| 摘 要： | 影响水文模型预报精度的因素有很多,其中模型参数的优化对模拟结果起到至关重要的作用,目前用于参数优化的方法包括单目标优化和多目标优化两种。随着参数率定方法研究的深入,多目标分析问题越来越受到关注。Pareto存档动态维度搜索(Pareto-Archived Dynamically Dimensioned Search,PA-DDS)作为多目标优化算法,通过在求解过程中动态存储Pareto前沿以防止最优解的丢失,在寻优速度以及解的稳定性方面比较有优势。精英非支配排序遗传算法(NSGA-Ⅱ)具有寻优速度快、解集收敛性能好等优点,已经成为检验其他多目标优化算法性能的标准;AMALGAM算法通过对四种相关算法分配权重从而实现信息交换同时寻优,解的收敛性能较好。因此本文将PA-DDS算法与AMALGAM算法和精英非支配排序遗传算法(NSGA-Ⅱ)在收敛性能方面进行了对比,并将非劣解分布的均匀性及解的相似性方面与AMALGAM进行比较,利用尼泊尔巴格玛蒂河流域2005-2011年期间实测洪水日径流过程资料作为HBV模型参数率定系列,运用PA-DDS算法对模型参数进行优化,得出Pareto最优解,并利用2013年5场洪水日径流过程进行模型检验。结果表明:PA-DDS算法比AMALGAM算法能够更快地得到Pareto最优解且解的质量较好,拟合历史洪水平均确定性系数达到0.86,模型预报精度高,表明PA-DDS优化算法在解决多参数多目标优化问题中具有优势。
|
