重金属形态预测建模中GEP算法的应用研究

摘要

城市生活垃圾焚烧底灰中重金属在填埋场中经历长期复杂的物理和化学反应，不断发生形态变化和迁移，对周围环境形成持续的潜在风险。由于重金属的形态决定了重金属在环境中的迁移转化行为，因此一些研究人员利用化学提取法、模型计算法以及仪器检测等方法来分析重金属在环境中的化学形态，并以此来诠释重金属在环境中的迁移转化规律，从而减小城市生活垃圾焚烧技术所带来的二次污染危害。然而，由于重金属形态的变化过程复杂且影响因素较多，从而导致以上几种方法存在研究结果不准确以及研究内容不全面等缺陷，加上现场调研数据有限以及实验室模拟试验成本高，从而给研究重金属在环境中的化学形态带来了不可逾越的困难。因此，本文旨在建立一个重金属形态预测模型，获取表征重金属在填埋场中长期迁移转化行为的数据，为研究重金属的长期迁移转化机理提供基础。随着计算机科学技术的发展，越来越多的研究者开始将人工智能类算法应用到预测模型的建立中。基因表达式编程(Gene Expression Programming，GEP)是近几年逐渐发展起来的一种新型的用于数学建模的人工智能方法，它在解决函数发现、分类分析以及时间序列分析等问题方面表现出优良的性能，适用于解决时间序列的预测问题。因此，本文主要研究GEP算法在建立重金属形态预测模型中的应用。
　　本文首先通过与其他进化算法进行比较，来突出GEP算法在解决复杂问题方面的主要优势和特点，然后又详细介绍了GEP算法中的基本组成要素及其进化过程。然而，尽管与其他进化算法相比而言，GEP算法具有较快的进化速度以及较高的计算精度，但它本身仍然面临着容易陷入局部收敛以及迭代计算时间长等缺陷，进而影响其解决复杂问题的能力。因此，为了改善这种情况，本文分别从适应度函数和遗传操作两个方面对GEP算法进行了针对性的改进，并利用改进后的GEP算法来分析已有的时间序列数据，建立重金属形态预测模型，用来预测重金属形态在未来时间点的变化数据。由于本文已有试验数据是一个简单的时间序列，直接利用该数据所建立的预测模型，难以准确地预测填埋场中重金属形态随未来时间变化的数据。因此，为了进一步提高预测精度，本文又将滑动窗口预测法(Sliding Window PredictionMethod，SWPM)引入到预测模型的建立中，与改进GEP算法相结合构成GEP滑动窗口预测法(GEP-SWPM)，对已有试验数据进行相空间重构，从而建立一个多维的重金属形态预测模型。最后分别利用标准GEP算法、改进GEP算法以及GEP-SWPM算法建立预测模型，来预测重金属形态在填埋场中的未来变化数据。实验仿真结果表明，与前两者相比而言，GEP-SWPM算法在建模效率和预测精度上都有了很大的提高，更适合于重金属形态变化的预测，有利于发现重金属形态随时间变化的规律，从而为研究重金属的长期迁移转化机理提供了良好的数据基础。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 研究内容及组织结构

1．4 本章小结

第2章 基因表达式编程概述

2．1 GEP算法的主要特点

2．2 GEP算法的基本要素

2．2．1 基因和表达式树

2．2．2 多基因染色体

2．3 GEP算法的进化过程

2．3．1 种群初始化

2．3．2 个体评价

2．3．3 遗传操作

2．4 本章小结

第3章 GEP算法的改进性研究

3．1 GEP算法的局限性

3．2 适应度函数的改进

3．3 遗传操作的改进

3．3．1 变异位置的改进

3．3．2 变异概率的改进

3．4 实例验证

3．4．1 参数设置

3．4．2 函数发现

3．4．3 结果分析

3．5 本章小结

第4章 GEP滑动窗口预测法

4．1 时间序列分析

4．2 滑动窗口预测法

4．3 GEP-SWPM算法

4．4 本章小结

第5章 基于GEP算法建立重金属形态预测模型

5．1 预测目标的选定

5．2 建模方案的确立

5．3 评价指标的选择

5．3．1 拟合优良度评价指标

5．3．2 短期预测能力评价指标

5．4 模型的建立与仿真

5．4．1 样本定义

5．4．2 参数设置

5．4．3 建模与仿真

5．5 模型性能的评价

5．5．1 模型拟合优良度的评价

5．5．2 模型短期预测能力的评价

5．6 算法的比较与分析

5．7 本章小结

总结与展望

致谢

参考文献

作者简介

攻读硕士期间发表的论文和科研成果