基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用

《基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、阎俊爱等!基于遗传算法的神经网络水优利化水预电测技模术型及第其!在"年卷径流#$预$报!年中第的应%用期基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用阎俊爱’，-，钟登华’（’6天津大学建筑工程学院，天津$...2-；-6山西财经大学信息管理学院，山西太原.$...3）!摘要"根据径流中长期预测的特点，将遗传算法和神经网络相结合，提出一种年径流预测新算法——遗传神经网络优化预测方法#该方法提高了径流中长期预测模型的优化能力，有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷#最后对实例分别用几种不同的模型进行预测，经比较分析，

2、证明所提出的方法能有效地提高预测精度和速度!关键词"遗传算法；神经网络；年径流预测；预测精度中图分类号："$$5文献标识码：!文章编号：’.../.53.（-..$）.3/...’/.4为了克服人工神经网络在年径流预测中的缺例都包括输入及期望的输出两部分#训练时，首先把陷，本文将遗传算法引入神经网络，对年径流量预测样例的输入信息即各影响因子的实测值输入到网络的!"模型进行优化改进，即用遗传算法优化神经网中，由网络自隐含层开始计算其输入值和输出值，直至络的权重和阈值，然后用优化好的!"模型对洪水年计算出输出层的输出值，然后将其输出与样例的期望输径流进

3、行预报，以达到较好的预测结果#出（即洪水年径流量的实测值）进行比较，如果它们的误差不能满足要求，则沿着原来的连接通路逐层返回，并!年径流量预测的前馈型神经网络——!"利用两者的误差按一定的原则对各层节点的连接权值模型及其算法进行调整，使误差逐步减小，直到满足要求时为止#由年径流量预测的前馈型神经网络!"模型结构由上述训练过程不难看出，!"算法的学习过程是图可知：该网络有输入层、一个隐含层和输出层$层组由正向传播与反向传播组成的#正向传播用于进行网成，其中输入层节点数为影响洪水年径流量的主要前络计算，对某一输入求出它的输出；反向传播用于逐层期预报因子

4、的个数!，其输入值分别为各影响因子的传递误差，修改连接权值，以使网络能进行正确的计实测值"!#；输出层节点数为一个，其输出值为洪水年径算#一旦网络经过训练用于求解现实问题，则就只需流量的预测值$##当有信息（影响洪水径流量的主要正向传播，不需要再进行反向传播#前期预报因子的预测值）向网络输入时，信息首先由输"遗传算法模型（+,）入层传至隐含层节点，经特性函数作用后，再传至输出层进行输出，其间每经过一层都要由相应的特性函数"#!遗传算法优化的基本步骤进行变换#节点的特性函数要求是可微的，通常选用%设有一个待优化的问题&，随机地给出用二进制型函数，本文

5、采用下列函数’收稿日期：-..$/.$/’0%（"）&（’）’()*"基金项目：天津市自然科学基金，国家自然科学基金（1.’20.-$），教育部高等学校骨干教师资助计划和高等学校优秀青年教师教利用!"算法学习的目的对网络的连接权值进行学科研奖励计划资助#调整，使得对任一输入都能得到所期望的输出#学习作者简介：阎俊爱（’034—），女，天津大学博士研究生，工作单位为山的方法是用一组训练样例对网络进行训练，每一个样西财经大学#水!利"#$水%&电$技’()术%*$’第"+,!"-卷.,%(/#($0$$!%1年+第23+%$$期%3+24(56789(

6、6:!阎俊爱等!基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用表示的总数为!的群体"（!"#$%&’%"(），群体中每一个（4）变异,复制和交换算子基本上完成了遗传12个体#$（$)*，+，⋯，!）就是%的一个解,"是%解的算法的大部分搜索功能，而变异则增加了12找到最集合,根据预定的目标函数，对每个个体#$进行评优解的能力,变异是按一定的概率"’对群体中的某价，给出一个适应值&$（-.’(/00），&$表示个体#$对环境些个体的某位随机地翻码，即5变*或*变5，变异本的适应程度，即标志个体#$的质量好坏,优化问题的身是一种随机搜索，然

7、而与复制和交换算子结合在一12求解方法就是通过若干项遗传操作（复制、交换和起，就能避免由于复制与交换算子而引起的某些信息变异）从群体"中找到与最佳适应值&’（最大或最小）的永久性丢失，保证了遗传算法的有效性,对应的个体#’,其具体步骤如图*所示,!"#遗传算法的运行参数由上所述，在遗传算法运行过程中有若干重要的参数，如群体大小!、遗传运算的终止进化代数)、复制概率"$、交叉概率"*、变异概率"’等，这些运行参数对求解结果和求解效率都有一定的影响，而且这些参数的最优值因问题而异，无法按固定规律获得，因此在实际应用中只有针对不同的问题经过多次试算后才能

8、确定出这些参数合理的取值大小和范围,#基于12的神经网络模型在年径流预测中的应用为了改善前馈型6!模型在洪水年径流预测中的