基于改进遗传神经网络的水体富营养化预测模型

基于改进遗传神经网络的水体富营养化预测模型

水体富营养化是导致淡水资源匮乏的重要原因。富营养化和藻类生长状态的实时监测和报警是一个重要的研究主题。基于神经网络预测的方法已经广泛使用。现在，虽然遗传计算与神经网络的结合也证明了提高神经网络泛化能力的有一些缺点。此外，神经网络在计算结构参数混合优化时存在很大的错误。优化时间短，不适应结构启动和结构启动等问题。因此，本文提出了改进遗传神经网络（qgann）的方法，并从遗传神经网络（ga）和神经网络（nn）两个方面进行了改进和改进。改进后的生态系统的优化效果和泛化能力，建立了基于力学原理的平衡交叉算子，并提出了一种混合优化神经网络的优化策略。实验表明，这种方法可以用来监测湖泊的富营养化和绿绿藻的生长状态，并预测藻类的爆发可以得到更令人满意的效果。1改进的遗产计算方法1.1基于量子学的交叉算子首先引入量子力学中的Schrödinger波动方程:式中:h为普朗克常数;i为虚数单位;r为矢量;t为时间;V(·)为势能函数;φ(·)为定波函数.式(1)揭示了微观世界中物质运动的基本规律.设有质量为m的粒子(能量E>0),从左入射,碰到δ势垒(见图1),则有:V(x)=γδ(x)γ>0(2)V(x)=γδ(x)γ>0(2)而定态方程可表示为-h22md2dx2φ(x)=[E-γδ(x)]φ(x)(3)−h22md2dx2φ(x)=[E−γδ(x)]φ(x)(3)x=0为式(3)的起点,在该点φ″不存在,表现为在x=0点φ′不连续.在x≠0处,式(3)化为φ″(x)+k2φ(x)=0(4)k=√2mE/h它的2个线性独立的解的形式为e±ikx.考虑到从左入射的假定,式(4)的解可表示为φ(x)={eikx+Re-ikxx<0Seikxx>0(5)式中,S、R分别为透射系数和反射系数,|S|2=11+C/E(6)|R|2=CE(1+C/E)(7)C=(mγ2)/(2h2)(8)|S|2+|R|2=1(9)式(6)、(7)说明具有较高能量的粒子穿透δ势垒的概率高,在高能极限下粒子将完全穿透势垒.反之,低能量的粒子穿透δ势垒的概率低,而被δ势垒反射的概率高.将量子学原理引入遗传算法中,将能量E类比作几个父代的适应值函数f,|R|2协同常规交叉算子中的随机数α,|S|2协同(1-α).则基于量子力学的改进交叉算子构造如下:w′1=11+c/f1[cf1αw1+(1-α)w2](10)w′2=11+c/f2[cf1(1-α)w2+αw1](11)式中:w1,w2分别为父代1和父代2的值;w′1,w′2分别为子代1和子代2的值;c为一个可调系数.式(10)、(11)表示具有大的适应值函数f的父代个体(f1或f2)具有高的概率遗传它的基因到下一代,|S|2趋近于1.而适应值小的父代具有小的遗传概率,使|S|2趋近于0.改进的交叉算子不仅具有自适应性,而且保留了随机性,有助于减少无效循环,加速收敛,提高效率.1.2基于f>fc13的新能源更新算法选用基于序的评价函数为:eval(Wi)=α(1-α)i-1(12)i=1,2,⋯,mmi=1意味着染色体是最好的;i=mm是最差的.选用文献中变异概率:Ρm={k1(fmax-f)fmax-favgf≥fck2f<fc(13)式中:fmax为最大适应值;favg为平均适应值;fc为指定适应值;k1,k2为预定系数.设e为误差函数.优化过程结束条件为f=e≤ε2(14)式中,ε2为优化误差函数进化终止指标值.算法步骤:(1)随机选择初始种群,并确定参数α、总迭代次数N、ε2和进化代数指针K;(2)采用式(12)选择旋转轮赌mm次,为新的种群选择mm个下一代个体,其中最优个体直接保留到下一代;(3)对新一代个体按照适应值大小排序;(4)随机选出参加交配的个体,按照式(10)、(11)执行交叉;(5)按照式(13)执行变异;(6)判断是否满足K=N,若不满足,判断是否满足式(14),若不满足,返回步骤(2);(7)最优个体输出.2种群优化策略神经网络误差函数式采用下式:e=μ|ˉy|√1nn∑j=1(yj-ˆyj)2(15)式中:yj为测量值;ˆyj为实际值;ˉy为n个样本的输出均值;μ为决定于具体对象的常数参数.针对神经网络进行结构参数混合优化时存在的计算规模巨大、优化时间过长、过拟合和结构初始化的盲目性等问题,提出一种混合优化策略,该策略分两阶段进行.第1阶段,网络结构参数初始化策略.采用2个种群轮流优化NN的结构和参数.(1)种群1进化参数(设结构为St0),种群2进化结构(设参数为Pa0);优化完毕分别得到一组新的参数Pa1和一个新的结构St1.(2)种群1以结构St1进化参数,种群2以参数Pa1进化结构.依此类推,直到满足设定的停止指标.以较大的误差ε1作为结束标准.第2阶段,以第一阶段获得的隐层节点数p为标准,通过对应的适应值fp-2、fp-1、fp、fp+1、fp+2的优劣比较进行下一阶段的进化.(1)分别增加2个节点p+1、p+2,减少2个节点p-1、p-2;(2)按照1.2节的方法继续进行;(3)判断max(fp+1,fp+2)>max(fp-2,fp-1,fp)是否成立,如果成立,转到步骤(1);(4)判断min(fp+1,fp+2)<min(fp-2,fp-1fp)是否成立,如果成立,转到步骤(1);(5)判断结束条件式(14)是否满足,若不满足,分别增加及减少一个节点,即分别用p+1和p-1代替p,转到步骤(1);(6)建模过程结束,以此时max(fp-2,fp-1,fp,fp+1,fp+2)对应的节点数以及相应的参数序列为最后结果.3湖泊富营养化评价实验3.1神经网络优化误差的确定采用前馈神经网络和QGANN预测方法.选取变异概率Pm=0.05,交叉概率Pc=0.6.选择神经网络优化误差ε1=0.2,ε2=0.005,μ=1.3.2改进算法的预测结果实验数据从实验室藻类养殖观测过程选取,本文取用2006年5月和7月观测得到的两组铜绿微囊藻生长特性数据中的2500组数据作为建模和预测样本,其中1500组为训练样本,1000组为测试样本.实验分别采用基本遗传算法(GAs),改进单一算子的遗传算法(DCGA)以及改进算法(QGA)建立NN模型,结果如图2和表1所示.图中,g为进化代数.表中:em为优化过程的均值误差;em,min为最优值误差.为了满足提前48～72h发出警报的要求,预测采用第1～4d的数据作为输入,预测第7d的藻类状态,用第2～5d的输入预测第8d的状态,依此类推,实现提前3d的预测预报.预测结果如图3和表1所示.表中:ep为预测过程的均值误差;η为预测成功率.由图2可见,QGA比DCGA或GAs具有更小的建模误差,更快的进化速度.由图3可见,QGANN的泛化能力明显比GAsNN和DCGANN的强.表1显示的训练过程的误差统计和测试精度统计结果进一步证实了上述特征.4