（水文学及水资源专业论文）水文水资源系统计算智能评价与预测方法研究.pdf

水文水资源系统计算智能评价与预测方法研究摘要水文水资源系统是一个具有社会性、自然性、开放性和动态多变性的复杂巨系统。系统受到极其复杂的众多确定性因素影响，同时，它又包含大量难以确知和难以精确量化的自然和社会因素的不确定性，这些不确定性信息既有随机性的，也有模糊性的。因此水文水资源系统问题常常表现出高维、多峰、非线性、不连续、带噪声等复杂特征。传统的研究方法需要进一步发展，尤其是对不确定性方面的研究。计算智能包括模糊集理论( f u z z ys e t st h e o r y ，f s t ) 、人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) 、遗传算法( g e n e t i ca l g o r i t h m s ，g a s ) 等技术的发展为解决上述复杂问题提供了新的途径和可能性。本文展开计算智能某些领域在水文水资源系统评价、预测中的应用研究。具体研究内容和研究成果概括如下：在针对像水利工程后评价这种既要考虑定量指标( 经济、技术等) 也要考虑许多难以量化的定性指标( 社会影响、环境影响等) 的多指标半结构性评价问题，在工程模糊集理论基础上，提出了将专家个人与群体意见综合的模糊评价方法。给出了有效的评价指标定量方法与专家意见和指标结果集结方法，并最终获得对方案的总评价值( 或等级划分) 。后评价实例表明了方法的优越性和有效性。展开了基于工程模糊集理论与神经网络混合的模糊优选神经网络在水资源决策评价中应用研究。首先，从神经网络特性出发论述了神经网络的评价方法机理：相似评价样本以及决策评价工作一般都会有较为详细的评价标准，这些都是评价经验与知识的结晶，在此基础上利用模糊优选b p 神经网络模型神经网络的学习能力建立评价模型。本部分对模糊优选b p 神经网络在水文水资源评价中的应用进行了较为系统的探讨。模型方法应用于区域水资源可持续利用评价中取得了较好的效果。混合工程模糊集理论与a r t 自适应理论以及k o h o n e n 自组织神经网络提出一种自组织模糊聚类神经网络，并把模型方法应用于水资源丰富度评价研究中。模型不仅发挥了工程模糊集理论在处理复杂水资源问题上的优势，同时融入a r t 网络的自适应谐振理论，具有结构自适应能力。应用模糊竞争学习算法不仅保留了样本之问的相近信息，而且可以有效克服了k o h o n e na r t 网络胜者为王算法中神经元学习不足的缺点，改善网络学习效果。尝试把最近发展起来的支持向量机( s v m ) 引入水文预测中为小样本情况f 水文预水文水资源系统计算智能评价与预测方法研究测提供一种行之有效的可选择方法。在此基础上本文进一步把陈守煜模糊模式识别理论引入支持向量机，提出了一种模糊模式识别核函数。该核函数具有更明确合理的物理意义，算例计算分析结果也表明了该核函数的有效性和可行性。在混合计算智能的理念基础上，针对g i s 空间分析计算流域面雨量在水文预报中的存在的问题，提出了结合模糊优选神经网络与地理信息系统的流域面雨量智能预报模型与方法。方法不仅解决了传统方法面雨量计算中雨量站权重确定的难题，而且可以根据实测降雨很快给出流域面雨量。龙风山水库流域面雨量计算表明了模型方法的有效性与可行性。最后，概括总结本文的主要研究内容以及取得的成果并对有待进一步研究的问题进行了展望。关键词：水资源评价；计算智能；模糊性：模糊模式识别；神经网络；模糊优选神经网络：模糊聚类神经网络；智能预测：地理信息系统；支持向量机：2查苎查墼堡墨堑生簦塑丝堂竺! 堡型塑鲨塑壅a b s t r a c th y d r o l o g i c a la n dw a t e rr e s o u r c e ss y s t e mi sak i n do fc o m p l e xa n dd y n a m i cs y s t e m ，w h i c hh a v el a r g ea m o u n to fu n c e r t a i nf a c t o r m a n yp r o b l e m so fw a t e rr e s o u r c e sa n dh y d r o l o g i c a ls y s t e ma l w a y sa r ec o m p l e x ，m u l t i - d i m e n s i o na n dn o n l i n e a r c o m p u t i n gi n t e l l i g e n c e ( c i ) ，w h i c hi n c l u d e sf u z z ys e t st h e o r y , a r t i f i c i a ln e u r a ln e t w o r k s ，g e n e t i ca n da l g o r i t h m se t c ，i sm o r gp o w e r f u li nr e s o l v i n gt h e s ep r o b l e m s m a n yf i e l d so fc 1 sa p p l i c a t i o ni na s s e s s m e n ta n df o r e c a s t i n go fh y d r o l o g i c a la n dw a t e rr e s o u r c e ss y s t e ma r es t u d i e di nt h i sp a p e r t h em a j o rc o n t e n t sa n dr e s e a r c hr e s u l t sa r ea sf o l l o w s ：m a n ya s s e s s m e n t si nw a t e rr e s o u r c e ss y s t e ms u c ha sp o s t a s s e s s m e n ta r em u l t i o b j e c t i v e sa n ds e m i s t r u c t u r a lp r o b l e m st h a ti n c l u d eq u a l i t a t i v eo b j e c t i v e sa n dq u a n t i t a t i v eo b j e c t i v e s af u z z ym u l t i - o b j e c t i v es e m i - s t r u c t u r a la n a l y s i sa s s e s s m e n tm e t h o di sp r o p o s e si nt h i sp a p e ri n c l u d i n gt h et w oa b o v eo b j e c t i v e sa n da p p l i e di n t op o s t a s s e s s m e n ti nw a t e rc o n s e r v a n c yp r o j c o t s f i r s t l y , t h eq u a l i t a t i v eo b j e c t i v e sa r ed e t e r m i n e db yf u z z yg r o u pd e c i s i o n m a k i n gm e t h o d t h e n ，ac o n s o l i d a t i o na s s e s s m e n tm e t h o di sg i v e nd e p e n d i n go nt h ec o m b i n a t i o no ft h ef u z z yr e c o g n i t i o na n df u z z yo p t i m u mm o d e l f i n a l l y , ap r a c t i c a lc a s es h o w st h a tt h em e t h o d o l o g yi sr e a s o n a b l ea n df e a s i b l e i t sd i f f i c u l tt od e t e r m i n et h ew e i g h t so ft h ei n d e x e si nw a t e rr e s o u r c e sa s s e s s m e n t i no r d e rt or e s o l v et h i sp r o b l e ma n dr e d u c et h en l a n m a d ei n f l u e n c ea n dd y n a m i cc h a r a c t e r i s t i ci na s s e s s m e n tp r o c e d u r e ，a c c o r d i n gt ot h ef u z z yo p t i m a ln e u r a ln e t w o r kt h e o r ya n dm o d e l ，t h ea u t h o rs u g g e s t st h a tt h ep a s ta s s e s s m e n ts a m p l e sa n ds t a n d a r dc l a s sd a t ao fa s s e s s m e n th a v er e l a t i o nw i t hc l a s sm e m b e r s h i pd e g r e e sr e s p e c t i v e l y t h em e t h o di sg i v e nt oa n a l y s i sa n dd e t e r m i n e dt h i sr e l a t i o n s h i pb yn e u r a ln e t w o r kt r a i n i n g f i n a l l y , t h ea s s e s s m e n tm o d e lf o rw a t e rr e s o u r c e sa s s e s s m e n ti se s t a b l i s h e ds u b s e q u e n t l y w a t e rr e s o u r c e sc l a s s i f i c a t i o ni sac o m p l i c a t e da n dn o n l i n e a rp r o b l e m m a n yk i n d so fn e u r a ln e t w o r k sh a v eb e e nu s e d b a s e do nf u z z ys e tt h e o r ya n dk o h o n e ns e l f - o r g a n i z a t i o nn e t w o r k ，an e wf u z z yc l u s t e r i n gn e u r a ln e t w o r ki sp r o p o s e di nt h i sp a p e r i n t e g r a t e dw i t h3查茎查望塑墨竺塑蔓塑墼堡篓兰堡塑查鲨堕塞一a r tt h e o r y ，t h en e t w o r kh a sa d a p t i v ea b i l i t y f u r t h e r , w i t ht h ef u z z yc o m p e t i t i o nl e a r n i n ga i g o r i t h m ，t h en e t w o r kl e a r n i n gp r o c e s si si m p r o v e d as t u d yc a s ef o rr e g i o n a lw a t e rr e s o u r c e sa b u n d a n c ea s s e s s m e n ts h o w st h ef e a s i b i l i t yo f t h em o d e la n dm e t h o d o l o g y t h i sp a p e rf i r s ti n t r o d u c e st h es u p p o r tv e c t o rm a c h i n e ( s v m ) r e g r e s s i o nf o r e c a s t i n gm e t h o di n t oh y d r o l o g i c a lf o r e c a s t i n g f u r t h e r , b a s e do nt h ef u z z yr e c o g n i t i o nt h e o r yp r o p o s e db yp r o f c h e ns h o u y u ，an e wk i n do fk e r n e lf u n c t i o ni sp r o p o s e di nt h ep a p e r t h ek e r n e lf u n c t i o nh a sam o r er e a s o n a b l ep h y s i c a ls i g n i f i c a n c e a tt h ee n d ，t h er e s u l t so fas t u d yc a s es h o wt h a tt h es v mr e g r e s s i o nh y d r o l o g i c a lf o r e c a s t i n gm e t h o da n dt h ef u z z yp a t t e r nr e c o g n i t i o nk e r n e lf u n c t i o ni sr e a s o n a b l ea n df e a s i b l e a r e a lr a i n f a l li si m p o r t a n tb a s i cd a t ai nar e a lt i m ef l o o dw a r n i n gs y s t e m ag o o da r e a lr a i n f a l lc a l c u l a t i o nm e a n sw ec a nf o r e c a s tf l o o dm o r ea c c u r a t e l ya n di nt i m e h e r e ，w ep r o p o s ea na r e a lr a i n f a l lf o r e c a s t i n gm e t h o d o l o g yi n t e g r a t e df u z z yo p t i m u mn e u r a ln e t w o r kw i t hg e o g r a p h yi n f o r m a t i o ns y s t e m ( g i s ) m e t h o d s u s i n gm a n ym o d e l sa n dm e t h o d sp r o v i d e db yg i ss o f t w a r e ，w eo b t a i nm o r ea c c u r a t ea r e a lr a i n f a l l so fac a t c h m e n t t h e n ，t h e s eo u t p u t so ft h eg i ss o f t w a r ef i r et a k e na st h ee x p e c t e do u t p u to ft h ef u z z yo p t i m u mn e u r a ln e t w o r k ，a n dt h en e t w o r ki st r a i n e dt of i n dt h em a p p i n gb e t w e e nt h ea r e a lr a i n f a l l sa n do b s e r v e dr a i n f a l l si na l lg a u g es t a t i o n s f i n a l l y , u s i n gt h ea b o v em a p p i n g ，n e wo b s e r v e dv a l u e sa r et a k e na si n p u to ft h en e t w o r k ，a n dw ec a no b t a i nt h ec a t c h m e n ta r e a lr a i n f a l li nt j m e t h ec o n c l u s i o n sa n dt h ep r o b l e m st ob ef u r t h e rs t u d i e da r eg i v e na tt h ee n do ft h ep a p e rk e y w o r d s ：w a t e rr e s o u r c e sa s s e s s m e n t ；c o m p u t i n gi n t e l l i g e n c e ；f u z z i n e s s ；f u z z yr e c o g n i t i o n ；n e u r a ln e t w o r k s ；f u z z yo p t i m u mn e u r a ln e t w o r k ；i n t e l l i g e n c ef o r e c a s t i n g ；g e o g r a p h i c a li n f o r m a t i o ns y s t e m ；s u p p o r tv e c t o rm a c h i n e4水殳东资源系统计算智能评价j 颅涣! f 方法研究1 绪论1 1 选题背景和研究意义水文系统受天文、气象、下垫面、人文等众多因素的综合影响，在某种程度上是一个具有自然性、社会性、开放性和动态多变性的复杂的巨系统。研究这个开放的复杂巨系统必须处理大量的信息和知识，这些信息和知识既有确定性的，又包含不确定性的。确定性是指水文现象之间具有复杂的物理成因关系，如降雨成因，蒸发影响因素，入渗机理，水的大小循环，年径流的丰枯成因机理等。对于水文系统确定性的研究方法很多：如蒸散发模型、入渗模型、流域模型等已被广泛应用，它是水文系统研究的基础。不确定性是指系统包含大量的难以确知和精确量化的自然和社会因素。这些不确定性既有随机性，也有模糊性。水资源系统不仅要考虑水的自然规律，同时应该把握社会经济、生态环境等属性，同样具有复杂的确定性与不确定性特征。水文水资源系统的复杂性和不确定性是客观存在的，水文水资源系统的研究在研究水文系统的确定性模型同时，不能忽略系统的这种复杂性与不确定性【1 t2 ，3 1 。随着水文尺度由微观到中观、宏观，水文水资源系统的复杂性和不确定性就愈突出，表现有空间变异性、单元与系统的不一致性、模型的再参数化及不同尺度模型耦合等问题。而且随着社会的发展，系统的复杂性和动态性不断加强，研究规模不断加大，影响因子不断增多，水文水资源系统问题常常表现出离维、多峰、非线性、不连续、带噪声等复杂特征，给水文水资源研究带来了新的课题和要求。具体表现为2 ，3 4 ，5 ，6 1 ：( 1 ) 无法建立描述水文现象的精确数学模型。水文现象十分复杂，人们至今还不能用数学物理方程严格地描述每一个子过程，仍要受许多假设条件的限制和借助于概念性元素模拟或经验函数关系来描述，这样的模拟往往只是对实际水文过程的近似模拟，因而模拟精度不高。( 2 ) 水文水资源系统庞杂的信息类型。同一系统中往往既含有大量的确定性信息，又有众多不确定性信息，如随机性信息、模糊性信息、灰色信息、混沌性信息，又如在缺乏水资源或人类活动影响强烈的地区以及在水资源评价和开发利用、水资源工程经济运行和管理中，往往遇到难以用精确数值来表示的信息，它们常常以经验性语言、知识或舰则的形式出现。水文水资源系统计算智能评价o 预测方法研究( 3 ) 水文系统是一个高度非线性的系统。水文系统及其相关的天气系统都具有极强的非线性动力特征，因此水文系统模型具有高度的非线性特征。f 是由于以上特点，使得单独使用确定性和不确定性方法( 包括随机过程等) 面临着许多无法妥善解决的问题1 3 j 。水文水资源系统需要对原有的研究方法和途径进一步发展。计算智能的出现和发展为水文水资源系统研究提供了新的有力途径。首先，计算智能不需要建立研究对象的精确模型，能解决研究对象模型的不确定性问题。其次，水文水资源研究中，常规模型方法处理线性、低维模型较为成熟，而对大多数高维高度非线性水资源模型往往不能取得满意的结果【4 1 。这使基于显函数和线性假设的分析手段与数学模型很难如实模拟水系统的变化过程及系统特征。同时，系统数据量大，计算量大，复杂性过高也使耦合工作在实际中难以进行。计算智能线为非线性建模提供了强有力的手段，是解决复杂非线性问题的一条出路。对于水文水资源系统中复杂的信息类型，宜采用从定性到定量的综合集成方法【4 】。综合集成的一个重要内容是应用知识工程、智能信息处理等方法，以处理系统复杂的信息和知识。在这方面，模糊系统和神经网络等计算智能技术提供了有效的处理手段，特别是神经网络( a n n ) 与模糊系统( f s ) 、进化算法( e c ) 等的结合为解决系统建模、寻优、清晰化等方面的问题提供了新的途径n因此进行计算智能研究并应用于水文水资源系统中有利于在继承原有方法优点的基础上，解决原有方法难以解狭的问题。展开水文水资源系统计算智能应用研究具有重要的现实意义和科学价值。1 ，2 计算智能的特点和发展智能是个体有目的的行为、合理的思维，以及有效的适应环境的综合性能力。一般把智能分为：生物智能( b i o l o g i c a li n t e l l i g e n c e ，b i ) 和人工智能( a r t i f i c i a l i n t e l l i g e n e e ，a i ) ，人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能”“。长期以来，人们从人脑思维的不同层次出发，对人工智能进行研究，形成符号主义、连接主义和行为主义。连接主义与行为主义问的差距相对较小，因此可将人工智能分为两大类，即符号智能和计算智能( c o m p u t a t i o n a li n t e l l i g e n c e ，c i ) f 7 1 a水义水资源系统计箅：智能评价1 _ 预测方法研究符号智能是以知识为基础，通过推理进行问题求解，也即传统的人工智能。符号智能是符号主义，它以n e w e l l 和s i m o n 提出的物理符号系统假设为基础。物理符号系统假设认为物理符号系统是智能行为充分和必要的条件。物理符号系统由一组符号实体组成，它们都是物理模式，可在符号结构的实体中作为组分出现。该系统可以进行建立、修改、复制、删除等操作，以生成其他符号结构。2 0 世纪5 0 年代以后一段时间，符号智能体系取得了巨大的成功，但8 0 年代中期以来。这种经典人工智能的发展由辉煌转入相对停滞，而计算智能在神经网络的带动下异军突起。计算智能是以数据为基础，通过训练建立联系，进行问题求解。我们可以这样来概括它：智能计算就是借用自然界( 生物界) 规律的启迪，根据其原理，模仿设计求解问题的算法。1 9 9 4 年，国际电气工程师与电子工程师学会( i e e e ) 在美国费罗里达奥兰多市举办的首届计算智能大会( i e e ew o r l dc o n g r e s so nc o m p u t a t i o n a li n t e l l i g e n c e ) 。这次大会确定了计算智能的三个主要热点领域：模糊系统( f s ) 、神经网络( a n n ) 和进化计算( e c ) 【9 ，1 0 “l 。以下就计算智能的三个主要部分进行简要介绍：i 2 1 神经网络神经网络是连接主义的经典代表，由大量神经元广泛互连而成的复杂网络系统，诞生于1 9 4 3 年。单一神经元可以有许多输入、输出。神经元之间的相互作用通过连接的权值体现a 神经元输出是其输入的函数。常用的函数类型有：线性函数，s 型函数和阈值型函数。虽然单个神经元的结构和功能极其简单和有限，但大量神经元构成的网络系统的行为是极其丰富的。单个神经元、h o p f i e l d 网络模型和前向神经网络的结构如图l - 1所示。( a ) 单个神经元( b ) h o p f i e l d 网络( c ) 前向神经网络出层古层入层水史水资源系统计算智能评价i 预测方法研究图1 - 1 人工神经网络( a n n )f 唔1 1t h r e ek i n d so f a r t i f i c i a ln e u r a ln e t w o r km o d e l s神经网络的基本特点是：( 1 1 大规模并行处理：神经网络能同时处理与决策有关的信息，如虽然单个神经元的动作速度不快，但网络的总体处理速度极快。( 2 ) 容错性：由于神经网络包含的信息是分布存储的，即使网络某些单元和连接有缺陷，它仍然可以通过联想得到全部或大部分信息。( 3 ) 自适应和自组织性：神经网络系统可以通过学习不断适应环境，增加知识的容量。1 2 2 模糊系统人类思维的显著特点是具有模糊性。模糊性也是人类自然语言的本质属性，它是人类信息传递中信息压缩的重要特征。清早起来，某人说“今天天气很好”，别人能明白，但计算机并不明白。因为“很好”是一个模糊概念，它不是对事物的简单的肯定和否定，而是介于两者之间。模糊数学是专门研究这种模糊系统的数学。它是用精确的数学理论去研究人类思维的模糊性，它最基本的一个概念是隶属度。用隶属度来描述某一对象或者称为元素属于某一论域或者称为集合的程度，这样既能准确描述人类思维中的模糊性，又能让计算机所理解。对模糊技术的研究与发展，z a d e h 教授有不可磨灭的功绩。他在1 9 6 5 年发表的开创性的论文f u z z y s e t 中，首次提出模糊集合的基本概念和基本理论。而后，他又积极倡导将模糊集理论向人工智能方面发展。陈守煜将隶属度发展为绝对隶属度与相对隶属度，在此基础上建立了工程模糊集理论。模糊数学主要包括以下方面的内容：模糊聚类分析、模糊模式识别、模糊综合评判、模糊控制、模糊逻辑、模糊决策、模糊自动机、模糊专家系统以及模糊语言等。模糊数学已广泛应用于计算机科学、自动控制、系统工程、环境保护、机械、管理科学、思维科学、社会科学等领域。特别一是目前日本率先将模糊技术大量应用到工业界和家电上，例如模糊洗衣机、模糊电视、模糊空调机等由于其良好的性能，正在国际上掀起模糊产品的热潮，同时也推动了模糊系统的发展。1 7 1 6 】水艾水资泺系统计算智能计价o 颅测方法研究1 2 3 进化算法进化计算有4 个分支：遗传算法( g e n e t i ca l g o d 血m ，g a ) 、进化策略( e v o l u t i o n a r ys t r a t e g y ，e s ) 、进化规划( e v o l u t i o n a r yp r o g r a m m i n g ，e p ) 和遗传编程( g e n e t i cp r o g r a m m i n g ，g p ) 。进化计算强调自然进化的不同方面，比较而言，遗传算法的理论体系和算法结构比较完善，并被人们广泛认同。这几项技术各自均有了数十年的历史，但当时这些方法并未受到足够的重视。一是当时这些方法还不很成熟：二是受当时计算机软硬件的限制。随着计算机技术的发展和普及，进化计算在最近l o 年得到了突飞猛进的发展，引起了诸多领域专家和学者的关注，成为一个跨学科的热点。遗传算法( g e n e t i ca l g o r i t h m ) 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由h o l l a n d 于1 9 7 5 年首先提出的。其主要特点是群体搜索策略和群体之间的信息交换。与解析法、穷举法、随机法等传统搜索方法相比，遗传算法具有不需搜索空间的知识、并行爬峰、编码方法适应性广等特点。遗传算法的基本流程和要素如图1 ，2 所示。根据模式定理( s c h e m a t at h e o r e m ) ，遗传算法中串的运算实际上是模式的运算，遗传的进化实际上是模式的进化。低阶、短定义距及平均适应度高于群体适应度的模式( 积木块) 在子代中将得以指数级增长，积木块在遗传算子作用下，相互结合，能生成高阶、长距、高平均适应度的模式，可最终生成全局最优解。图1 2 遗传算法f i g 1 - 2c a l c u l a t i n gf l o wc h a r to f g e n e t i ca l g o r i t h m遗传算法具有隐并行性，在对n 个串个体进行运算时隐含处理了o ( n3 ) 个模式。实水文水资源系统计算智能评价与预测方法研究际上，在自然进化过程的任何时刻，总是同时有大量的物种在彼此独立地向前进化。在同一物种内部，也是同时存在着大量的个体在通过自然选择、交配和基因突变而进化。显然，自然界的进化过程本身就是一个并行过程。遗传算法源于自然进化，自然也就继承了自然进化过程所固有的并行性。标准遗传算法是生物遗传过程的一个非常简化的模拟。事实上。由于遗传，以及更广泛的进化，与生态的关系是密不可分的，在遗传算法中引入生态因素是值得努力的。这方面经典的如小生境( n i c h e ) 技术【1 8 1 。计算智能的一个突出特点是与生命科学、系统科学密切联系，因此不仅计算机科学家，而且众多其他学科的学者也加入到计算智能的研究中来，极大促进了它的发展。当前，在连接主义思想基础上，计算智能的范畴得到了很大拓展。最新的观点认为：模糊系统、人工神经网络( a n n ) 、遗传算法、进化计算、模拟退火、支持向量机、生态计算、免疫信息处理、多主体系统( m u l t i a g e n t ) 及群集智能技术( s w a r mi n t e l l i g e n c e )等都可以包括在计算智能中。各种智能计算方法从数学角度来看都有一些共同的特点【1 9 】：( 1 ) 它们大都引入了随机因素，因此具有不确定性，甚至同时支持相互矛盾的途径去求解。不少计算过程实际上是在计算机上作随机过程的模拟。( 2 ) 它们大都具有自适应机制的动力体系或随机动力体系，有时在计算过程中体系结构还在不断调整。( 3 ) 这些算法都是针对通用的一般目标而设计的，它们不同于针对特殊问题而设计的算法。在这旱不采用具体问题具体处理的启发式方法。( 4 ) 其中不少算法在低维或简单的情况下显得很笨，因为对这种问题直观上可以有极简单的算法，但是到了高维复杂情形，这种直观简单算法所需的计算时间就会随着规模而指数型地增长，变得实际上不可执行。1 2 4 混合计算智能混合计算智能是根据应用中的需要，把计算智能中各种智能模拟方法结合起来构成的综合性计算智能系统，可以弥补单个方法的缺点，发挥各自的优势，从而提高解决问题的能力，有人称之为软计算( s o f tc o m p u t i n g ) ，见图1 - 3 。这种融合所产生的强大生命力吸引了越柬越多的研究者和探索者 8 l 。6水文水资源系统计算智能评价，预测方法j i f 究1 9 9 4 年，世界计算智能大会首次将国际神经网络会议、国际模糊系统会议与国际进化算法会议联台在一起同时同地召开。这不仅因为三者具有许多共性，而且因为三者有机结合的系统比单一技术领域所产生的系统更加有效。其积极意义在于促进基于计算的和基于物理符号相结合的各种智能理论、模型、方法的综合集成，以利于发展思想更先进、功能更强大、能解狭更复杂系统的智能行力l ” 。理论知识丰富匮乏匮乏，丰富图1 - 3 计算智能适用范围示意图f i g 1 - 3c o n t r a s to f t h em o d e l sa n dm e t h o d so f c o m p u t a t i o n a li n t e l l i g e n c e比较而言，模糊系统善于描述和利用经验知识；神经网络善于直接从数据中进行学习；而进化计算善于求解复杂的全局最优问题，具有较强的稳健性和整体优化性。模糊系统的推理能力强于神经网络和进化计算，而神经网络、进化计算的学习及搜索能力强于模糊系统。进化计算优化搜索的广度和适应性优于神经网络，而神经网络的优化、学习精度优于进化计算。虽然三者各有特点，但它们共同的仿生基础决定了三者存在必然的联系【9 ，22 1 。目前混合智能理论应用主要体现在两种理论集成和多种理论集成两方面，下面分别进行阐述。1 两种理论的集成将进化计算引入人工神经网络的设计过程，可以扩大神经网络的搜索空间、提高网水义水资源系统计算智能评价顶测方法研究络设计的自动化程度和学习效率；而模糊技术的引入，则可以使神经网络具有处理不确定信息的能力。对它们的研究已成为人工神经网络领域的一个新热点。将人工神经网络引入模糊系统，能够把模糊系统的推理能力、人工神经网络的学习能力、联想能力融为一体；而进化计算所具有的全局寻优能力，也使摄它在模糊规则的自动获取、隶属函数的自动生成及优化等方面，具有很大的应用潜力。2 多种理论的集成将人工神经网络及模糊系统引入进化计算。如利用人工神经网络的学习能力进行控制参数的学习，或利用模糊系统指导进化算法的执行过程、实现对各种参数的模糊控制、提高算法的局部搜索能力。这些方法可以在一定程度上解决进化计算中存在的问题，改进算法的性能。关于这种计算智能模型与方法的交叉集成，目前的主要研究课题如图i - 4 所示。从已取得的成果可以看出，把这些方法结合在一起而形成的系统常常能够获得比单独使用其中一种方法更好的执行效果。计算智能f c送塑丕堕( 堕) il 生墅网络i 丽i 压骄哥豇丢丽神经网络的参数调整遗传算法的参数调整模糊控制器的生成与优化遗传算法中控制参数的设置及优化神经网络拓扑结构及连接权重优化图1 - 4 融合问题示意图f i g 1 - 4h y b r i dc o m p u t a t i o n a li n t e l l i g e n c e s1 3 水文水资源系统计算智能研究现状计算智能在水文水资源系统中的应用起步较晚，现很多领域尚属初步应用阶段。下面从应用角度分类综述计算智能在水文水资源预测、评价中的应用研究现状及前景。8水殳水资源系统计算智能评价4 。预测方法删究1 3 1 水文水资源系统预测研究现状水文水资源系统预测的主要内容包括水文要素预测、水量需求预测和水环境预测。目前，主要的预报方法有成因分析法、数理统计法、模糊数学法、灰色系统预测法、神经网络预测法五大类。事物的发生与影响因素之间存在着某种因果关系，成因分析法就是通过对事物的因果关系分析，来推断事物的未来结果。数理统计法、模糊数学法和灰色系统预测法、神经网络法尽管都是以成因分析法为基础，但属于不确定性问题分析方法范畴。数理统计法是一种常用的定量预报方法。它依据大量历史资料，应用概率论与数理统计原理研究预测对象历史变化的统计规律，对对象未来发展进行预测。根据预测中依据的资料不同，可分为两类：一是单要素预测，即通过分析要素本身的时序规律进行预报，如历史演变法、周期叠加法、平稳时间序列、马尔可夫法、卡尔曼滤波法等；二是多因子综合预测，即分析要素与前期多因子之间的统计相关关系，然后用数理统计法加以综合分析，进行预报，如多元回归分析、逐步回归分析及多维时间序列等2 9 , 3 0 , 3 1 】。数理统计法的主要特点是需要通过大量的资料来分析预测对象的演变规律。模糊数学预测方法是从8 0 年代开始发展起来的新方法。陈守煜等3 2 ，3 3 1 在水文水资源模糊集理论与应用研究中注意到：水文气象要素受到形成机制复杂性的制约，采用传统的精确性描述方法的能力很低；水文水资源管理领域存在大量的模糊性概念，是系统的真实体现t 如“早、涝”，“丰、平、枯”等；在水文要素预报领域，经验丰富的预报员能够做出令人满意的预报，而传统的数理统计方法难以容纳和描述人的经验，模糊数学能够很方便地描述人的经验。1 9 8 5 年，陈守煜、周惠成( 3 4 1 根据模糊控制的基本原理，以大伙房水库汛期入库流量为检验资料，提出了径流长期预报模糊推理模式。1 9 8 6 年，王本德”习在传统历史演变法的基础上，应用模糊推理原理，提出了水文气象单要素预报模糊推理法。1 9 8 7 年，陈守煜提出创建模糊水文学，后发展为模糊水文水资源学，提出了一系列的论文与专著。1 9 9 1 年，陈守煜【3 7 3 8 1 提出了模糊模式识别模型、模糊聚类模型，并在此基础上建立了模糊模式识别预测模型。1 9 9 2 年，王本德3 q 提出了用农谚提示的前后期水文气象要素之间的模糊相关关系长期水文预报方法和模糊综合评判径流预报方法。自1 9 8 2 年邓聚龙创立灰色系统理论以来，灰色预测得到很大发展。灰色系统预测方法认为“预测未来”本质上是个灰色问题，因为一个末出现的没有诞生的未来系统，9水文水资源系统计算智能评价。j 预测方法研究必然既有己知信息又有未知信息，且处于连续变化的动态之中。它把观测数据序列看作随时间变化的扶色量或灰色过程，通过累加生成或累减生成逐步使灰色量白化，从而建立相应于微分方程的模型并做出预报【3 9 4 0 4 1 , 4 2 1 。人工神经网络是一门新兴的交叉科学，也是目前国内外研究十分活跃的前沿领域，应用于水文水资源系统预报问题主要有：降水预报、径流预报、水质预测、需水量预测、电力负荷需求预测等。1 9 9 2 年，f r e n c h 等研究了降雨的时空分布预报。1 9 9 3 年，金耀初等【4 3 】在模糊推理预测模型基础上，提出一种混合型的p i s i g m a 神经网络模型，使预报模型具有了很强的自适应能力，并利用天津气象台1 9 5 2 - - 1 9 7 7 年共2 6 年历史资料对模型进行训练与检验，除1 9 7 7 年天津市特大涝年结果误差较大外，其余各年预报结果都合格。1 9 9 7 年王向东【“】等应用神经网络b p 模型对华东地区冰雹、龙卷、雷雨大风和对流性暴雨等强对流天气等成功地进行了短时预报，并应用异主元分析神经网络算法，在不影响预报合格率条件下将前期影响因子由6 9 个压缩到了4 4 个。1 9 9 7 年，杨荣富、丁晶等【4 5 ，4 6 1 针对短期降雨径流预报问题，在传统b p 神经网络的基础上，提出了两类降雨径流过程预报模拟网络模型：类是实时输出反馈网络，它的侧重点是考虑径流时序上的自相关性；一类是奢侈输出反馈网络，它的测重点是考虑流域土壤水分等状态因素的影响。谢新民等建立了径流实时预报的b p 神经网络模型，采用西大洋水库1 9 7 5 1 9 9 5 年的入库径流系列对模型进行了检验，并通过对比说明b p 网络预报比相关图法更优越，更能适应比较复杂的、影响因子众多的、高度非线性的预报问题。总的看来，神经网络方法是基于大样本的一种学习方法，虽然白化能力具有最小熵优势，但存在一定的学习和泛化误差，即无法覆盖水文预测中的不确定性信息1 2 引。此外，影响人工神经网络拓扑结构的因素众多，且参数优选理论发展不甚完善也制约了人工神经网络模型优势的发挥，使之在应用推广方面遇到了一定的困难。由于水文水资源问题的复杂性，单用a n n 是无法全面解决的，如目前a n n 多局限于处理数值数据，对模糊信息、先验知识、专家经验等许多有用的信息还不具处理能力，也就是说“智能处理”能力还不够。因此，结合前面指出的计算智能理论的研究方向，出现了水文水资源系统的混合智能预测。在这方面丁晶应用模糊联想记忆网络模型( f a m ) 进行了短期洪水预报的首次尝试1 4 8 1 ，取得了满意的精度，该模型对缺乏水文资料或水文测验误差较大、资料不j 下确的流域，提供了应用专家经验进行智能预报的途径，0水义水_ 资源系统计算智能评价与预测方法研究并对如何应用专家经验进行实时校正有借鉴作用。陈守煜【4 9 5 0 墟出了模糊优选神经网络模型并应用于水文预测中，并进一步结合遗传算法提出了智能预测模型h “，取得了良好的应用效果。对于小样本预测，常用的计算智能方法如神经网络这类大样本方法，存在检验精度高但是预测精度低的问题。s v m 的特点是建模不必知道因变量和自变量之间的关系，而是通过对样本的学习即可获得因变量和自变量之间非常复杂的映射关系，同时，它是基于小样本的一种学习方法，不必知道太多的数据即可建模，因此它在处理这个问题上存在优势。它可以在小样本预测情况下得到较好的预测精度，同时保持检验精度与预测精度的平衡。本文的一个重点就是把s v m 引入到复杂的水文水资源预测中。王景雷，吴景社等初步把支持向量机应用于地下水位预测中【5 4 】，并取得了较好的效果，但s v m在水文水资源系统其它领域应用尚不多见。在混合计算智能理念的基础上发展计算智能与其它模型相结合的水文水资源预测领域具有良好的研究前景。水文现象是一个空间与时间分布的问题，但计算智能与空间分析模型的结合预测方法研究比较少见。因此，如何利用空间分析工具如地理信息系统( g i s ) 与计算智能结合处理水文水资源预测问题是本文的另一个研究重点。1 3 2 水文水资源评价研究现状在模糊评价方面，贾嵘等通过建立水资源开发利用程度评价指标体系，运用模糊综合评判的方法对区域水资源开发利用程度进行分析评价。陈守熳在工程模糊集理论，采用模糊模式识别模型计算评价样本对各标准级别的相对隶属度，再计算各样本的级别特征值，最后根据级别特征值得到个样本的评价结果。建立了新的模糊综合评价模型与方法1 2 6 】。水文水资源系统评价通常是多目标评价问题。因此上述模糊评价模型众多目标权重的确定是一个重要内容和难点。陈守煜等提出了多目标权重的其他模糊集确定方法，包括模糊二元对比方法、基于模糊优选模型的模糊迭代方法、基于模糊模式识别模型的主客观结合法5 5 , 5 6 , 57 1 。在神经