一种新安江模型参数的全局优化方法

将全局优化方法SCE-UA用于新安江模型的参数优化中,以月潭流域1978—1991年共14年的实测降雨、径流资料以及1982—1988年实测洪水资料为例,对新安江模型参数全局优化方法进行研究.研究结果表明,单纯利用SCE-UA方法得到的最优参数组会随着资料长度的变化而变化,体现出了优化结果的不稳定性.进而引入赵人俊的新安江模型参数客观优化理论,将SCE-UA方法与该理论相结合.研究结果表明,该方法可避免因参数之间的相关性导致参数优化结果的不稳定现象,可大大降低模型的不确定性.通过检验,该方案可以较好地用于新安江模型参数优化中.     

基于SCE-A算法的新安江模型参数优化及应用

为了减小水文模型参数优化中人工试错法和局部优化法的不确定性,以一种快速有效的优化方法搜索到水文模型参数的全局最优解。以安徽呈村流域为例,使用SCE-UA算法对新安江模型参数进行优化,日模型和次洪模型分别采用总体水量误差和对数绝对值误差作为目标函数,分析优化结果并对优化参数进行检验。经检验分析,日模型检验期确定性系数均达到0.8,次洪模型检验期确定性系数接近0.9。研究结果表明,采用SCE-UA算法优化新安江模型参数可以取得较好结果,目标函数的选择对参数优化有着重要作用。     

基于SCEM—UA算法的新安江模型在梅山水库流域上的应用

将SCEM—UA算法内嵌于新安江模型中,利用梅山水库流域水文资料对该算法优选的参数结果进行分析．参数优选主要针对模型的敏感参数,并用实测资料对其验证分析,最后计算洪水精度评定指标分析高水过程模拟结果．研究表明,SCEM—UA算法能够快速有效地对新安江模型参数进行优选,并且基于该参数率定结果的新安江日模型在梅山水库流域上运行效果良好．     

新安江模型参数全局优化研究

采用单纯多边形进化算法对3个气候与流域条件各不相同的流域的新安江模型计算参数优化问题进行了研究．结果表明：对于没有误差的水文资料,采用单纯多边形进化算法,可以优化出新安江模型的全部参数并使参数收敛到真值;对于实测的水文资料,由于模型参数之间的共线性,固定参数B与EX,可同时率定模型其他参数,随着实测资料系列的增加,率定参数值将趋于稳定．     

SCE-UA算法在TOPMODEL参数优化中的应用

以江西修水万家埠流域为例,用SCE-UA算法对TOPMODEL参数进行了优化,并对优化结果进行了检验.结果表明:SCE-UA算法不仅可以用于概念性水文模型和分布式水文模型,还可以用于半分布式水文模型———TOPMODEL;TOPMODEL参数上下边界需根据参数的物理意义和研究流域特性来确定;在SCE-UA算法中,目标函数的建立对于参数优化具有重要作用,在次洪模拟时,目标函数应突出高水过程和洪峰对模拟效果的影响;SCE-UA算法的绝大部分参数取值都可以采用已有研究成果的默认值,只有复合型个数p需要根据具体问题确定.     

综合误差系数在新安江模型参数全局优化中的应用

采用SCE-UA算法以及综合误差系数的方法构建考虑多因素的单目标函数,并将其应用于新安江模型的参数率定。以皖南山区芦溪流域为例,分别对流域的日径流过程及次洪过程进行模拟,均取得良好的应用效果。研究结果表明,在目标函数中考虑多个精度评定指标,能够使新安江模型模拟结果的整体效果很好,进而更准确地描述流域的水文过程。     

小流域洪水预报新安江模型参数优选方法及应用研究

针对小流域洪水降雨强度大、历时短、汇流速度快的特点,提出了一种应用新安江模型进行小流域洪水预报及模型参数优化率定的方法.该方法以最小二乘法作为模型参数优选的准则,并采用逐次渐进网格寻优法优选模型参数.由于该方法同时优选所有模型参数,不需要对实测径流进行分割,从而可避免人工分割径流而出现的参数率定误差.最后,按照该方法,应用二水源、三水源新安江模型对广东省黄京塘流域进行了研究计算,优选出了模型参数.模型验证结果表明,二水源新安江模型效果比三水源新安江模型好.     

API模型和新安江模型的参数区域化研究与应用

为了将API模型与新安江模型更好地应用于无资料地区,将API模型和新安江模型应用于大别山区及皖南山区的29个中小流域,对模型参数在研究区的区域规律进行研究,通过中小河流新建水文测站对参数区域化的成果进行实证研究。结果表明:API模型与新安江模型均能较好地用于研究区中小流域的洪水模拟;逐步回归分析法能有效地推求模型的敏感参数;基于空间邻近与逐步回归分析相结合的参数区域化方法,API模型与新安江模型在新建水文测站次洪模拟中的平均确定性系数分别达到0.92和0.86,该方法能有效地推求研究区无资料流域API模型与新安江模型的参数。     

随机GP法在概念性水文模型参数优选中的应用

 在基于近似梯度及模式搜索法的基础上,提出了复合上述两种方法的GP局部优化方法。以Nash确定性系数为目标函数,对水文模型的参数空间随机搜索后采用GP方法优化,运用参数空间筛选策略,以获得全局最优解集。上述方法结合导数信息和随机性质的算法,使优化过程脱离局部极小解从而达到近似全局最优解集。杨楼单元流域应用新安江模型的实例研究结果表明,随机的GP优化方法可以成功的率定概念性水文模型参数。     

遗传算法在新安江模型参数优化中的应用

本文针对新安江数学模型的参数优化识别的问题,在将基本遗传算法用于非线性系统参数优化的基础上,提出了一种改进的遗传算法.结果 表明改进的遗传算法具有直观、简便、快速及适应性强等特点.     

Integration of a statistical emulator approach with the SCE-UA method for parameter optimization of a hydrological model

Parameter optimization of a hydrological model is an indispensable process within model development and application.The lack of knowledge regarding the efficient optimization of model parameters often results in a bottle-neck within the modeling process,resulting in the effective calibration and validation of distributed hydrological models being more difficult to achieve.The classical approaches to global parameter optimization are usually characterized by being time consuming,and having a high computation cost.For this reason,an integrated approach coupling a meta-modeling approach with the SCE-UA method was proposed,and applied within this study to optimize hydrological model parameter estimation.Meta-modeling was used to determine the optimization range for all parameters,following which the SCE-UA method was applied to achieve global parameter optimization.The multivariate regression adaptive splines method was used to construct the response surface as a surrogate model to a complex hydrological model.In this study,the daily distributed time-variant gain model(DTVGM) applied to the Huaihe River Basin,China,was chosen as a case study.The integrated objective function based on the water balance coefficient and the Nash-Sutcliffe coefficient was used to evaluate the model performance.The case study shows that the integrated method can efficiently complete the multi-parameter optimization process,and also demonstrates that the method is a powerful tool for efficient parameter optimization.     

栅格型新安江模型的参数估计及应用

根据新安江模型与一维扩散波模型理论,构建了基于栅格的新安江(Grid-Xin’anjiang)模型.该模型以DEM栅格为计算单元,将每个单元的产流量划分为地表径流、壤中流以及地下径流3种水源,最后再根据栅格间的汇流演算次序,利用扩散波汇流方法依次将各种水源演算至流域出口.模型在进行产汇流计算时,考虑了栅格之间的水量交换以及河道排水网络的影响.以流域地貌特征、土壤及植被类型等下垫面条件为基础,研究了模型参数的估计方法,并对其进行了验证.将模型用于安徽省屯溪流域的洪水模拟,取得了良好的应用效果.     

蚁群算法在黑河上游VIC模型参数校正中的应用

参数优选是水文模型应用过程中的一项基础性工作.蚁群算法结合了分布式计算和正反馈机制,是一种较容易理解和实现的元启发式算法,已在求解复杂组合问题中展示出优异的性能.本文将蚁群算法应用于黑河上游VIC模型的参数优选中,通过与SCE-UA算法对比,探究蚁群算法在VIC模型中的适用性.经过蚁群算法优选的VIC模型在率定期(2003—2006年)和验证期(2007—2008年)的Nash效率系数分别为0.62和0.65,结果优于SCE-UA算法模拟结果.通过对蚁群算法在应用过程中的参数设定进行初步探究,结果表明:当蚂蚁数目为60,信息素蒸发系数为0.2时,蚁群算法在黑河上游水文模拟中易获得较好的率定结果.研究结果显示:蚁群算法是一种有效的VIC模型参数优选方法,适宜在其他水文模型参数优化进行推广.     

新安江模型在乌江独木河流域的应用与改进

为了提高新安江模型在喀斯特地区的模拟精度,以贵州独木河流域为研究对象,使用新安江模型对该流域进行了径流模拟研究.根据模拟分析结果和岩溶地区独特的水文特征,提出了改进新安江模型的3种设想,并对第1种设想(3层蒸散发结构改为2层蒸散发结构)进行了验证.对比分析结果表明,改进后模拟结果的平均确定性系数比改进前的高0.02,改进后的新安江模型可供类似地区的径流分析借鉴.     

参数并行：一种基于群启发式算法的机器学习参数寻优方法

针对机器学习算法超参数寻优效率低的问题和参数寻优主流算法的特点,提出了一种基于参数并行机制的机器学参数寻优方法。该方法利用群启发式算法来进行机器学习算法的参数寻优,将种群转换为Spark平台特有的弹性分布式数据集,针对参数寻优耗时特点并行计算种群中个体适应度。选取随机森林和遗传算法作为实验算法设计了多组实验对所提出的学习训练方法进行验证。实验结果表明,在20万条以下的小数据量下,文中提出的基于参数并行机制的机器学习参数寻优方法与基于数据并行机制的机器学习参数寻优方法相比,运行时间最多能够减少2个小时,并具有良好的可扩展性。