基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優化及預測方法技術

本發明專利技術公開了一種基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優化及預測方法，包括步驟一、構建水華生成機理時變模型；步驟二、建立影響因素函數模型庫；步驟三、基于遺傳算法優化水華生成機理時變模型參數；步驟四、基于禁忌搜索算法優化水華生成機理時變模型結構及影響因素分析；步驟五、最優水華生成機理時變模型預測；本發明專利技術對水華生成機理模型引入時間變量，建立水華生成機理時變模型，使其不僅適用于模擬水華生成過程，且可用于水華預測，解決基于數據驅動模型的水華預測不夠準確而機理驅動模型無法進行水華預測的問題。

【技術實現步驟摘要】
水華機理時變模型的禁忌搜索及遺傳算法優化預測方法
本專利技術涉及一種湖庫藻類水華生成機理時變模型優化及水華預測方法，屬于環境工程

技術介紹
隨著經濟社會的發展，水體富營養化已經成為一個全球性的重大水環境問題。隨著全球水體富營養化的加劇，湖泊發生水華現象也越來越普遍。水華的暴發，破壞了水體中的生物多樣性，嚴重制約了經濟建設和社會發展。因此，深入研究藻類水華生成過程，對藻類水華暴發這一非常規突發事件進行有效模擬和預測，對促進水環境保護和技術進步具有重要意義。目前水華生成過程建模研究主要包括機理驅動模型和數據驅動模型。機理驅動模型包含生態變量和待定參數，通過描述水華生成機理過程進行機理建模；而數據驅動模型采用數據挖掘技術，從大量的實測數據中通過智能算法搜索隱藏于其中的相關信息，尤其適用于機理不明確的高維非線性系統。上述兩類建模方法各有所長，但機理驅動模型多是針對湖庫水體的環境、化學、物理及營養因素與水華生成的作用機理方面展開研究，建模過程復雜且模型結構固定，難以保證模型的環境適應性；而基于數據驅動的分析模型缺乏機理支撐，無法合理解釋各種影響因素與水華生成的因果關系，難以保證模型的準確性。在機理驅動模型的基礎上，采用數據驅動模型的智能算法對其進行優化可實現兩種模型的優勢互補。機理模型的優化可分為模型結構的優化和模型參數的優化兩個方向。現有機理模型優化方法多是針對模型參數的優化，即模型結構固定不變，僅優化模型參數，而很少有針對模型結構的優化。然而僅優化模型參數，模型的環境適應性并不能得到大幅提高，當水體環境與模型結構不匹配時，其模型準確性也無從談起，因此需對模型結構和模型參數均進行優化。在對水華預測的研究中，現有的水華預測方法大多基于數據驅動模型，存在預測結果不夠準確的問題。而在現有水華生成過程的機理驅動模型研究中，所建的水華生成機理模型大多沒有引入時間變量，由于水華生成過程是一個具有時變特性的動態過程，因此現有水華生成機理模型僅適用于模擬水華生成過程，而難以將其用于水華預測。因此，如何建立一個環境適應性高且能夠用于水華預測的水華生成機理模型，需綜合考慮對水華生成機理模型引入時間變量后其模型結構優化和模型參數優化的方法，是湖庫藻類水華研究領域中亟待解決的問題。
技術實現思路
本專利技術的目的是為了解決現有的水華生成機理模型環境適應性不高以及無法用于水華預測的問題，對水華生成機理模型引入時間變量，并基于禁忌搜索和遺傳算法對水華生成機理時變模型進行模型結構優化和模型參數優化，以提高模型的環境適應性及準確性，并實現基于水華生成機理時變模型的水華預測。本專利技術提供的基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優化及預測方法，主要包括以下五個步驟：步驟一、構建水華生成機理時變模型；葉綠素是表征水體中藻類現存量的最直接指標，可采用葉綠素作為反映藻類水華生成的表征因素。葉綠素的變化率與葉綠素的生長率、死亡率以及凈損失率密切相關，其中葉綠素生長率由水溫、總磷、總氮和溶解氧等水華影響因素決定，考慮到葉綠素生長率、葉綠素含量及葉綠素死亡率的隨時間變化的特點，對葉綠素變化率、葉綠素含量及葉綠素死亡率構建帶有時間函數的水華生成機理時變模型。步驟二、建立影響因素函數模型庫；不同環境下水華影響因素對水華生成機理影響的效果不同，為建立適應不同環境下的水華生成機理時變模型，需構建水華影響因素的函數模型庫。考慮到影響因素的隨時間變化的特點，函數模型庫分為兩部分，一部分是反映影響因素與時間關系的時間函數模型庫，另一部分是反映影響因素與葉綠素生長率關系的作用函數模型庫。之后，為每個影響因素從函數模型庫中隨機選取一個時間函數模型和一個作用函數模型作為水華生成機理時變模型結構的初始解。步驟三、基于遺傳算法優化水華生成機理時變模型參數；對已確定模型結構的水華生成機理時變模型進行參數優化。水華生成機理時變模型參數優化分為兩個部分，即首先對影響因素時間函數模型參數采用最小二乘法進行優化，再對水華生成機理時變模型中(除影響因素時間函數模型參數以外)其余參數采用遺傳算法進行優化。步驟四、基于禁忌搜索算法優化水華生成機理時變模型結構及影響因素分析；建立水華生成機理時變模型需要確定最優模型的結構，即在函數模型庫中搜索影響因素的時間函數模型和作用函數模型的最優組合，以提高對水華生成機理描述的準確性和環境適應性。本專利技術采用禁忌搜索算法實現水華生成機理時變模型結構的優化。此外，通過對水華生成機理時變模型結構的優化，可實現對水華影響因素種類的取舍，即水華影響因素分析。步驟五、最優水華生成機理時變模型預測；對由葉綠素變化率表示的最優水華生成機理時變模型，將其視為齊次微分方程，根據該齊次微分方程的解，得到由葉綠素含量表示的最優水華生成機理時變模型的預測公式。本專利技術的優點在于：1、本專利技術對水華生成機理模型引入時間變量，建立水華生成機理時變模型，使其不僅適用于模擬水華生成過程，且可用于水華預測，解決基于數據驅動模型的水華預測不夠準確而機理驅動模型無法進行水華預測的問題。2、本專利技術對水華生成機理時變模型進行模型結構優化和模型參數優化，提高模型的環境適應性和準確性。3、本專利技術將水華影響因素函數模型庫分為時間函數模型庫和作用函數模型庫，使模型結構的分類更符合實際，對葉綠素生長率隨時間變化的描述更準確。4、本專利技術將常數模型加入到影響因素函數模型庫中，通過對水華生成機理時變模型結構的優化，可實現對水華影響因素種類的取舍，即水華影響因素分析。5、本專利技術采用禁忌搜索算法對水華生成機理時變模型進行模型結構優化，可大幅提高搜索速度，并增加獲得模型結構全局最優解的概率。6、本專利技術針對模型參數較少的影響因素時間函數模型采用最小二乘法進行模型參數優化，使得模型參數優化速度快，計算存儲量小。7、本專利技術針對水華生成機理時變模型除影響因素時間函數模型外的其余參數采用遺傳算法進行模型參數優化，可對多個模型參數同時優化，并且優化速度快，易得到模型參數的全局最優解。附圖說明圖1是本專利技術基于禁忌搜索和遺傳算法的湖庫藻類水華生成機理時變模型優化及預測方法的流程圖；圖2是最優水華生成機理時變模型對葉綠素含量的擬合結果及最優水華生成機理時變模型預測公式的預測結果；具體實施方式下面將結合附圖和實施例1對本專利技術作進一步的詳細說明。為便于說明，本說明書中所有未經解釋的名詞及字母含義均由下述假設解釋：總采樣時間為N，影響因素總個數為M。本專利技術是一種湖庫藻類水華生成機理時變模型優化及預測方法，具體方法實施流程如圖1所示，通過如下步驟實現:步驟一、構建水華生成機理時變模型；葉綠素是表征水體中藻類現存量的最直接指標，可采用葉綠素作為反映藻類水華生成的表征因素。葉綠素的變化率與葉綠素的生長率、死亡率以及凈損失率密切相關，其變化符合以下方程：其中，ca為葉綠素含量(單位為mg·L-1)；Gp為葉綠素生長率(單位為d-1)；Dp為葉綠素死亡率(單位為d-1)；mp為葉綠素凈損失率(單位為s-1)，t表示時間。考慮到葉綠素生長率、葉綠素含量及葉綠素死亡率的隨時間變化的特點，將公式(1)改寫為：其中，ca(t)為葉綠素含量的時間函數，Gp(t)為葉綠素生長率的時間函數，Dp(t)為葉綠素死亡率的時間函數。公式(2)即為水華生成機理本文檔來自技高網...

【技術保護點】
一種湖庫藻類水華生成機理時變模型優化及預測方法，通過如下步驟實現:?步驟一、構建水華生成機理時變模型；?水華生成機理時變模型為：?其中，ca(t)為葉綠素含量的時間函數，Gp(t)為葉綠素生長率的時間函數，Dp(t)為葉綠素死亡率的時間函數，mp為葉綠素凈損失率，t表示時間；葉綠素生長率的時間函數Gp(t)為：?Gp(t)＝G(X1(t))·G(X2(t))·...·G(XM(t))???(3)?其中，Xi(t)為第i個影響因素的時間函數，G(Xi(t))為第i個影響因素的作用函數，i＝1,2,...,M；葉綠素死亡率的時間函數Dp(t)為：?Dp(t)＝Dmax×1.08(T(t)?20)其中，Dmax為葉綠素最大死亡率，T(t)為水溫的時間函數；?步驟二、建立影響因素函數模型庫；?具體為：?(1)建立各影響因素的時間函數模型庫，包括常數模型Xi(t)＝ai，正比例函數模型Xi(t)＝ai·t，反比例函數模型Xi(t)＝ai/t，指數函數模型Xi(t)＝ai·et，對數函數模型Xi(t)＝ai·lnt，冪函數模型以及以上多個模型的組合模型，其中ai表示第i個影響因素的時間函數模型參數，并給每一種時間函數模型編號；(2)建立各影響因素的作用函數模型庫，包括常數模型G(Xi(t))＝bi，正比例函數模型G(Xi(t))＝bi·t，反比例函數模型G(Xi(t))＝bi/t，指數函數模型G(Xi(t))＝bi·et，對數函數模型G(Xi(t))＝bi·lnt，冪函數模型以及以上多個模型的組合模型，其中bi表示第i個影響因素的作用函數模型參數，并給每一種作用函數模型編號；(3)產生水華生成機理時變模型結構的初始解；水華生成機理時變模型結構的解表示為M個影響因素的時間函數模型編號和作用函數模型編號的一種組合，解的表示形式為一個包?含2·M個元素的向量，即{(第i個影響因素時間函數模型編號,第i個影響因素作用函數模型編號)i}，i＝1,2,...,M；為每個影響因素從函數模型庫中隨機產生一個時間函數模型編號和一個作用函數模型編號，將所產生的M個影響因素的時間函數模型編號和作用函數模型編號按解的表示形式組合成一個包含2·M個元素的向量作為初始解；?步驟三、基于遺傳算法優化水華生成機理時變模型參數；?對已確定模型結構的水華生成機理時變模型進行參數優化；?首先對影響因素時間函數模型參數進行優化，對每一個影響因素分別進行時間函數模型參數優化，采用最小二乘法，優化判據為誤差平方和達到最小，其中，Xit為第i個影響因素在t時刻的真實值，Xi(t)為第i個影響因素在t時刻的函數值；將參數優化后的各影響因素時間函數模型參數代入水華生成機理時變模型，再對水華生成機理時變模型中其余參數進行優化，采用遺傳算法，對bi、Dmax、mp同時進行優化；?步驟四、基于禁忌搜索算法優化水華生成機理時變模型結構及影響因素分析；?禁忌搜索算法優化水華生成機理時變模型結構的基本流程為：?(1)初始狀態設定；將步驟二中產生的初始解作為當前最優解；禁忌表中的元素為所有解的任期，將禁忌表中所有元素初值設為0，設置禁忌長度為固定值L以及設置最大搜索步數；若某一個解被加入禁忌表，則將該解在禁忌表中的任期設為L，每執行一次搜索將其任期減1，該解在被禁忌了L次以后將自動解禁，再次參與搜索，從而使搜索算法跳出局部最優解；?(2)鄰域解的產生；首先要產生當前最優解的鄰域，即隨機選取m個影響因素作為需改變的影響因素的個數，m<M，然后隨機產生這m個影響因素的時間函數模型和作用函數模型在函數模型庫中的編號，再與當前最優解中未改變的影響因素的時間函數模型和作用函數模型的編號組合即為鄰域解；?(3)候選解的確定；對鄰域解進行禁忌檢查，若領域解不在禁忌表中，即該鄰域解在禁忌表中的任期為零，則將其作為候選解；若鄰域解已在禁忌表中，即該鄰域解在禁忌表中的任期非零，則將禁忌表中所有非零的元素減1，并重新產生鄰域解，重復第(2)、(3)步直至得到候選解；?(4)適應度檢查；對候選解所確定的水華生成機理時變模型結構按步驟三進行模型參數優化，并得到該候選解對應的適應度值，若適應度值不小于適應度閾值，則將該候選解作為最優解，得到相應的最優水華生成機理時變模型，終止禁忌搜索；若候選解的適應度值未達到適應度閾值，則執行第(5)步；?(5)當前最優解的獲得；首先將禁忌表中所有非零的元素減1；當候選解對應的適應度值差于當前最優解，即候選解的適應度值小于當前最優解的適應度值，則把候選解加入禁忌表，即將候選解的任期設為L；若候選解對應的適應度值優于當前最優解，即候選解的適應度值大于等于當前最優解的適應度值，則將當前最優解加入禁忌表，即將當前最優解的任期設為L，再用候選解替代當前最優解；?(6)禁忌搜索終止；禁忌搜索重復次數...

【技術特征摘要】
1.水華機理時變模型的禁忌搜索及遺傳算法優化預測方法，通過如下步驟實現:步驟一、構建水華生成機理時變模型；水華生成機理時變模型為：其中，ca(t)為葉綠素含量的時間函數，Gp(t)為葉綠素生長率的時間函數，Dp(t)為葉綠素死亡率的時間函數，mp為葉綠素凈損失率，t表示時間；葉綠素生長率的時間函數Gp(t)為：Gp(t)＝G(X1(t))·G(X2(t))·...·G(XM(t))(2)其中，Xi(t)為第i個影響因素的時間函數，G(Xi(t))為第i個影響因素的作用函數，i＝1,2,…,M；葉綠素死亡率的時間函數Dp(t)為：Dp(t)＝Dmax×1.08(T(t)-20)其中，Dmax為葉綠素最大死亡率，T(t)為水溫的時間函數；步驟二、建立影響因素函數模型庫；具體為：(1)建立各影響因素的時間函數模型庫，包括常數模型Xi(t)＝ai，正比例函數模型Xi(t)＝ai·t，反比例函數模型Xi(t)＝ai/t，指數函數模型Xi(t)＝ai·et，對數函數模型Xi(t)＝ai·lnt，冪函數模型以及以上多個模型的組合模型，其中ai表示第i個影響因素的時間函數模型參數，并給每一種時間函數模型編號；(2)建立各影響因素的作用函數模型庫，包括常數模型G(Xi(t))＝bi，正比例函數模型G(Xi(t))＝bi·t，反比例函數模型G(Xi(t))＝bi/t，指數函數模型G(Xi(t))＝bi·et，對數函數模型G(Xi(t))＝bi·lnt，冪函數模型以及以上多個模型的組合模型，其中bi表示第i個影響因素的作用函數模型參數，并給每一種作用函數模型編號；(3)產生水華生成機理時變模型結構的初始解；水華生成機理時變模型結構的解表示為M個影響因素的時間函數模型編號和作用函數模型編號的一種組合，解的表示形式為一個包含2·M個元素的向量，即{(第i個影響因素時間函數模型編號,第i個影響因素作用函數模型編號)i}，i＝1,2,…,M；為每個影響因素從函數模型庫中隨機產生一個時間函數模型編號和一個作用函數模型編號，將所產生的M個影響因素的時間函數模型編號和作用函數模型編號按解的表示形式組合成一個包含2·M個元素的向量作為初始解；步驟三、基于遺傳算法優化水華生成機理時變模型參數；對已確定模型結構的水華生成機理時變模型進行參數優化；首先對影響因素時間函數模型參數進行優化，對每一個影響因素分別進行時間函數模型參數優化，采用最小二乘法，優化判據為誤差平方和達到最小，其中，Xit為第i個影響因素在t時刻的真實值，Xi(t)為第i個影響因素在t時刻的函數值；將參數優化后的各影響因素時間函數模型參數代入水華生成機理時變模型，再對水華生成機理時變模型中其余參數進行優化，采用遺傳算法，對bi、Dmax、mp同時進行優化；步驟四、基于禁忌搜索算法優化水華生成機理時變模型結構及影響因素分析；禁忌搜索算法優化水華生成機理時變模型結構的基本流程為：(1)初始狀態設定；將步驟二中產生的初始解作為當前最優解；禁忌表中的元素為所有解的任期，將禁忌表中所有元素初值設為0，設置禁忌長度為固定值L以及設置最大搜索步數；若某一個解被加入禁忌表，則將該解在禁忌表中的任期設為L，每執行一次搜索將其任期減1，該解在被禁忌了L次以后將自動解禁，再次參與搜索，從而使搜索算法跳出局部最優解；(2)鄰域解...

【專利技術屬性】
技術研發人員：王小藝，施彥，王立，許繼平，于家斌，姚俊楊，
申請(專利權)人：北京工商大學，
類型：發明
國別省市：北京;11