[发明专利]一种基于遗传算法改进的多模式污染物集成预报方法

权利要求书

1.一种基于遗传算法改进的多模式污染物集成预报方法，其特征在于包括以下步骤：

步骤1、对原始样本进行数据整理并处理极大、极小及缺失数据；

步骤2、对处理后的样本进行显著性检验，采用偏差、相关性选取单模式；

步骤3、引入遗传算子改进极限学习机；

步骤4：采用极限学习机改进遗传算法进行大气污染物集成优化预报；

所述步骤3的具体方法为：设问题有N维决策变量，则输入节点为N+2，种群适应度为adapt，随机数为random，父代种群为子代种群为输出节点为N，W_i＝[W_i1,W_i2,…,W_in]^T∈R_n为初始随机输入权值，b_i＝[b_i1,b_i2,…,b_in]^T∈R_n为初始随机输入偏置值，则该极限学习机公式为：

所述步骤4的具体方法为：

首先，随机生成单模式权重并用实数编码组成染色体，形成初始种群；

然后，子种群一部分由遗传算法通过最优保留选择方式、选择算术交叉方式、动态变异方式的遗传三算子操作生成下一代种群；子种群另一部分由已经训练好的极限学习机进化机制来生成下一代种群；两种机制根据计算得到的种群适应度adapt的优劣来判断下一代子种群的分配比例，具体定义规则如下：

设问题有N维决策变量，输入节点为N+2，种群适应度为adapt，随机数为random，父代种群为子代种群为输出节点为N，则种群适应度函数公式如下：

其中，i为集成预报成员模式；t为预报时间点；m为成员个数；n为一次预报时间点数目；E为集成结果与实际数据的均方误差；W_i,t为第i个成员模式在第t个时间点上的权重系数；R_i,t为该污染物第i个成员模式在第t个时间点的预报值；r_i,t为第i个模式在预报时间点t的实况值；

根据两种方法适应度对子种群分配比例p进行调整，两种算法的适应度分别为adapt1和adapt2，子种群分配比例p的计算公式如下：

在本步骤中，迭代终止条件为均方根误差达到平衡，迭代到最优解不再发生变化即终止迭代。

2.根据权利要求1所述的一种基于遗传算法改进的多模式污染物集成预报方法，其特征在于：所述步骤1的具体方法为：在分季节预报基础上找到预报时刻最近30天的历史数据作为训练样本，使得待集成数据所对应训练样本均为滚动更新，每个样本的实况值为网络训练的输出，输出层神经元为1。

3.根据权利要求1所述的一种基于遗传算法改进的多模式污染物集成预报方法，其特征在于：所述步骤2的具体方法为：针对不同季节分别进行单模式的选取，所用方法在满足显著性检验基础上，针对不同模式以及实况值通过相对偏差SD和相关系数R进行筛选，计算公式如下：

式中，C_P为模式模拟值，C_O为观测值，表示所有观测值的平均，σ_o、σ_p分别表示观测值和模拟值的标准差。