異構(gòu)多種群粒子群優(yōu)化算法在水位流量關(guān)系擬合中的應(yīng)用

崔東文

（云南省文山州水務(wù)局，云南 文山 663000）

異構(gòu)多種群粒子群優(yōu)化算法在水位流量關(guān)系擬合中的應(yīng)用

崔東文

（云南省文山州水務(wù)局，云南 文山 663000）

通過8個(gè)復(fù)雜函數(shù)對(duì)一種異構(gòu)多種群粒子群優(yōu)化算法進(jìn)行仿真驗(yàn)證，并與傳統(tǒng)單種群粒子群優(yōu)化算法進(jìn)行對(duì)比。針對(duì)水位流量關(guān)系擬合中相關(guān)參數(shù)難以確定的不足，利用異構(gòu)多種群粒子群優(yōu)化算法優(yōu)化水位流量關(guān)系相關(guān)參數(shù)，以云南省龍?zhí)墩?、西洋站水位流量關(guān)系擬合為例進(jìn)行實(shí)例研究，并與粒子群優(yōu)化算法、最小二乘法擬合結(jié)果進(jìn)行對(duì)比。結(jié)果表明：異構(gòu)多種群粒子群優(yōu)化算法收斂精度遠(yuǎn)遠(yuǎn)優(yōu)于粒子群優(yōu)化算法，具有較好的計(jì)算魯棒性和全局尋優(yōu)能力。該算法對(duì)龍?zhí)墩竞臀餮笳舅涣髁筷P(guān)系擬合的平均相對(duì)誤差絕對(duì)值分別僅為0.27%和0.50%，擬合精度優(yōu)于粒子群優(yōu)化算法和最小二乘法。利用異構(gòu)多種群粒子群優(yōu)化算法優(yōu)化水位流量關(guān)系可以獲得更好的擬合效果。

水位流量關(guān)系；異構(gòu)多種群粒子群優(yōu)化算法；參數(shù)優(yōu)化；盤龍河；西洋江

崔東文.異構(gòu)多種群粒子群優(yōu)化算法在水位流量關(guān)系擬合中的應(yīng)用［J］.水利水運(yùn)工程學(xué)報(bào)，2015（5）：89－95.（CUIDong?wen.Application of convergent heterogeneous particle swarm optimization to fitting stage?discharge relation［J］.Hydro?Science and Engineering，2015（5）：89－95.）

水位流量關(guān)系是指河流某斷面的流量與其水位之間的對(duì)應(yīng)狀態(tài)，通常采用經(jīng)驗(yàn)曲線、經(jīng)驗(yàn)方程或表格等形式表達(dá)，受水面寬、斷面面積、水力比降和糙率等各種水力因素的影響，具有較大的不確定性。提高水位流量關(guān)系擬合精度對(duì)于水利水電工程規(guī)劃、水文預(yù)測(cè)預(yù)報(bào)以及實(shí)行最嚴(yán)格水資源管理制度具有重要意義。目前曼寧公式冪指數(shù)法和多項(xiàng)式法常用于構(gòu)造水位流量關(guān)系表達(dá)式，其相關(guān)參數(shù)的選取對(duì)于水位流量關(guān)系擬合精度有著關(guān)鍵性影響，目前用于水位流量關(guān)系參數(shù)選取的方法主要有最小二乘法（Least Square Method，LSM）［1］、遺傳算法（Genetic Algorithm，GA）［2］、混合禁忌搜索算法（Tabu Search Algorithm，TSA）［3］等，在提高水位流量關(guān)系擬合精度上取得了較好的效果。粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法是近年來發(fā)展起來的一種新型進(jìn)化算法（Evolutionary Algorithms，EA），具有實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)，并被證明在大多數(shù)情況下比GA更有效。然而在實(shí)際應(yīng)用中，傳統(tǒng)單種群PSO算法存在易陷入局部最優(yōu)、收斂較慢等缺點(diǎn)，針對(duì)這一缺點(diǎn)，諸多PSO改進(jìn)方法被紛紛提出，如基于參數(shù)選擇的改進(jìn)方法［4－5］、基于混合算法的改進(jìn)方法［6－9］、基于多種群設(shè)計(jì)的改進(jìn)方法［10］以及基于異構(gòu)多種群策略的改進(jìn)方法［11］等，均在提升PSO算法收斂性能及收斂速度方面取得了較好效果。其中，基于異構(gòu)多種群策略改進(jìn)的PSO算法具有一定優(yōu)勢(shì)，對(duì)提高PSO算法在實(shí)際應(yīng)用中的求解性能具有重要意義。然而，目前關(guān)于PSO算法的異構(gòu)多種群策略研究中，子群大多采用相同的搜索策略和機(jī)制，使得多種群PSO算法的性能提升受到一定限制。文獻(xiàn)［12］提出一種新型異構(gòu)多種群粒子群優(yōu)化（Convergent Heterogeneous Particle Swarm Optimization，CHPSO）算法，該算法將整個(gè)種群分為4個(gè)異構(gòu)但彼此信息共享的子群，各子群采用不同的搜索策略進(jìn)行搜索，依據(jù)不同的信息共享機(jī)制在子群之間進(jìn)行信息共享，最終將子群中最優(yōu)解作為該算法的全局最優(yōu)解。

由于多項(xiàng)式型水位流量關(guān)系因其圖形與大部分觀測(cè)站的水文特性相符而被廣泛采用。因此本文采用多項(xiàng)式型水位流量關(guān)系擬合表達(dá)式，利用CHPSO算法優(yōu)化確定多項(xiàng)式系數(shù)，并以云南省龍?zhí)墩?、西洋站水位流量關(guān)系擬合為例進(jìn)行實(shí)例研究。主要做法為：一是利用8個(gè)復(fù)雜函數(shù)對(duì)CHPSO算法進(jìn)行驗(yàn)證，并與單種群粒子群優(yōu)化（PSO）算法進(jìn)行對(duì)比。二是利用CHPSO算法優(yōu)化確定多項(xiàng)式系數(shù)，并與PSO算法、LSM算法擬合結(jié)果進(jìn)行對(duì)比。

1 異構(gòu)多種群粒子群優(yōu)化算法

異構(gòu)多種群粒子群優(yōu)化（CHPSO）算法是文獻(xiàn)［12］提出的一種新型粒子群改進(jìn)算法。其基本原理是：在進(jìn)化過程中將整個(gè)種群分為S1，S2，S3和S4共4個(gè)異構(gòu)但彼此信息共享的子群，各子群采用不同的搜索策略進(jìn)行搜索，并依據(jù)不同的信息共享機(jī)制在子群之間進(jìn)行信息共享，最終將4個(gè)子群中最優(yōu)解作為該算法全局最優(yōu)解，即

CHPSO算法各子群定義及粒子更新規(guī)則如下：

定義1：定義S1和S2為開發(fā)搜索的基本子群，其粒子更新策略采用經(jīng)典粒子群速度及位置的更新方式：

式中：上標(biāo)（1）／（2）表示基本子群S1和S2；γ1，γ2分別為S1和S2子群的（t＋1）代粒子的適應(yīng)度值。

定義2：定義S3為自適應(yīng)子群，采用式（2）進(jìn)行速度及位置更新：

式中：γ＝γ1＋γ2；r3和r4為分布于［0，1］之間的隨機(jī)數(shù)。

定義3：定義S4為探索子群，采用式（3）進(jìn)行速度及位置更新：

式中：α1，α2，α3為權(quán)重系數(shù)，約束于1＝α1＋α2＋α3，本文取α1＝1／6，α2＝1／3，α3＝1／2。

從CHPSO算法可以看出：CHPSO算法基于不同子群粒子更新搜索機(jī)制以及信息共享機(jī)制，可以有效提高搜索能力和實(shí)現(xiàn)局部搜索與全局搜索之間的良好平衡，有利于獲得全局最優(yōu)解。其中，子群S1，S2是子群S3和S4信息更新的基礎(chǔ)，S3利用基本子群S1，S2粒子速度及適應(yīng)度值來更新自身粒子的位置及速度；子群S4是唯一共享所有信息的子群，其利用其他3個(gè)子群粒子信息來獲得更多的潛在解、保持種群多樣性以及探索新的未知空間。文獻(xiàn)［12］表明該算法可有效引導(dǎo)粒子趨于全局最優(yōu)解。

2 CHPSO算法優(yōu)化水位流量關(guān)系的實(shí)現(xiàn)步驟

CHPSO算法實(shí)現(xiàn)水位流量關(guān)系優(yōu)化的基本思想是：確定水位流量關(guān)系表達(dá)式，從而確定表達(dá)式中待優(yōu)化系數(shù)向量；將CHPSO算法中整個(gè)種群平分為4個(gè)子群，每個(gè)子群粒子所處空間位置均包含一組待優(yōu)化向量，通過適應(yīng)度函數(shù)來衡量各子群粒子所處空間位置的優(yōu)劣，并利用式（1）～（3）更新操作來獲取各子群最佳函數(shù)值對(duì)應(yīng)的粒子空間位置，并將各子群中最佳函數(shù)值對(duì)應(yīng)的粒子空間位置作為全局最優(yōu)解，即待優(yōu)化系數(shù)向量。

CHPSO算法優(yōu)化水位流量關(guān)系的實(shí)現(xiàn)步驟可歸納如下：

Step 1確定水位流量關(guān)系表達(dá)式。本文采用多項(xiàng)式型水位流量關(guān)系表達(dá)式，其流量與水位關(guān)系可用下

式表示：

式中：Q為流量；H為與之對(duì)應(yīng)的水位；X0，X1，…，Xi為多項(xiàng)式系數(shù)，即為待優(yōu)化參數(shù)。

Step 2確定CHPSO算法的適應(yīng)度函數(shù)。本文選用平均相對(duì)誤差絕對(duì)之和作為適應(yīng)度函數(shù)：

式中：Qi為第i組實(shí)測(cè)流量；Q＾i為第i組擬合流量；m為水位－流量組數(shù)。

Step 3初始化控制參數(shù)。設(shè)置最大迭代次數(shù)，種群規(guī)模n，慣性因子ω，局部學(xué)習(xí)因子、全局學(xué)習(xí)因子c1，c2，并令初始迭代數(shù)t＝1。

Step 4定義子群。將種群規(guī)模n平分為S1，S2，S3和S4共4個(gè)子群，表示為

和速度Vsk。

Step 6依據(jù)式（5）計(jì)算各子群粒子的適應(yīng)度值，并利用式（1）～（3）更新各粒子個(gè)體位置，將各子群中個(gè)體極值Pi設(shè)置為當(dāng)前位置，群體極值Pg設(shè)置為初始群體中最佳粒子的位置。

Step 8比較各子群中粒子適應(yīng)度值，保留4個(gè)子群中粒子個(gè)體最優(yōu)位置

Step 9判斷算法迭代終止條件是否滿足，如果滿足，轉(zhuǎn)向Step10；否則，t＝t＋1，并執(zhí)行Step6。

Step10算法結(jié)束，獲得最優(yōu)位置Pg，即待優(yōu)化系數(shù)向量。

3 算法驗(yàn)證

為客觀評(píng)價(jià)CHPSO算法性能，本文利用8個(gè)復(fù)雜函數(shù)對(duì)該算法的性能進(jìn)行驗(yàn)證，并與PSO算法尋優(yōu)結(jié)果進(jìn)行對(duì)比，見表1。CHPSO算法參數(shù)設(shè)置為：最大迭代次數(shù)T＝2 000，種群規(guī)模n＝40；慣性因子ω采用線性遞減法，ωmax＝0.90，ωmin＝0.35；局部學(xué)習(xí)因子、全局學(xué)習(xí)因子c1＝c2＝1.494 45；探索子群S4位置更新的權(quán)重系數(shù)分別為α1＝1／6，α2＝1／3，α3＝1／2。PSO算法參數(shù)設(shè)置為：最大迭代次數(shù)T＝2 000，種群規(guī)模n＝50，ωmax＝0.90，ωmin＝0.35，局部學(xué)習(xí)因子、全局學(xué)習(xí)因子c1＝c2＝1.494 45，個(gè)體速度限制為［－0.5，0.5］。

2種算法基于Matlab 2010a用M語言實(shí)現(xiàn)，對(duì)表1中8個(gè)函數(shù)重復(fù)進(jìn)行20次尋優(yōu)計(jì)算，見表2。并從最優(yōu)值、最劣值、平均值、標(biāo)準(zhǔn)差和計(jì)算成功率5個(gè)方面對(duì)2種算法進(jìn)行評(píng)估，當(dāng)滿足式（6）時(shí)，即認(rèn)為當(dāng)前尋優(yōu)計(jì)算成功。

表1 基準(zhǔn)函數(shù)Tab.1 Reference functions

（續(xù)表）

式中：F為函數(shù)的理想最優(yōu)值；F?為每次尋優(yōu)計(jì)算所得最優(yōu)函數(shù)值。

表2給出了2種算法的尋優(yōu)計(jì)算統(tǒng)計(jì)結(jié)果。

表2 函數(shù)優(yōu)化對(duì)比結(jié)果Tab.2 Function optimization contrast results

從表2可以看出，對(duì)各個(gè)測(cè)試函數(shù)兩種算法皆獨(dú)立運(yùn)行20次的情況下，CHPSO算法收斂精度遠(yuǎn)遠(yuǎn)優(yōu)于PSO算法，其獲得的最優(yōu)值、最劣值、平均值和標(biāo)準(zhǔn)差均比PSO算法的優(yōu)化結(jié)果提高了10個(gè)數(shù)量級(jí)以上，尋優(yōu)成功率均達(dá)到100%。尤其是對(duì)Eggcrate，Sphere，Quadric，Griewank，Zakharov，Sumsquares和Schwefel 2.22函數(shù)的優(yōu)化結(jié)果比PSO算法提高了100個(gè)數(shù)量級(jí)以上，表現(xiàn)出較高的尋優(yōu)精度和較好的算法執(zhí)行能力。其中，CHPSO算法對(duì)于Eggcrate，Griewank函數(shù)的尋優(yōu)效果達(dá)到了理論最優(yōu)解，獲得的最優(yōu)值、最劣值、平均值和標(biāo)準(zhǔn)差均為0。

可見，基于不同子群間各異的粒子更新搜索策略以及信息共享機(jī)制的CHPSO算法獲得了較為理想的尋優(yōu)效果，同標(biāo)準(zhǔn)PSO算法相比，其優(yōu)勢(shì)非常明顯，表現(xiàn)出更高的尋優(yōu)精度和全局搜索能力。

4 實(shí)例應(yīng)用

本文以云南省龍?zhí)墩?、西洋?000年32組典型的水位流量數(shù)據(jù)為例進(jìn)行實(shí)例研究。實(shí)測(cè)的32組數(shù)據(jù)見表3。經(jīng)最小二乘法（LMS）二次、三次、四次和五次多項(xiàng)式擬合比較，當(dāng)采用四次多項(xiàng)式擬合時(shí)LMS算法具有最佳水位流量擬合效果。因此，本文應(yīng)用CHPSO，PSO及LMS算法對(duì)龍?zhí)墩?、西洋站水位流量四次多?xiàng)式進(jìn)行擬合，并選取平均相對(duì)誤差絕對(duì)值ea和最大相對(duì)誤差絕對(duì)值eamax對(duì)各算法擬合效果進(jìn)行評(píng)價(jià)，其中，CHPSO與PSO算法搜索空間為－100～100，其余參數(shù)設(shè)置均同上。各算法擬合及比較結(jié)果見表4及圖1。

表3 2000年實(shí)測(cè)的32組水位流量數(shù)據(jù)Tab.3 Measured data of 32 groups of water level and flow discharge in 2000

式中：Qi為第i組實(shí)測(cè)流量；Q＾i為第i組擬合流量；m為水位流量組數(shù)。

表4 龍?zhí)墩炯拔餮笳舅涣髁筷P(guān)系擬合及結(jié)果比較Tab.4 Water level flow relationship fitting and comparison of results of Longtan and Xiyang stations

從表4可以看出，CHPSO算法對(duì)龍?zhí)墩舅涣髁筷P(guān)系擬合的ea，eamax僅為0.27%和0.55%，精度分別比PSO算法和LMS算法提高了50.9%和48.1%；對(duì)西洋站水位流量關(guān)系擬合的ea，eamax僅為0.50%和1.64%，精度分別比PSO算法和LMS算法提高了81.5%和47.4%。擬合精度均優(yōu)于PSO算法和LMS算法，表明CHPSO算法具有較好的收斂精度和全局尋優(yōu)能力，利用CHPSO算法優(yōu)化水位流量關(guān)系可以獲得更好的擬合效果。從圖1來看，基于CHPSO算法的流量擬合結(jié)果相對(duì)誤差最小，其次是LMS法，基于PSO算法的流量擬合誤差相對(duì)較大。

圖1 龍?zhí)墩竞臀餮笳玖髁繑M合相對(duì)誤差Fig.1 Flow fitting relative errors for Longtan and Xiyang station

5 結(jié) 語

（1）介紹了新型異構(gòu)多種群粒子群優(yōu)化（CHPSO）算法，通過8個(gè)高維復(fù)雜函數(shù)對(duì)該算法進(jìn)行對(duì)比驗(yàn)證。結(jié)果表明基于不同子群間各異的粒子更新搜索策略以及信息共享機(jī)制的CHPSO算法具有更好的收斂精度和全局尋優(yōu)能力。

（2）提出CHPSO算法優(yōu)化水位流量關(guān)系的步驟及方法，利用CHPSO算法優(yōu)化水位流量關(guān)系，不但提高了水位流量關(guān)系的擬合精度，而且為解決水位流量關(guān)系相關(guān)參數(shù)尋優(yōu)問題提供了一種全新的途徑和方法。

（3）從2個(gè)實(shí)例的擬合結(jié)果來看，CHPSO算法的擬合精度優(yōu)于PSO算法及LMS算法，可為相關(guān)水位流量關(guān)系擬合提供借鑒和參考。

［1］戴凌全，戴會(huì)超，蔣定國，等.基于最小二乘法的河流水位流量關(guān)系曲線推算［J］.人民黃河，2010，32（9）：37?39.（DAI Ling?quan，DAIHui?chao，JIANG Ding?guo，etal.Relationship curve of riverwater level flow based on least squaremethod［J］. Yellow River，2010，32（9）：37?39.（in Chinese））

［2］楊曉華，陸桂華，酈建強(qiáng).自適應(yīng)加速遺傳算法及其在水位流量關(guān)系擬合中的應(yīng)用［J］.水文，2002，22（2）：14?18.（YANG Xiao?hua，LU Gui?hua，LI Jian?qiang.Adaptive accelerating genetic algorithm and in the stage discharge relation fitting［J］.Hydrology，2002，22（2）：14?18.（in Chinese））

［3］汪嘉楊，李祚泳，倪長(zhǎng)健，等.基于混合禁忌搜索算法的水位流量關(guān)系擬合［J］.系統(tǒng)工程，2006，24（6）：107?110.（WANG Jia?yang，LIZuo?yong，NIChang?jian，et al.Fitting ofwater level flow relationship based on hybrid tabu search algorithm［J］. System Engineering，2006，24（6）：107?110.（in Chinese））

［4］趙遠(yuǎn)東，方正華.帶有權(quán)重函數(shù)學(xué)習(xí)因子的粒子群算法［J］.計(jì)算機(jī)應(yīng)用，2013，33（8）2265?2268.（ZHAO Yuan?dong，F(xiàn)ANG Zheng?hua.Particle swarm optimization algorithm with weight function's learning factor［J］.Journal of Computer Applications，2013，33（8）2265?2268.（in Chinese））

［5］郜振華，梅莉，祝遠(yuǎn)鑒.復(fù)合策略慣性權(quán)重的粒子群優(yōu)化算法［J］.計(jì)算機(jī)應(yīng)用，2012，32（8）：2216?2218.（GAO Zhen?hua，MEI Li，ZHU Yuan?jian.Particle swarm optimization algorithm with composite strategy inertia weight［J］.Journal of Computer Applications，2012，32（8）：2216?2218.（in Chinese））

［6］余玉豐，李國，徐晨.基于分組的PSO與DE的混合算法［J］.計(jì)算機(jī)應(yīng)用究研究，2014，31（8）：2294?2298.（YU Yu?feng，LIGuo，XU Chen.Hybrid algorithm based on grouped PSO and DE［J］.Application Research of Computers，2014，31（8）：2294?2298.（in Chinese））

［7］劉朝華，張英杰，章兢，等.一種雙態(tài)免疫微粒群算法［J］.控制理論與應(yīng)用，2011，28（1）：65?72.（LIU Zhao?hua，ZHANGYing?jie，ZHANG Jing，et al.A two?state immune particle swarm optimization algorithm［J］.Control Theory＆Applications，2011，28（1）：65?72.（in Chinese））

［8］林國漢，章兢，劉朝華.免疫綜合學(xué)習(xí)粒子群優(yōu)化算法［J］.計(jì)算機(jī)應(yīng)用研究，2014，31（11）：3229?3233.（LIN Guo?han，ZHANG Jing，LIU Zhao?hua.Immune comprehensive learning particle swarm optimization algorithm［J］.Application Research of Computers，2014，31（11）：3229?3233.（in Chinese））

［9］郭一楠，程健，曹媛媛，等.基于混沌知識(shí)遷移的多種群粒子群文化算法［J］.控制理論與應(yīng)用，2011，28（9）：1056?1062.（GUO Yi?nan，CHENG Jian，CAO Yuan?yuan，et al.Multi group particle swarm culture algorithm based on chaotic knowledge transfer［J］.Control Theory＆Applications，2011，28（9）：1056?1062.（in Chinese））

［10］劉衍民，隋常玲，趙慶禎.基于K?均值聚類的動(dòng)態(tài)多種群粒子群算法及其應(yīng)用［J］控制與決策，2011，26（7）：1019?1025.（LIU Yan?min，SUI Chang?ling，ZHAO Qing?zhen.Dynamic multi?swarm particle swarm optimizer based on K?means clustering and its application［J］.Control and Decision，2011，26（7）：1019?1025.（in Chinese））

［11］倪慶劍，鄧建明，邢漢承.基于異構(gòu)多種群策略的動(dòng)態(tài)概率粒子群優(yōu)化算法［J］模式識(shí)別與人工智能，2014，27（2）：146?152.（NI Qing?jian，DENG Jian?ming，XING Han?cheng.Dynamic probabilistic particle swarm optimization based on heterogeneousmultiple population strategy［J］.Pattern Recognition and Artificial Intelligence，2014，27（2）：146?152.（in Chinese））

［12］CHEUNG N J，DING Xue?ming，SHEN Hong?bin.Convergent heterogeneous particle swarm optimization for Takagi?Sugeno fuzzy modeling［J］.IEEE Trans on Fuzzy System，2014，22（4）：919?933.

Application of convergent heterogeneous particle swarm optim ization to fitting stage?discharge relation

CUIDong?wen
（Wenshan Water Conservancy Bureau of Yunnan Province，Wenshan 663000，China）

By use of 8 complex functions，a heterogeneous multi group particle swarm optimization algorithm is simulated，comparing with the traditional single population particle swarm optimization algorithm.Aiming at the deficiencies of the stage discharge relation fitting in it is difficult to determine the parameters，using a variety of the heterogeneous particle swarm optimization algorithm for optimizing the relative parameters of the stage?discharge relationship，taking stage?discharge relation fitting of Yunnan Province Longtan station，Xiyang station as case studies，and the particle swarm optimization algorithm and least squares fitting results are compared in the study. The analysis results show that the convergence accuracy of the heterogeneous multi group particle swarm optimization algorithm is much better than the particle swarm optimization algorithm，with good computational robustness and global optimization ability.The relative error absolute values of the fitting for the relationships between the water level of the Longtan railway station and the Xiyang station are only 0.27%and 0.50% respectively.The fitting accuracy is better than that of the particle swarm optimization and the least squaremethod. The better fitting effect can be obtained by optimizing the water level flow relationship by using the heterogeneous multi group particle swarm optimization algorithm.

stage?discharge relation fitting；convergent heterogeneous particle swarm optimization algorithm；parameter optimization；Panlong River；Xiyang River

P337－3

A

1009－640X（2015）05－0089－07

10.16198／j.cnki.1009－640X.2015.05.012

2015－02－05

崔東文（1978—），男，云南玉溪人，高級(jí)工程師，主要從事水資源水環(huán)境研究及水資源保護(hù)等工作。E?mail：cdwgr＠163.com.