轉(zhuǎn)到步驟11. 9 ;
[0030] 步驟 IL 9, =(乙/?, + ?/5,) _ C從-β;.,;
[0031] 步驟11. 10,令計(jì)數(shù)器j = j+1，轉(zhuǎn)到步驟11. 8 ;
[0032] 步驟11. 11，計(jì)算適應(yīng)性反向個(gè)體撕)的適應(yīng)值，并把適應(yīng)性反向個(gè)體Ofi/添加到 適應(yīng)性反向種群OPt中；
[0033] 步驟11. 12,如果適應(yīng)性反向個(gè)體OS:的適應(yīng)值小于個(gè)體#的適應(yīng)值，則將OK加 入到成功反向?qū)W習(xí)因子列表SKList中；
[0034] 步驟11. 13,令計(jì)數(shù)器i = i+Ι ;
[0035] 步驟11. 14,轉(zhuǎn)到步驟11. 4 ;
[0036] 步驟11. 15,從種群Pt和適應(yīng)性反向種群OPt中選擇出最優(yōu)的前Popsize個(gè)個(gè)體 進(jìn)入下一代種群P t+1 ;
[0037] 步驟11. 16,計(jì)算成功反向?qū)W習(xí)因子列表SKList中所有存儲(chǔ)數(shù)值的平均值 MeanOK，并計(jì)算適應(yīng)性反向?qū)W習(xí)種子uOK = 0. 9 · u0K+0. 1 · MeanOK ;
[0038] 步驟12,當(dāng)前評(píng)價(jià)次數(shù)FEs = FEs+Popsize，保存種群Pt中適應(yīng)值最小的個(gè)體為 最優(yōu)個(gè)體Bestt,當(dāng)前演化代數(shù)t = t+Ι ;
[0039] 步驟13,轉(zhuǎn)到步驟9;
[0040] 步驟14,令計(jì)數(shù)器i = 1 ;
[0041] 步驟15,如果計(jì)數(shù)器i大于種群大小Popsize，則轉(zhuǎn)到步驟23,否則轉(zhuǎn)到步驟16 ;
[0042] 步驟16,計(jì)算個(gè)體W的當(dāng)前雜交率NCAt和當(dāng)前綜合學(xué)習(xí)率NPriS計(jì)算公式如下：
[0043]
[0044]

【權(quán)利要求】
1.基于反向精簡差分演化算法的水質(zhì)模型參數(shù)識(shí)別方法，其特征在于，包括以下步 驟： 步驟1，根據(jù)待研究的水質(zhì)規(guī)律問題的實(shí)際情況選擇合適的水質(zhì)模型，并針對(duì)選擇的水 質(zhì)模型確定待識(shí)別的參數(shù)，以及待識(shí)別參數(shù)的個(gè)數(shù)D; 步驟2,通過現(xiàn)場實(shí)驗(yàn)獲得水質(zhì)模型的樣本數(shù)據(jù)，包括水質(zhì)模型的實(shí)際輸入數(shù)據(jù)以及對(duì) 應(yīng)的實(shí)際輸出值； 步驟3,根據(jù)所有現(xiàn)場實(shí)驗(yàn)采集到的樣本數(shù)據(jù)，針對(duì)每一組輸入數(shù)據(jù)，以水質(zhì)模型的計(jì) 算輸出值與樣本數(shù)據(jù)中對(duì)應(yīng)的實(shí)際輸出值之間的誤差平方和作為反向精簡差分演化算法 的適應(yīng)值函數(shù)； 步驟4,用戶初始化參數(shù)，所述初始化參數(shù)包括待識(shí)別水質(zhì)模型參數(shù)的個(gè)數(shù)D，種群大 小Popsize，反向?qū)W習(xí)率Po,最大評(píng)價(jià)次數(shù)MAX_FEs; 步驟5,當(dāng)前演化代數(shù)t= 0,并設(shè)置綜合學(xué)習(xí)率Pr/二0.5，雜交率Cr/ = 0.9，其中下 標(biāo)i= 1，· · ·，Popsize,當(dāng)前評(píng)價(jià)次數(shù)FEs= 0 ; 步驟6,隨機(jī)產(chǎn)生初始種群Pi = 其中：下標(biāo)i= I,. . . ,Popsize，并且巧為種群Pt中的第i個(gè)個(gè)體，其隨機(jī)初始化公式為： B', =Lot +rand(0,l) [Upj -Loj) 其中下標(biāo)j= 1，. ..，D，并且D表示待識(shí)別水質(zhì)模型參數(shù)的個(gè)數(shù)；5/為在種群Pt中的 第i個(gè)個(gè)體，存儲(chǔ)了D個(gè)待識(shí)別水質(zhì)模型參數(shù)的值；rand(0, 1)為在[0, 1]之間服從均勻分 布的隨機(jī)實(shí)數(shù)產(chǎn)生函數(shù)，Lc^_和Up^分別為第j個(gè)待識(shí)別水質(zhì)模型參數(shù)的取值范圍的下界和 上界； 步驟7,利用所有現(xiàn)場實(shí)驗(yàn)采集到的樣本數(shù)據(jù)，計(jì)算種群Pt中每個(gè)個(gè)體的適應(yīng)值，其中 適應(yīng)值越小表明個(gè)體越優(yōu)秀，計(jì)算適應(yīng)值的方法為：分別將種群Pt中每個(gè)個(gè)體所表示的水 質(zhì)模型參數(shù)代入到選擇的水質(zhì)模型中，并對(duì)每一組輸入數(shù)據(jù)，計(jì)算出水質(zhì)模型的理論輸出 值，將所有水質(zhì)模型的理論輸出值與樣本數(shù)據(jù)中對(duì)應(yīng)的實(shí)際輸出值之間的誤差平方和作為 個(gè)體的適應(yīng)值； 步驟8,當(dāng)前評(píng)價(jià)次數(shù)FEs=FEs+Popsize，并保存種群Pt中適應(yīng)值最小的個(gè)體為最優(yōu) 個(gè)體Bestt,設(shè)置適應(yīng)性反向?qū)W習(xí)種子uOK= 0. 5 ; 步驟9,在[0，1]之間產(chǎn)生一個(gè)隨機(jī)實(shí)數(shù)ra; 步驟10,如果ra小于反向?qū)W習(xí)率Po,則轉(zhuǎn)到步驟11，否則轉(zhuǎn)到步驟14 ; 步驟11，執(zhí)行適應(yīng)性反向?qū)W習(xí)策略，對(duì)種群Pt產(chǎn)生一個(gè)適應(yīng)性反向種群OPt,并從種群Pt和適應(yīng)性反向種群OPt中選擇出最優(yōu)的前Popsize個(gè)個(gè)體進(jìn)入下一代種群Pt+1，其步驟如 下： 步驟11. 1，設(shè)置成功反向?qū)W習(xí)因子列表SKList為空，并令適應(yīng)性反向種群OPt為空； 步驟11. 2,按以下公式計(jì)算種群Pt在每一維上的下界LAj以及上界UBj : LA. =min( 5i.) jv UBt =max(B'j) 其中個(gè)體下標(biāo)i= 1，. . .，Popsize，維數(shù)下標(biāo)j= 1，. . .，D，min為取最小值函數(shù)，max為取最大值函數(shù)； 步驟11.3,令計(jì)數(shù)器i= 1 ; 步驟11. 4,如果計(jì)數(shù)器i大于種群大小Popsize，則轉(zhuǎn)到步驟11. 15,否則轉(zhuǎn)到步驟 11. 5 ； 步驟11. 5,以適應(yīng)性反向?qū)W習(xí)種子uOK為期望，0. 1為標(biāo)準(zhǔn)差產(chǎn)生一個(gè)服從正態(tài)分布的 隨機(jī)實(shí)數(shù)Vk;當(dāng)Vk的值超出了 [0, 1]之間的范圍，則采用同樣的方法重新產(chǎn)生Vk，直到Vk 的值不超出[〇, 1]之間的范圍，然后令適應(yīng)性反向?qū)W習(xí)因子OK=Vk; 步驟11. 6,令個(gè)體g的適應(yīng)性反向個(gè)體?.叱=K; 步驟11. 7,令計(jì)數(shù)器j= 1 ; 步驟11. 8,如果計(jì)數(shù)器j大于D，則轉(zhuǎn)到步驟11. 11，否則轉(zhuǎn)到步驟11. 9 ; 步驟IL 9，OB= (U, + υβ,). OK -步驟11. 10,令計(jì)數(shù)器j=j+1，轉(zhuǎn)到步驟11. 8 ; 步驟11. 11，計(jì)算適應(yīng)性反向個(gè)體05丨的適應(yīng)值，并把適應(yīng)性反向個(gè)體05/添加到適 應(yīng)性反向種群OPt中； 步驟11. 12,如果適應(yīng)性反向個(gè)體<95丨的適應(yīng)值小于個(gè)體5丨的適應(yīng)值，則將OK加入到 成功反向?qū)W習(xí)因子列表SKList中； 步驟11. 13,令計(jì)數(shù)器i=i+Ι; 步驟11. 14,轉(zhuǎn)到步驟11. 4 ; 步驟11. 15,從種群Pt和適應(yīng)性反向種群OPt中選擇出最優(yōu)的前Popsize個(gè)個(gè)體進(jìn)入 下一代種群Pt+1 ; 步驟11. 16,計(jì)算成功反向?qū)W習(xí)因子列表SKList中所有存儲(chǔ)數(shù)值的平均值MeanOK，并 計(jì)算適應(yīng)性反向?qū)W習(xí)種子uOK= 0. 9 ·uOK+O. 1 ·MeanOK; 步驟12,當(dāng)前評(píng)價(jià)次數(shù)FEs=FEs+Popsize，保存種群Pt中適應(yīng)值最小的個(gè)體為最優(yōu) 個(gè)體Bestt,當(dāng)前演化代數(shù)t=t+Ι; 步驟13,轉(zhuǎn)到步驟9 ; 步驟14,令計(jì)數(shù)器i= 1 ; 步驟15,如果計(jì)數(shù)器i大于種群大小Popsize，則轉(zhuǎn)到步驟23,否則轉(zhuǎn)到步驟16 ; 步驟16,計(jì)算個(gè)體和的當(dāng)前雜交率NCrJ和當(dāng)前綜合學(xué)習(xí)率NPrJ，計(jì)算公式如下：
其中rl和r2均為在LU, 1」么叫旭機(jī)廣土tf」頭m; 步驟17,根據(jù)個(gè)體< 的當(dāng)前綜合學(xué)習(xí)率NPriS對(duì)個(gè)體^產(chǎn)生一個(gè)綜合學(xué)習(xí)個(gè)體￡/，其 步驟如下： 步驟17. 1，令計(jì)數(shù)器j=I; 步驟17. 2,如果計(jì)數(shù)器j大于D，則轉(zhuǎn)到步驟18,否則轉(zhuǎn)到步驟17. 3 ; 步驟17. 3,在[0，1]之間產(chǎn)生一個(gè)隨機(jī)實(shí)數(shù)r3 ;如果r3小于個(gè)體^的當(dāng)前綜合學(xué)習(xí) 率NPV則轉(zhuǎn)到步驟17. 7,否則轉(zhuǎn)到步驟17. 4 ; 步驟17.4,在[1，Popsize]之間隨機(jī)產(chǎn)生兩個(gè)不相等的正整數(shù)RI1，RI2 ; 步驟17. 5,如果個(gè)體的適應(yīng)值小于個(gè)體5。的適應(yīng)值，則^ = ;，否則 ElI=BtRI2J； 步驟17. 6,令計(jì)數(shù)器j=j+Ι，轉(zhuǎn)到步驟17. 2 ; 步驟17. 7,五G=價(jià)、，/;.，j=j+1，轉(zhuǎn)到步驟17· 2 ; 步驟18,以iVCr/為個(gè)體S)的當(dāng)前雜交率，采用高斯隨機(jī)采樣方法產(chǎn)生個(gè)體的試驗(yàn) 個(gè)體V)，并計(jì)算試驗(yàn)個(gè)體的適應(yīng)值，具體步驟如下： 步驟18. 1，令計(jì)數(shù)器j=l; 步驟18. 2,在[1，D]之間隨機(jī)產(chǎn)生一個(gè)正整數(shù)jRand; 步驟18. 3,如果計(jì)數(shù)器j大于D，則轉(zhuǎn)到步驟18. 8,否則轉(zhuǎn)到步驟18. 4 ; 步驟18.4,在[0，1]之間產(chǎn)生一個(gè)隨機(jī)實(shí)數(shù)r4,如果r4小于個(gè)體< 的當(dāng)前雜交率NCi^或者jRand等于計(jì)數(shù)器j，則轉(zhuǎn)到步驟18. 5,否則轉(zhuǎn)到步驟18. 6 ; 步驟18. 5,以《 = (5,。+€.)/2.0為期望，σ= -五丨j為標(biāo)準(zhǔn)差產(chǎn)生一個(gè)服從正態(tài) 分布的隨機(jī)實(shí)數(shù)Vg;如果Vg的值超出了 [L%Up」之間的范圍，則采用同樣的方法重新產(chǎn) 生Vg，直到Vg的值不超出[L〇j，Upj]之間的范圍，然后V丨，=^，轉(zhuǎn)到步驟18. 7 ; 步驟 =5丨； 步驟18. 7,令計(jì)數(shù)器j=j+1，轉(zhuǎn)到步驟18. 3 ; 步驟18. 8,計(jì)算試驗(yàn)個(gè)體丨的適應(yīng)值，轉(zhuǎn)到步驟19 ; 步驟19,按以下公式在個(gè)體<與試驗(yàn)個(gè)體i/丨之間選擇出個(gè)體進(jìn)入下一代種群：
步驟20,按以下公式更新個(gè)體5丨的雜交率Cr/和綜合學(xué)習(xí)率Pr/ :
步驟21，令計(jì)數(shù)器i=i+Ι; 步驟22,轉(zhuǎn)到步驟15 ; 步驟23,當(dāng)前評(píng)價(jià)次數(shù)FEs=FEs+Popsize;保存種群Pt中適應(yīng)值最小的個(gè)體為最優(yōu) 個(gè)體Bestt,當(dāng)前演化代數(shù)t=t+Ι; 步驟24,轉(zhuǎn)到步驟9 ; 步驟25,重復(fù)步驟9至步驟24直至當(dāng)前評(píng)價(jià)次數(shù)FEs達(dá)到MAX_FEs后結(jié)束，執(zhí)行過程 中得到的最優(yōu)個(gè)體Bestt即為水質(zhì)模型參數(shù)的識(shí)別結(jié)果。
【文檔編號(hào)】G06F19/00GK104462759SQ201410612413
【公開日】2015年3月25日 申請(qǐng)日期:2014年11月4日 優(yōu)先權(quán)日:2014年11月4日
【發(fā)明者】郭肇祿, 黃海霞, 岳雪芝, 張尚中, 謝霖銓, 尹寶勇, 李康順 申請(qǐng)人:江西理工大學(xué)