基于自適應(yīng)遞階遺傳算法的洪水預(yù)報(bào)模型

?????? 基于遞階結(jié)構(gòu)的遺傳算法可以同時(shí)對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)優(yōu)化和權(quán)重求解。采用收縮解空間的方法可以有效提高算法的收斂速度和精度。采用先進(jìn)行自適應(yīng)遞階遺傳算法獲得最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，再用BP 算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并應(yīng)用于洪水預(yù)報(bào)模型，可以獲得較高的精度。
關(guān)鍵詞：遞階遺傳算法；解空間；自適應(yīng)；模型精度
????? 我國(guó)是洪水災(zāi)害頻繁發(fā)生的國(guó)家之一，進(jìn)行洪水預(yù)報(bào)是提高對(duì)洪水的防御能力與減輕洪水災(zāi)害的有效途徑。洪水徑流形成機(jī)制十分復(fù)雜，受產(chǎn)生暴雨的氣候動(dòng)力因子(如降水等)、流域的地形地貌、人類活動(dòng)的變化以及全球氣候變化等多種因素的影響。這些因素的共同作用使得流域的水文情勢(shì)時(shí)空變化成為一個(gè)十分復(fù)雜的非線性過程。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡(jiǎn)稱ANN)是一種非常優(yōu)越的非線性函數(shù)逼近方法,在水文過程模擬和預(yù)報(bào)中顯示出比傳統(tǒng)洪水預(yù)報(bào)方法更為有效的特點(diǎn)。
?????? 很多研究者對(duì)基于遺傳算法的BP網(wǎng)絡(luò)進(jìn)行研究，形成兩個(gè)相對(duì)獨(dú)立的領(lǐng)域：①采用遺傳算法優(yōu)化BP網(wǎng)絡(luò)結(jié)構(gòu)；②采用遺傳算法優(yōu)化網(wǎng)絡(luò)初始權(quán)值。本文提出一種自適應(yīng)的遞階遺傳算法，可以同時(shí)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)優(yōu)化和權(quán)重求解。針對(duì)遺傳算法局部尋優(yōu)能力不足的缺點(diǎn)，對(duì)有約束的染色體參數(shù)基因（如隱層神經(jīng)元數(shù)、學(xué)習(xí)率、訓(xùn)練次數(shù)等）取值空間進(jìn)行自適應(yīng)的解空間收縮方法，對(duì)無約束的參數(shù)基因（如網(wǎng)絡(luò)權(quán)值和閾值）先用遞階遺傳算法求出初始權(quán)值和閾值，再對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用BP算法局部尋優(yōu)能力強(qiáng)的特點(diǎn)，得到網(wǎng)絡(luò)的最優(yōu)解。模型試驗(yàn)證明，有效提高了學(xué)習(xí)效率，預(yù)報(bào)精度也有所提高。