蚁群算法在需水预测模型参数优化中的应用

doi:10.3724/SP.J.1087.2012.02952

计算机应用 ›› 2012, Vol. 32 ›› Issue (10): 2952-2955.DOI: 10.3724/SP.J.1087.2012.02952

蚁群算法在需水预测模型参数优化中的应用

侯景伟¹,²,孔云峰¹,孙九林³

1. 河南大学环境与规划学院,河南开封 475004
2. 宁夏大学资源环境学院,银川 750021
3. 中国科学院地理科学与自然资源研究所,北京 100101

收稿日期:2012-04-01 修回日期:2012-05-20 发布日期:2012-10-23 出版日期:2012-10-01
通讯作者: 侯景伟
作者简介:侯景伟(1973-),男,河南镇平人,博士,主要研究方向：GIS的开发与应用、最优化控制;孔云峰 (1967-),男,河南新安人,教授,博士生导师,主要研究方向：GIS分析与设计、空间优化、空间综合社会科学;孙九林 (1937-),男,江苏盐城人,工程院院士,博士生导师,主要研究方向：遥感与地理信息系统应用、虚拟地理环境、信息化农业、区域开发规划。
基金资助:
国家自然科学基金资助项目;高等学校博士学科点专项科研基金资助项目;省部共建河南大学科研项目

Application of ant colony algorithm for parameter optimization of water demand prediction model

HOU Jing-wei¹,²,KONG Yun-feng¹,SUN Jiu-lin³

1. College of Environment and Planning, Henan University, Kaifeng Henan 475004, China
2. School of Resources and Environment, Ningxia University, Yinchuan Ningxia 750021, China
3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101,China

Received:2012-04-01 Revised:2012-05-20 Online:2012-10-23 Published:2012-10-01
Contact: HOU Jing-wei

摘要/Abstract

摘要： 为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%；2）预测精度相对误差绝对值分别小于6%、11%和12%；3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。

关键词: 蚁群算法, 需水预测, 参数优化, 投影寻踪, 人工免疫算法, BP神经网络

Abstract: To improve forecast accuracy of water demand when using Projection Pursuit (PP) model which are high-dimensional, non-normality and nonlinear, an Ant Colony Algorithm (ACA) was used for the parameter optimization of the model. ACA was improved to self-adaptive control pheromone on the grids divided by definitional domains of the model parameters. A case for water demand prediction was emulated according to the improved ACA and PP model. Then prediction accuracy from the improved ACA was compared with the results from Artificial Immune Algorithm (AIA) and BP Artificial Neural Network (BPANN) model, respectively. It is shown that: 1) the absolute relative errors of fitting accuracy are less than 2% from ACA and less than 10% from AIA and BPANN; 2) the absolute relative errors of prediction accuracy are less than 6%, 11% and 12% from ACA, AIA and BPANN, respectively; 3) ACA can converge to global optimal solution with higher convergence rate. Therefore, the improved ACA for optimizing the parameters of PP water demand prediction model is significantly better than the AIA and BPANN. This method can be applied to other similar high-dimensional and nonlinear problems.

Key words: Ant Colony Algorithm (ACA), water demand, parameter optimization, Projection Pursuit (PP), Artificial Immune Algorithm (AIA), BP Artificial Neural Network (BPANN)

中图分类号:

TP391.9

侯景伟孔云峰孙九林. 蚁群算法在需水预测模型参数优化中的应用[J]. 计算机应用, 2012, 32(10): 2952-2955.

HOU Jing-wei KONG Yun-feng SUN Jiu-lin. Application of ant colony algorithm for parameter optimization of water demand prediction model[J]. Journal of Computer Applications, 2012, 32(10): 2952-2955.

参考文献

［1］李铁映,张昕.预测决策方法［M］.沈阳:辽宁科学技术出版社,1984. ［2］韩振强,张新海, 崔荃. 黄河远景需水分析——兼论西线南水北调的必要性［J］. 自然资源, 1996（5）: 29-35. ［3］高彦春,刘昌明. 区域水资源系统仿真预测及优化决策研究——以汉中盆地平坝区为例［J］. 自然资源学报, 1996, 11(1): 23-32. ［4］王煜. 灰色系统理论在需水预测中的应用［J］. 系统工程, 1996, 14(1): 60-64. ［5］罗利民, 方浩, 仲跃, 等. 小波神经网络算法在区域需水预测中的应用［J］. 计算机工程与应用, 2006, 42(3):200- 201, 214. ［6］ JAIN A,VARSHNEY A K,JOSHI U C. Short-term water demand forecast modeling at ⅡT kanpur using artificial neural networks ［J］. Water Resources Management, 2001, 15(13): 299-231. ［7］ JAIN A, ORMSBEE L E. Short-term water demand forecast modeling techniques-conventional methods versus AI［J］. Journal American Water Works Association, 2002, 94(7): 64-72. ［8］张灵,陈晓宏,刘丙军,等. 免疫进化算法和投影寻踪耦合的水资源需求预测［J］. 自然资源学报, 2009, 24(2): 328-334. ［9］何飞, 张国忠, 刘亚. 基于BP网络的改进负荷预测方法［J］. 华东电力, 2004, 32(3): 31-33. ［10］ FRIEDMAN J H, STUETZLE W. Projection pursuit regression ［J］. Journal of the American Statistical Association, 1981, 76(3): 817- 823. ［11］邓传玲. SMART多重平滑回归技术的原理及计算软件［J］. 八一农学院学报, 1988, 11(4):47-55. ［12］郑祖国, 刘大秀. 投影寻踪自回归和多维混合回归模型及其在大河长河段洪水预报中的应用［J］. 水文, 1994(4):6-10. ［13］周波,钱来,孟正大, 等. 基于蚁群算法的喷涂机器人路径排序优化［J］. 计算机工程, 2012, 38(1): 192-194,207. ［14］ COLORNI A, DORIGO M, MANIEZZO V, et al.Distributed optimization by ant colonies ［C］// Proceedings of the 1st European Conference on Artificial Life. [S.l.]:IEEE, 1991:134-142. ［15］ DORIGO M. Optimization, learning and natural algorithms ［D］. Italy: Politecnico di Milano, Department of Electronics,1992. ［16］ DORIGO M, MANIEZZO V, COLORNI A. Ant system: optimization by a colony of cooperating Agents ［J］. IEEE Transactions on Systems, Man, and Cybernetics-Part B, 1996, 26(1): 29-41. ［17］段海滨,马冠军,王道波,等. 一种求解连续空间优化问题的改进蚁群算法［J］. 系统仿真学报. 2007, 19(5): 494-497. ［18］段海滨. 蚁群算法原理及其应用［M］. 北京: 科学出版社, 2005. ［19］杨忠.逆波兰表达式在VB中的算法设计与实现［J］. 制造业自动化, 2011, 33(5): 150-151,154. ［20］金义富,朱庆生,邢永康.序列缺失数据的灰插值推理方法［J］. 控制与决策, 2006, 21(2): 236-240. ［21］许银山,吕孙云,梅亚东,等. 等维新息径向基神经网络模型在需水预测中的应用［J］. 水资源保护,2012, 28(2):8-11,16. ［22］王丽霞,任志远,孔金玲. 基于BP模型的延河流域社会经济需水预测［J］. 干旱区资源与环境,2011,25(4):106-110. ［23］龙训建,钱鞠,梁川. 基于主成分分析的BP神经网络及其在需水预测中的应用［J］. 成都理工大学学报:自然科学版,2010,37(2):206-210. ［24］侯景伟. ACA与RS、GIS耦合的水资源空间优化配置［D］. 开封: 河南大学, 2012.

[1]	段宇君, 王耀力, 常青, 刘鑫. 改进型蚁群算法融合混沌优化的pSPIEL算法的无线传感器布局优化[J]. 计算机应用, 2020, 40(3): 793-798.
[2]	屈立成, 吕娇, 赵明, 王海飞, 屈艺华. 基于三维时空地图和运动分解的多机器人路径规划算法[J]. 计算机应用, 2020, 40(12): 3499-3507.
[3]	刘育良, 陈淮莉. 负载影响下纯电动汽车配送路径规划及充电策略[J]. 计算机应用, 2020, 40(10): 2831-2837.
[4]	李卓, 李引珍, 李文霞. 应急物资运输路径多目标优化模型及求解算法[J]. 计算机应用, 2019, 39(9): 2765-2771.
[5]	王东先, 孟学雷, 乔俊, 汤霖, 焦志臻. 基于改进蚁群算法的铁路乘务交路计划的编制[J]. 计算机应用, 2019, 39(9): 2749-2756.
[6]	郑延斌, 王林林, 席鹏雪, 樊文鑫, 韩梦云. 基于蚁群算法及博弈论的多Agent路径规划算法[J]. 计算机应用, 2019, 39(3): 681-687.
[7]	郭良敏, 朱莹, 孙丽萍. 障碍空间中基于并行蚁群算法的k近邻查询[J]. 计算机应用, 2019, 39(3): 790-795.
[8]	金滔, 董秀成, 李亦宁, 任磊, 范佩佩. 改进的粒子群优化算法优化分数阶PID控制器参数[J]. 计算机应用, 2019, 39(3): 796-801.
[9]	杨继东, 孙兆琦, 王飞龙. 基于视觉抓取的并联桁架机器人最优路径控制[J]. 计算机应用, 2019, 39(3): 913-917.
[10]	王东先, 孟学雷, 何国强, 孙慧萍, 王喜栋. 基于改进蚁群算法的铁路乘务排班计划编制[J]. 计算机应用, 2019, 39(12): 3678-3684.
[11]	魏亚茹, 朱瑾. 自动化码头双场桥调度与集装箱存储选位建模[J]. 计算机应用, 2018, 38(4): 1189-1194.
[12]	陈万志, 李东哲. 结合白名单过滤和神经网络的工业控制网络入侵检测方法[J]. 计算机应用, 2018, 38(2): 363-369.
[13]	何春, 李琦, 吴让好, 刘邦欣. 基于故障传播的模块化BP神经网络电路故障诊断[J]. 计算机应用, 2018, 38(2): 602-609.
[14]	王超, 朱明, 王敏. 基于管制员认知负荷和改进蚁群算法的扇区动态通行能力评估[J]. 计算机应用, 2018, 38(1): 277-283.
[15]	王军, 费凯, 程勇. 基于改进的Adaboost-BP模型在降水中的预测[J]. 计算机应用, 2017, 37(9): 2689-2693.

蚁群算法在需水预测模型参数优化中的应用

Application of ant colony algorithm for parameter optimization of water demand prediction model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics