基于启发迁移复形竞争进化算法的水文模型参数率定方法与流程

本发明涉及流域水文模型的，特别是基于启发迁移复形竞争进化算法的水文模型参数率定方法。

背景技术：

1、洗牌复形进化算法是全局寻优算法，是复形竞争进化算法搭载的外部框架。相较于其它全局寻优算法，其特殊的洗牌方式极大地提高了各复形内样本点的空间差异性，具有极强的广度搜索能力。

2、水文模型的误差响应面非常复杂，具有高度非线性、不连续不可导的特性，存在大量局部最优解，全局寻优算法的深度搜索方案普遍相对简单，寻优效率和解的精度较差。大量实验和实际应用证明，复形进化算法采用的单纯形下山搜索法的深度搜索效果优势明显，在参数率定领域应用较广。但其搜索过程中仅仅使用了局部最差点和形心点，并未充分利用局部可用信息。

3、因此，原版的洗牌复形进化算法在复形划分时仍有一定的改进空间，可从样本点之间空间距离的角度划分复形，使复形内各样本点之间的空间距离保持足够的差异性，扩大复形内样本点遍布样本空间的范围，增强算法的广度搜索能力，提高水文模型参数率定的寻优效果。

4、申请公开号为cn106709181a的发明专利申请公开了一种基于并行编程和模块法的分布式水文模型率定方法，所述方法包括：1)基于mpich构建的并行编程环境，耦合开源分布式水文模型源程序与多目标优化算法；2)分别针对日径流序列和峰值序列对水文模型进行率定，并建立相应的模型框架；3)利用模块法合并上述模型的径流输出，形成重组的模拟径流结果。该方法的缺点是仅在算法计算速度上有所提高，并未对算法的机理作出改进，对解的质量没有提升。

5、申请公开号为cn113255206a的发明专利申请公开了一种基于深度强化学习的水文预报模型参数率定方法，包括：根据流域特性选取合适的水文预报模型，确定模型率定的参数及参数取值范围；建立水文预报模型参数率定的强化学习模型，确定强化学习三要素即状态空间、动作空间及奖励函数；应用深度强化学习方法dqn，优化水文预报模型的率定参数。该方法的缺点是计算效率较低，耗时过长，需要特定的gpu硬件支持；易陷入局部最优点，全局性不佳；ai训练结果稳定性较差，多次训练结果可靠性有待提升。

技术实现思路

1、为了解决上述的技术问题，本发明提出的基于启发迁移复形竞争进化算法的水文模型参数率定方法，在复形竞争进化过程中引入局部最优信息进行单纯形下山搜索，并根据搜索效果启发式调整局部最优信息的引入比例，优化单纯形下山搜索方向，增强算法的深度搜索能力。

2、本发明的目的是提供基于启发迁移复形竞争进化算法的水文模型参数率定方法，包括进行数据收集，还包括以下步骤：

3、步骤1：进行复形划分；

4、步骤2：提取单纯形；

5、步骤3：引入所述单纯形的最优信息，生成单纯形搜索点；

6、步骤4：所述单纯形搜索点根据单纯形搜索效果对单纯形最优点的引入比例作出调整；

7、步骤5：替换单纯形最差点为单纯形搜索点，并按原始位置将单纯形样本点重新嵌入复形并按目标函数评估值升序排序复形；

8、步骤6：将各复形填充回总样本，形成新的总样本，完成洗牌复形进化算法的一代进化；

9、步骤7：重复执行步骤1-步骤6，直至满足收敛条件；

10、步骤8：输出水文模型最优参数组。

11、优选的是，所述数据包括特定的水文模型、水文模型适用的有资料流域所属的降雨资料和蒸发资料、实测径流序列资料或人工参数组生成的理想径流序列资料和水文模型需要的流域相关参数。

12、在上述任一方案中优选的是，所述步骤1包括以下子步骤：

13、步骤11：在参数可行空间内随机生成总样本；

14、步骤12：依据各样本目标函数评估值升序排序；

15、步骤13：以复形个数为间隔数间隔提取样本填充复形；

16、步骤14：直至所有复形填充完毕，完成复形划分。

17、在上述任一方案中优选的是，总样本数 s为复形个数 m与复形内样本数 n的乘积，在参数可行空间内，通过梅森旋转算法生成0-1均匀分布随机数，结合各参数维度允许变化上下限之差的绝对值及各参数维度确定的下限值，随机生成总样本 d = { x i,  i = 1, ...,   s}，其中， x i为第 i个样本点。

18、在上述任一方案中优选的是，所述步骤12包括依据各样本点 x i代入水文模型生成的模拟径流序列与实测或理想径流序列一同代入目标函数式计算目标函数评估值 f i，并对总样本d = { x i,  f i, i = 1, ..., s}依据目标函数评估值升序排序。

19、在上述任一方案中优选的是，所述步骤13包括对于复形 a k，从排序后的样本点 x k以复形个数 m作为间隔数间隔提取 n个样本点填充复形 a k，其中， k=1,…, m。

20、在上述任一方案中优选的是，所述步骤13还包括将总样本 d划分为 m个复形， d ={ a k,  k = 1, ...,  m}，复形划分表示为

21、，

22、其中，为总样本，为复形1，为复形2，为复形 m。

23、在上述任一方案中优选的是，所述步骤2包括以下子步骤：

24、步骤21：根据线性概率分布非重复提取复形样本点填充单纯形；

25、步骤22：单纯形内样本点依据目标函数评估值升序排序；

26、步骤23：记录单纯形内最优点和最差点及除最差点外其余点的形心点。

27、在上述任一方案中优选的是，所述步骤21包括设定单纯形样本数 q为复形内样本数 n的一半，根据线性概率分布非重复提取出 n个复形样本的序列号，依据 n个复形样本序列号提取复形样本点，填充至单纯形样本空间x = { x i,  f i,  i = 1, ...,  q}。

28、在上述任一方案中优选的是，采用所述线性概率分布提取序列号的公式为

29、，

30、其中， pos为提取样本的序列号， npg为复形成员个数， genrand_real1为梅森旋转算法0-1均匀分布随机数发生器，为向下取整符号。

31、在上述任一方案中优选的是，所述步骤3包括单纯形最差点以单纯形形心点为参考点反射或收缩，并以一定比例向单纯形最优点做线性偏移，生成初步单纯形搜索点：反射点 x ref_ini和收缩点 x con_ini，公式为

32、 x ref_ini= x w +2( x ce－ x w)

33、，

34、其中， x w为单纯形最差点， x ce为单纯形形心点。

35、在上述任一方案中优选的是，所述步骤3还包括所述初步单纯形搜索点以比例 θ向单纯形最优点做线性偏移，生成最终的单纯形搜索点。生成最终单纯形搜索点：反射点 x ref和收缩点 x con，公式为

36、 x ref=(1－ θ)  x ref_ini+ θx b

37、 x con=(1－ θ)  x con_ini+ θx b

38、其中， x b为单纯形最优点。

39、在上述任一方案中优选的是，所述步骤4包括以下子步骤：

40、步骤41：计算反射搜索点，始化化启发式迁移信号 flag = 0，若反射搜索点在参数可行空间内，记录为反射步搜索点 x ref，代入水文模型计算反射步目标函数评估值 f ref；

41、步骤42：若反射搜索点在参数可行空间外，令 flag = 1，在参数可行域内随机生成一个样本点作为反射步搜索点 x ref，代入水文模型计算反射步目标函数评估值 f ref；

42、步骤43：若反射步搜索点 x ref的目标函数评估值 f ref小于单纯形内所有样本点的目标函数评估最差值 f worst，则视为反射步搜索成功，记录 x ref为最终的单纯形搜索点；若所述启发式迁移信号 flag = 0，则令 flag = -1；若所述启发式迁移信号 flag = 1则保留；

43、步骤44：若反射步搜索点 x ref的目标函数评估值 f ref大于单纯形内所有样本点的目标函数评估最差值 f worst，则视为反射步搜索失败，生成收缩步搜索点 x con并代入水文模型计算收缩步目标函数评估值 f conn；若收缩步搜索点 x con的目标函数评估值 f con小于单纯形内所有样本点的目标函数评估最差值 f worst，则视为收缩步搜索成功，记录 x con为最终的单纯形搜索点，并令 flag = 0；

44、步骤45：若收缩步搜索点 x con的目标函数评估值 f con大于单纯形内所有样本点的目标函数评估最差值 f worst，则视为收缩步搜索失败，令 flag = 1；

45、步骤46：若收缩步搜索失败，在参数可行域内随机生成一个样本点 x random作为收缩步搜索点，代入水文模型计算收缩步目标函数评估值 f random，记录 x random为最终的单纯形搜索点；

46、步骤47：单纯形最优点引入比例的放大系数和减少系数设定1.1和0.9，引入比例的最小值 θ low和最大值 θ high分别设定为0和0.5；引入比例的初始值设定为0.25；

47、步骤48：若 flag < 0，所述比例 θ按所述减少系数进行缩减；若 flag = 0，所述比例 θ保持不变；若 flag > 0，所述比例 θ按所述放大系数进行放大。

48、在上述任一方案中优选的是，所述步骤5包括以下子步骤：

49、步骤51：使用所述步骤4生成的最终的单纯形搜索点，并按原始位置将单纯形样本点重新嵌入复形；

50、步骤52：按目标函数评估值升序排序复形；

51、步骤53：重复 β次计算单纯形搜索点，持续淘汰单纯形中的最差点，以此作为进化原理循环多次完成复形的竞争进化，进化次数β与复形内样本个数相同。

52、在上述任一方案中优选的是，所述收敛条件为总样本中最优点的目标函数评估值满足一定代数下的变化值小于设定阈值。

53、本发明提出了基于启发迁移复形竞争进化算法的水文模型参数率定方法，在复形竞争进化算法的基础上，在单纯形下山搜索时引入局部最优信息，用于校正单纯形搜索方向，并可约束脱离参数可行空间的搜索点回归可行域；同时，在复形循环竞争进化的过程中，基于单纯形下山搜索的效果启发式调整局部最优信息的引入比例，动态地确定最适线性偏移比，增强算法的深度搜索能力。