[发明专利]一种基于萤火虫算法的内涝模型预测方法

权利要求书

1.一种基于萤火虫算法的内涝模型预测方法，其特征在于，包括以下步骤：

步骤1、使用神经网络的训练误差作为萤火虫个体的适应度函数训练神经网络的阈值和权重，得到训练好的神经网络；

步骤2、使用步骤1中得到的神经网络构建内涝预测模型。

2.根据权利要求1所述的基于萤火虫算法的内涝模型预测方法，其特征在于，步骤1具体包括以下步骤：

步骤1.1：初始化

步骤1.1.1：神经网络的输入层、隐含层和输出层的神经元个数分为为n，m，g；使用实数编码对个体进行表征，实数编码包含隐含层阈值b_j、输出层阈值θ_k、输入层与隐含层之间的权重v_ij、隐含层与输出层之间的权重w_jk，则神经网络需要优化的参数个数为n×m+m+m×g+g；

假设一个萤火虫群中有h个萤火虫，第p个萤火虫个体记为x_p，p＝1,…,h，并有x_p＝(v₁₁,…,v_nm,b₁,…,b_m,w₁₁,…,w_mg,θ₁,…θ_g)，定义所述h个萤火虫中第p个萤火虫的荧光素挥发因子为ρ、荧光素更新率为γ、动态决策域更新率为β、邻域集内包含的萤火虫数目的阈值为T、感知半径为初始荧光素值为l_p(0)、初始动态决策域半径为定义迭代次数为t；最大迭代次数为iter_max；

步骤1.1.2：初始化BP神经网络模型的基本参数，包括：训练次数N、学习率η等；

步骤1.2：荧光素更新阶段；

步骤1.2.1：通过式(1)计算第t次迭代时第p个萤火虫x_p的适应度函数值F(i)；

其中y_i为实测值，为模型预测值；为神经网络的训练误差；

步骤1.2.2：通过式(2)计算第t次迭代时第p个萤火虫x_p(t)的荧光素值l_p(t)：

l_p(t)＝(1-ρ)×l_p(t-1)+γF(x_p(t)) (2)

式(2)表示将第p个萤火虫在第t次迭代的位置x_p(t)对应的适应度值F(x_p(t))转换为荧光素值l_p(t)；

步骤1.3：萤火虫个体移动阶段；

步骤1.3.1：计算第t次迭代时第p个萤火虫x_p到其他的n-1个萤火虫之间的欧式距离，在第i个萤火虫x_p的动态决策域半径内，选择荧光素值比自己大的个体构成邻域集M_p(t)；且所述邻域集M_p(t)中萤火虫总数表示为|M_p(t)|，

步骤1.3.2：通过式(3)计算第t次迭代时第p个萤火虫x_p移向邻域集内M_p(t)中第s个萤火虫x_s的概率p_ps(t)：

式(3)中，s,b＝1,2,…,M_p(t)；第t次迭代时第p个萤火虫x_p移向具有最大概率的萤火虫x_s；

p_ps(t)越大，萤火虫p选择相应的萤火虫s并向其移动的概率越大，定好移动目标s后，萤火虫p向其移动，位置更新公式为：

其中，e为步长；

步骤1.4：动态决策域更新阶段；

利用式(5)获得第t+1次迭代时第p个萤火虫x_p的动态决策域半径

步骤1.5：输出最优解；

判断t+1＞iter_max是否成立，若成立，则输出第t+1次迭代时第p个萤火虫x_p的位置x_p(t+1)作为最优解，否则，将t+1赋值给t，并返回步骤1.2顺序执行；

步骤1.6：适应度最高的萤火虫个体对应的位置即为最优解，最优解是神经网络模型的阈值和权重。

3.根据权利要求1所述的基于萤火虫算法的内涝模型预测方法，其特征在于，步骤2具体为：

模型输入层为液位、降雨和气象数据(包括观测站点、历史降雨量、当前降雨量、最高气温、最低气温、风速、蒸发量)、数字高程模型、管道类型，输出层为未来水位、内涝等级；

将输入层的数据输入到步骤1得到的内涝模型中，进行未来水位和内涝等级预测。