中尺度模式遗传算法同化系统及同化试验研究

摘要

本文对中尺度模式遗传算法同化系统及同化进行了试验研究。文章将基于遗传算法的同化系统与伴随模式的同化效果进行了比较，以此检验遗传算法同化系统的同化能力；在MM5模式中加入不同的观测资料，观察各种观测资料对于提高模拟效果的重要性，并将提高最大的观测资料进行了同化前后的对比；在基于遗传算法的同化系统中同化不同的模式变量来研究同化不同模式变量的差异；最后选取不同的权重系数和尺度因子进行同化效果的对比。研究发现：基于遗传算法的同化系统在本文个例中表现出比伴随模式更好的同化能力；加入观测资料进行模拟时，经过同化后的模拟效果优于直接加入的，显示了同化的必要性；权重系数和尺度因子对于同化系统的同化性能有非常重要的影响。

目录

文摘

英文文摘

学位论文独创性声明及使用授权声明

第一章引言

1.1四维变分同化的研究进展

1.2遗传算法的发展与现状

1.3本文的研究内容

第二章资料同化简介

2.1资料同化的理论基础

2.1.1数值预报中的向前积分问题

2.1.2实际天气预报模式中的反问题

2.1.3预报模式中向前问题与反问题的实质

2.1.4反问题理论

2.2四维变分资料同化

2.2.1变分同化的基本原理

2.2.2下降算法

2.2.3适应度函数

第三章遗传算法简介

3.1遗传算法的生物学基础

3.2算法特征

3.3遗传算法概要

3.3.2遗传算法的运算过程

3.3.3遗传算法的搜索特点

3.3.4遗传算法的应用步骤

第四章遗传算法在MM5中的实现

4.1伴随变分同化的局限性和遗传算法的可行性

4.2遗传算法的基本实现技术

4.2.1参数编码

4.2.2群体的设定

4.2.3适应度函数

4.2.4遗传操作算子

4.3自适应交叉概率和变异概率

4.4混合遗传算法

4.5并行遗传算法

第五章数值实验

5.1 GA同化与伴随同化的比较

5.2 GA同化系统同化常规资料和非常规资料

5.3 GA同化系统中同化不同变量的效果的比较

5.4权重系数和尺度因子对同化效果的影响

第六章结论与展望

参考文献

附图（一）

附图（二）

致谢