[发明专利]一种基于自适应变异粒子群优化的潮汐智能实时预报方法

权利要求书

1.一种基于自适应变异粒子群优化的潮汐智能实时预报方法，其特征在于：包括以下步骤：

A、载入潮汐实测数据：

所述的潮汐实测数据来源于各个潮汐观测点的实时观测记录值，并将潮汐实测数据归一化处理；

B、构建SAPSO-BP网络预报模型：

基于归一化处理后的潮汐实测数据，创建BP神经网络模型并设置SAPSO优化算法，构建SAPSO-BP网络预报模型：即将自适应的变异算子SA引入传统的粒子群优化算法中PSO，然后将BP神经网络模型的网络参数包括权值和阈值，初始化为自适应粒子群优化算法SAPSO的种群粒子位置；通过SAPSO迭代寻优得到最优的粒子位置即为BP神经网络模型的权值和阈值，将寻优得到的最优网络参数赋给BP神经网络模型进行最终的网络仿真预报；

BP神经网络隐含层输出值由如下公式计算：

Hj=f(Σnwijxi-θj),j=1,2,...,l---(1)]]>

其中：θ_j为隐含层的阈值，f(·)为隐含层节点的非线性传递函数；w_ij为输入层与隐含层之间的权值，n为输入层节点数，l为隐含层节点数，x_i为输入数据；BP网络输出层输出值由如下公式计算：

Ok=Σj=1tHjwjk-ak,k=1,2,...,m---(2)]]>

其中：a_k输出层阈值，w_jk为隐含层与输出层之间的权值，m为输出层节点数，H_j为隐含层输出值；

SAPSO-BP网络预报模型的误差计算公式如下：

ek=12Σkm(Yk-Ok)2,k=1,2,...,m---(3)]]>

其中Y_k为SAPSO-BP网络预报模型的潮汐实测数据，O_k为SAPSO-BP网络预报模型的仿真输出数据，m为输出层节点数；

SAPSO-BP网络预报模型在每一次迭代过程中，粒子的位置和速度更新公式如下：

v_i(t+1)＝ω*v_i(t)+c₁*r₁*(p_i-x_i(t))+c₂*r₂*(p_g-x_i(t)) (4)

x_i(t+1)＝x_i(^t)+v_i(t+1)j＝1,2,···,n (5)

其中ω为惯性权重，k为当前迭代次数，x_i为粒子位置，v_i为粒子速度，P_i为个体极值，P_g为群体极值，c₁和c₂为非负常数，r₁和r₂为介于0和1之间的而随机数；为防止粒子盲目搜索，对粒子的初始位置和速度进行限制；SAPSO-BP网络预报模型的网络参数c1＝c2＝1.55，迭代寻优次数为200，种群规模为20，每个粒子的初始速度限制在[-3,3]之间，每个粒子的初始位置限制在[-5,5]之间，SAPSO-BP网络预报模型中的自适应变异算子公式如下：

pop(j,pos)＝λ*rands(1,1) (6)

其中：j为粒子数量，pos是一个均匀的离散随机整数；pop为粒子种群数量,λ为粒子种群数量的最大值；

C、将BP神经网络的网络参数初始化为SAPSO优化算法的粒子种群位置，BP神经网路的网络参数包括：输入层与隐含层之间的权值、隐含层阈值、隐含层与输出层之间的权值以及输出层阈值；根据误差函数公式计算粒子初始适应度函数值；误差函数计算公式如下：

error＝|Y_k-O_k| (7)

其中：Y_k为预报模型的实际观测数据，O_k为预报模型的仿真输出数据；

D、在每一次迭代过程中，粒子根据更新公式(4)和(5)更新自身的速度和位置；并根据误差函数计算公式(7)计算新的适应度函数值；然后借鉴遗传算法中的变异思想，在PSO算法中引入自适应变异操作，然后根据自适应变异公式(6)计算并更新粒子个体极值和群体极值；

E、判断最优个体适应度函数值即误差函数公式(7)计算的误差函数值是否满足误差设置要求，或者迭代寻优次数是否达到设置要求，如果满足要求则执行步骤F，否则返回步骤D继续进行循环迭代寻优；

F、结束SAPSO优化算法的迭代寻优，将寻优得到的最优网络参数赋值给BP神经网络进行仿真实验；

G、设置BP神经网络的网络参数：迭代循环次数设置在[1,500]之间，学习率和学习目标都设置在[0,1]之间，然后将最优网络参数赋给BP神经网络进行潮汐实时预报仿真实验。

2.根据权利要求1所述的一种基于自适应变异粒子群优化的潮汐智能实时预报方法，其特征在于：步骤G中，所述的迭代循环次数为100、学习率为0.1、学习目标为0.00001。