本发明属于城市规划技术领域。
背景技术:
海绵城市具备“源头减排、过程控制、末端治理”功能,是系统化改善城市水体环境、防治雨洪内涝灾害的有效手段。建立海绵城市规划模型,可以指导海绵城市建设设施选型、建设位置布局,并评估海绵建设方案效果,是海绵城市建设关键环节。优化海绵城市规划模型参数,可以提高模型预测精度,对于提升海绵城市建设效率有重要意义。
但是,目前海绵城市模型参数优化通常采用人工率定方法,但海绵城市模型涉及的参数众多、关系复杂,且部分参数难以通过实验测定,仅依靠相关领域专家经验性判断,预测结果受人为因素干扰程度较高。同时人工率定效率受限于工作时间,工程人力、资金资源消耗大。
技术实现要素:
本发明目的是为了解决海绵城市模型参数优化采用人工率定存在效率低、受人为因素干扰程度高,且存在资源消耗大的问题,提供了一种基于蚁群算法的海绵城市规划模型参数优化方法。
本发明所述基于蚁群算法的海绵城市规划模型参数优化方法,该方法的具体步骤为:
步骤一、根据待优化的海绵城市模型设定目标函数及待优化参数;
步骤二、根据待优化的海绵城市模型的历史参数及参数经验值,设置待优化参数的取值范围;
步骤三、利用各待优化参数的取值范围,采用蚁群算法对目标函数进行迭代计算,直到达到目标函数阈值或迭代次数上限,获取每个参数的最佳取值区间。
进一步地,步骤三所述利用各待优化参数的取值范围,采用蚁群算法获取每个参数的最佳取值区间的具体方法为:
步骤a1、将每个待优化参数的取值范围离散成n等份,获得每个参数的n个取值区间;
步骤a2、对蚁群算法进行初始化;将每个参数的n个取值区间的端点设置为该参数的n+1个节点;
步骤a3、将蚁群中所有蚂蚁随机放置在第一个参数的n+1个节点上;执行步骤a31;
步骤a31、计算每个蚂蚁从当前参数的节点转移到下一个参数的节点的转移概率;执步骤a4;
步骤a4、根据所述转移概率,将蚁群的所有蚂蚁分配至下一个参数的n+1个节点上,执行步骤a41;其中,n为正整数;
步骤a41、判断所述下一个参数是否为该次迭代的最后一个待优化参数,若是,执行步骤a5,否则,执行步骤a31;
步骤a5、计算该次迭代目标函数值,判断所述目标函数值是否达到函数阈值,若是,执行步骤a7,否则,执行步骤a6;
步骤a6、判断当前迭代次数是否达到迭代次数上限,若是,则执行步骤a7,否则,执行步骤a61;
步骤a61、计算每个蚂蚁从当前参数的节点转移到第一个参数的节点的转移概率;返回执行步骤a4;
步骤a7、计算每个参数n+1个节点的信息素强度,根据每个参数的节点的信息素强度获取最优路径,根据最优路径获取各参数的最佳取值区间。
进一步地,步骤一中所述待优化参数包括:城市汇水区雨水径流量和污染物浓度。
进一步地,步骤四中对蚁群算法进行初始化为:设置迭代次数上限,节点信息强度素初始值;所有节点信息素强度初始值均相同,设置蚁群中蚂蚁的总数量,设置目标函数阈值。
进一步地,步骤八中所述计算每个参数n+1个节点的信息素强度的具体公式为:
τij(t+n)=ρ·τij(t)+δτij
δτij=∑m/k=1δτijk
τij(t)表示t时刻在路线ij上的信息素残留量,ρ代表信息素的残留度,δτijk表示第k只蚂蚁在本次循环中留在路径ij上的信息量,δτij表示本次循环中所有经历过路径ij的蚂蚁留在该路径上的信息量的增量。
进一步地,步骤a5中所述计算该次迭代目标函数值的计算方法为:采用公式:
计算实现,其中,n是该次迭代海绵城市模型输出的数据的组数,qsim该次迭代海绵城市模型输出的数据值,qobs与qsim对应的实际观测值,
本发明提出了基于蚁群算法的海绵城市规划模型参数优化方法,在一定程度上修正了传统水科学模型对于实际城市水环境模拟存在误差的情况,对于海绵城市水体环境现状的评估具有重要意义。现有的模型校正方法不但十分复杂,且只适用于结构相对简单的的线性输入输出水文模型。本发明提出的蚁群算法解析手段相较于人工手动率定,具有普适性和收敛速度快等优点,可以快速准确的得到预测结果,从而使得海绵城市设计模型能够更加精准有效的反映真实的城市生态特征。此外,蚁群算法还具有较强的自学习、自适应性和容错性强等优点,区别于人工率定受专业知识限制和抗干扰性差,使用人员可以无需精通模型输入输出的原理方程,直接运用在模型核心参数的优选研究即可,有效的提高了参数率定效率效率、受人为因素干扰程度小,减少了资源浪费。
经过本发明所述方法优化后的海绵城市设计模型预测值与实际值的差值有了明显的减少,原始模型的nash–sutcliffe效率系数在0.3-0.6区间上下浮动,优化后基本稳定到了0.8左右。说明海绵城市设计模型对于实际城市的水文环境模拟具有良好的适用性,研究结果也表明,利用蚁群算法优化后的综合水文模型在一定程度上改善了水文模型中参数优化和输出结果的问题,极大地提高模型的实用性。
附图说明
图1是本发明采用蚁群算法获取每个参数的最佳取值区间的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
具体实施方式一:本实施方式所述基于蚁群算法的海绵城市规划模型参数优化方法,该方法的具体步骤为:
步骤一、根据待优化的海绵城市模型设定目标函数及待优化参数;
步骤二、根据待优化的海绵城市模型的历史参数及参数经验值,设置待优化参数的取值范围;
步骤三、利用各待优化参数的取值范围,采用蚁群算法对目标函数进行迭代计算,直到达到目标函数阈值或迭代次数上限,获取每个参数的最佳取值区间。
进一步地,结合图1进行说明,步骤三所述利用各待优化参数的取值范围,采用蚁群算法获取每个参数的最佳取值区间的具体方法为:
步骤a1、将每个待优化参数的取值范围离散成n等份,获得每个参数的n个取值区间;
步骤a2、对蚁群算法进行初始化;将每个参数的n个取值区间的端点设置为该参数的n+1个节点;
步骤a3、将蚁群中所有蚂蚁随机放置在第一个参数的n+1个节点上;执行步骤a31;
步骤a31、计算每个蚂蚁从当前参数的节点转移到下一个参数的节点的转移概率;执步骤a4;
步骤a4、根据所述转移概率,将蚁群的所有蚂蚁分配至下一个参数的n+1个节点上,执行步骤a41;其中,n为正整数;
步骤a41、判断所述下一个参数是否为该次迭代的最后一个待优化参数,若是,执行步骤a5,否则,执行步骤a31;
步骤a5、计算该次迭代目标函数值,判断所述目标函数值是否达到函数阈值,若是,执行步骤a7,否则,执行步骤a6;
步骤a6、判断当前迭代次数是否达到迭代次数上限,若是,则执行步骤a7,否则,执行步骤a61;
步骤a61、计算每个蚂蚁从当前参数的节点转移到第一个参数的节点的转移概率;返回执行步骤a4;
步骤a7、计算每个参数n+1个节点的信息素强度,根据每个参数的节点的信息素强度获取最优路径,根据最优路径获取各参数的最佳取值区间。
本发明开发了一种基于蚁群模型算法的海绵城市模型参数自动率定方法。蚁群算法受蚂蚁觅食行为启发,核心在于蚂蚁之间通过化学信息素的痕迹进行间接交流,从而找到巢穴和食物之间的最短路径。发明中以模型参数作为蚁群行进路径上食物点,建立模型预测精度与蚁群路径总距离的方程关系,通过优化蚁群最短路径筛选预测精度最高的参数赋值,提高模型预测精度。该参数优化算法依托于计算机迭代求解,自动化程度大幅增强,解决了模型建设对专业人员依赖性高的缺陷,模型预测精度、参数优化速度显著提高。此算法为海绵城市规划设计模型中各参数的优化提供一种全新的解决思路。
进一步地,步骤一中所述待优化参数包括:城市汇水区雨水径流量和污染物浓度。
进一步地,步骤四中对蚁群算法进行初始化为:设置迭代次数上限,节点信息强度素初始值;所有节点信息素强度初始值均相同,设置蚁群中蚂蚁的总数量,设置目标函数阈值。
进一步地,步骤八中所述计算每个参数n+1个节点的信息素强度的具体公式为:
τij(t+n)=ρ·τij(t)+δτij
δτij=∑m/k=1δτijk
τij(t)表示t时刻在路线ij上的信息素残留量,ρ代表信息素的残留度,δτijk表示第k只蚂蚁在本次循环中留在路径ij上的信息量,δτij表示本次循环中所有经历过路径ij的蚂蚁留在该路径上的信息量的增量。
进一步地,步骤a5、所述计算该次迭代目标函数值的计算方法为:采用公式:
计算实现,其中,n是该次迭代海绵城市模型输出的数据的组数,qsim该次迭代模型输出值,qobs与qsim对应的实际观测值,
具体实施例:
本发明所述方法已成功应用于a城市,运用优化核心参数后的海绵城市规划设计智慧模型对a城市的城市汇水区雨水径流量进行模拟,具体过程如下:
(1)收集整理海绵城市规划设计智慧模型的数据,包括城市汇水区雨水径流量和污染物浓度。将nash–sutcliffe效率系数作为目标函评估预测值与实际值的拟合程度。
(2)确定模型需要优化的参数为调蓄层渗透率,平衡下渗率砂土为29.97~120.40,壤土为1.02~10.92,粘土为0.254~0.51;
(3)将调蓄层渗透率的取值范围十等分,共十一个取值节点;砂土为29.97、39.01、48.05、57.10、66.14、75.18、84.23、93.27、102.31、111.35、120.40;壤土为:1.02、2.01、3.00、3.99、4.98、5.97、6.96、7.95、8.94、9.93、10.92;粘土为0.254、0.280、0.305、0.331、0.356、0.382、0.408、0.433、0.459、0.484、0.510。
(4)对所有变量各个点位之间的信息强度赋相同的初值,确定能见度,信息启发式因子α=0.9,期望启发式因子β=1.0,确定循环次数,开始迭代计算;
(5)分别设置蚂蚁数量m∈{8,9,10,11,12,13,14},计算转移概率,将m只蚂蚁随机放在第一个参数的点位上,并按照计算的转移概率转移到下一个变量的各节点;
(6)更新蚂蚁已经走过路径的信息素强度,从而达到修正后面各变量路径被蚂蚁选择的概率;
(7)继续迭代直至达到最大迭代次数50次,数据在迭代四十次的时候基本达到稳定,计算后得出各变量的最佳取值砂土为120.3963、壤土为3.3021、粘土为0.25423。
(8)输出迭代结果,计算城市汇水区雨水径流量的nash–sutcliffe效率系数分别为0.78、0.76、0.70、0.73、0.74。
在对海绵城市设计模型的主要参数进行优化后,将蚁群算法优化前后模拟的城市汇水区雨水径流量与实测值进行对比,结果如表1所示。
表1优化前后城市汇水区雨水径流量的纳什效率系数
从表1的纳什效率系数可知,优化前城市汇水区雨水径流量的纳什效率系数最大为0.56,最小为0.35,优化后的纳什效率系数最大为0.78,最小为0.70。经过优化后,预测值与实测值的拟合程度均有了大幅度的提升,最高提升了约40%。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。