粒子群优化算法在可预报性问题中的应用

摘要

为了评价在强非线性影响下粒子群优化(PSO)算法解决可预报性问题的性能,借助二维Ikeda模式,基于传统伴随(ADJ)方法和PSO求取的条件非线性最优扰动(CNOP)方法,即ADJ-CNOP和PSOCNOP方法,研究了最大预报误差的上界和最大允许初始误差的下界的精度问题。数值试验的统计分析结果显示:不论在初始误差较大还是预报时间较长的情况下,PSO-CNOP方法都能有效捕捉全局CNOP,给出最大预报误差的上界和最大允许初始误差的下界的精确估计;由于强非线性的影响,ADJ-CNOP方法会以较大概率获得局部CNOP,从而影响可预报性问题研究中相关估计的精度。实验结果表明,PSO算法具有优良的性能,能有效克服动力模式的强非线性特征带来的影响,值得在可预报性问题中进一步研究和应用。