遗传算法与BP模型的改进及其在水资源工程中的应用

摘要

在水资源系统工程中,存在诸多非线性、多维组合优化问题.解决这些问题的传统方法多采用解析法和穷举法,但这些方法都存在不同程度的缺点.该论文的目的旨在寻求出能够解决这些问题的更有效,更方便的方法.遗传算法(Genetic Algorithm,abbreviated:GA)是一种全局优化方法,该论文在前人研究基础上,对遗传算法进行了改进,建立了基于实数编码的加速算法.并在天然河道水面线计算、溢流坝下游断面水深计算、频率曲线分析、分区给水系统等水利工程问题中得以应用,证明该算法是一种性能优越,使用方便的全局优化方法.另外,水利工程中涉及到许多预测、分类、评价等问题,恰好这类问题往往也存在多维、非线性的、实测数据信息不完整等特征,很难建立准确的数学模型来解决.人工神经网络模型(Artificial Neural Net,abbreviated:ANN)是一种具有自组织学习、联想记忆功能的信息处理系统.该文把模拟退火算法(Simulated Annealing algorithm,abbreviated:SA)融入到误差反向传播(Error back Propagation,abbreviated:BP)的人工神经网络模型中,对BP网络模型进行了改进,形成了一种基于模拟退火算法的BP神经网络模型((简记,SABP).并将其应用到实际工程当中,结果表明基于模拟退火算法的BP神经网络模型比传统改进的BP网络模型在计算精度、运行速度方面均有很大的提高.为了能进一步地提高BP网络的性能,该文尝试将基于实数编码的加速遗传算法与其耦合,形成了基于实数编码的加速遗传算法和模拟火算法的BP网络(简记,RAGASABP).经过在洪灾损失预报、作物-水模型、作物需水量的计算、地下水位动态变化预测和水质评价中实际应用,证明基于实数编码的加速遗传算法和模拟火算法的BP网络具有很强的非线性映射能力和分类、评价能力.最后,得出结论,认为RAGA(Real coded Accelerating Genetic Algorithm)和RAGASABP(Error back Propagation based on RAGA and SA)能够较好地解决很多水资源工程中的具体问题.

目录

文摘

英文文摘

1引言

1.1立题依据

1.2研究目的及意义

1.3国内外研究趋势与动态

1.3.1遗传算法的研究动态

1.3.2神经网络的研究动态

1.3.3两者耦合在水资源工程中的应用

1.4主要研究内容、方法与技术路线

1.4.1遗传算法的研究

1.4.2神经网络的研究

1.4.3基于实码加速遗传算法的BP网络的研究

1.4.4技术路线

2遗传算法的原理及其改进

2.1遗传算法简介

2.2遗传算法可行的改进措施

2.2.1控制参数的设置

2.2.2编码方式的改进

2.2.3选择算子的改进

2.2.4杂交算子的改进

2.2.5算法终止条件的改进

2.2.6改进父代替换方式

2.3改进的基于实数编码的加速遗传算法

2.3.1算法的计算原理

2.3.2算法的测试

2.3.3 RAGA在水资源工程中的应用

3人工神经网络模型原理

3.1人工神经网络的系统设计

3.1.1人工神经网络的基本知识

3.1.2人工神经网络的拓扑结构

3.2 BP学习算法

3.2.1 BP算法网络误差的确定和权值的调整

3.2.2 BP算法的反向传播流程

3.2.3 BP算法的限制与不足

3.2.4 BP算法的改进

3.2.5 SABP算法的应用

3.2.6 RAGASABP模型的建模步骤简介

4 RAGSABP在水资源工程中的应用

4.1在洪水对水稻易损性分析中的应用

4.2在作物—水模型中应用

4.3在作物需水量方面的应用

4.4在地下水位动态变化预测中的应用

4.5在水质评价中的应用

5结论

参考文献

附 录

攻读学位期间发表的学术论文

致 谢