改进IGA-GP方法在流域需水预测中的应用——以黄河流域为例

摘要：

遗传算法是借鉴生物学的自然选择和遗传进化机制,通过作用于染色体上的基因寻找优良的染色体,求到待解问题最优解的一个近似解.针对遗传算法易陷入局部最优解的不足,采用改进的遗传算法(IGA)与遗传编程(GP)相结合,建立有广泛搜索能力和很强的局部精化能力的IGA-GP算法,将该算法应用于BP神经网络的优化,优化的原理是运用GP自动生成BP正向计算过程中隐含层到输出层的函数关系式,此函数关系式可随着训练样本的变化而自动调整,使得新加入的样本影响已学习完的样本的问题得到最终解决,因而可进一步增强BP网络的自适应能力和抗干扰能力;同时用IGA代替BP的反向传播算法,加快收敛速度和克服BP易陷入局部最优的不足,从而实现了对BP神经网络的优化.并在此基础上建立了黄河流域需水预测模型,误差分析结果显示,IGA-GP算法预测结果最大误差为2.894%,最小误差为0.088%,满足误差精度不大于5%的要求,而没有优化的BP神经网络拟合结果最大误差为8.314%,最小误差为0.832%,不满足预测精度要求,证明该IGA-GP模型具有较高的预测精度.鉴于此,通过IGA-GP的算法对黄河流域2010、2020及2030水平年工业、农业、生活及生态需水量进行了预测.

关键词：遗传算法、遗传编程、神经网络、黄河流域、需水预测

所属期刊栏目：31

分类号：TP39(计算技术、计算机技术)

资助基金：国家自然科学基金;陕西省教育厅科学研究项目;西安理工大学科研项目

在线出版日期：2009-03-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：830-835