[發明專利]一種基于混合QPSO-DE尋優預測水質溶氧方法及系統

有效

• 申請號: 201911113195.X
• 申請日: 2019-11-14
• 公開（公告）號: CN111079888B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 姜春濤;曹穎;羅戩浩;黃昕;潘淑儀;凌逸文;任紫薇
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06N3/006
• 分類號: G06N3/006;G06F18/2411
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 蔡偉杰

本公開公開了一種基于混合QPSO?DE尋優預測水質溶氧方法及系統，通過利用QPSO?DE算法來優化設計支持向量機的參數，并將優化設計得到的支持向量機設置為尋優預測水質溶氧模型，得到水質溶氧預測數據。搜索能力比標準差分進化算法的搜索能力更強，性能更優越，在每次迭代進入下一代的個體都具有更優的適應度值，并且，能有有效的避免算法出現早熟現象，即陷入局部最優而跳不出來，提高了算法的全局搜索能力。

技術領域

本公開涉及人工智能技術領域，具體涉及一種基于混合QPSO-DE尋優預測水質溶氧方法及系統。

背景技術

我國是個水產業大國，水產養殖業作為水產業生產活動的一種，對水產業的影響有著舉足輕重的作用。在水產養殖中，水質對水產動植物的生長具有重要影響，水質的好壞很大程度上影響到水產生物是否健康，差的水質可能會使魚兒成為中間的宿主，轉而將寄生蟲傳給人類，從而給人類健康帶來巨大的危害。而隨著水產養殖精養化程度的提高，水質管理已成為水產養殖業最為關注的問題之一。如果能對未來的水質變化進行較準確的預測，從而可以起到防患于未然的作用，同時也可以為領導決策提供科學依據，這無疑可以對我國的水產養殖起到積極的作用。傳統人工神經網絡預測方法建立在經驗風險最小化原則之上，因此容易發生對訓練數據的“過學習”，并且在訓練時容易陷入局部最優。最小二乘支持向量機以統計學理論為基礎，建立在結構風險最小化原則之上，具有較好的學習與推廣能力；它不僅能夠在樣本有限的情況下發揮其最佳的性能，而且可以較快地收斂于全局最優。利用最小二乘支持向量機進行建模時，涉及到兩個非常重要的參數，一個是核函數參數γ，一個是懲罰系數C。這兩個參數會較大地影響所建模型的精確度，如何選擇參數值對模型的預測性能具有關鍵性的作用。

通過對量子粒子群優化算法和差分進化(differentialevolution，DE)算法的分析與研究，提出一種將兩種算法相融合且引入混合優化思想的新型智能優化算法，并將這個新算法應用到最小二乘支持向量機的參數尋優過程中，通過對影響水質的各因子的分析，建立水體溶氧預測模型，使之能夠較為準確的做好水體溶氧含量的預測工作，為科學管理水質提供必要的依據。

在計算過程中也存在很多不足的地方，還能從以下幾個方面進行不斷的完善：

(1)在水質研究方面，基礎數據的獲得很是困難，受到各種環境以及經濟因素的影響，我們很難獲長期的、連續的、完備的監測數據，影響水質的因素復雜而多面，為進一步做好溶氧預測的研究，如何有效地獲取長期而穩定的數據顯然具有很大的現實意義。

(2)本公開提出用混合QPSO-DE(混合優化算法)優化算法來對LSSVM模型的參數進行優化選取，從而對LSSVM模型進行優化，其實，LSSVM模型還有可以優化的地方，例如核函數的選取方面，這是個值得研究的課題。

(3)本公開對溶氧含量的預測僅僅考慮了各個影響因子之間的橫向聯系，并沒有涉及到縱向的關系，考慮到水質還受到水中生物的呼吸和分泌的影響，而這些因素與時間有著密切的聯系，例如，魚兒大多在白天活動，這時伴隨著呼吸作用，其對水質的影響一定高于夜晚休息的時候。如果要考慮這些因素，也必然更加要求采集到的數據具有完整性，總而言之，考慮縱向變化，對未來進行預測將會有很大的意義。

發明內容

本公開提供一種基于混合QPSO-DE尋優預測水質溶氧方法及系統，本公開在之前的分析中指明，差分進化算法中的交叉概率CR需要根據具體的問題來具體的分析，如果問題中的變量是相互獨立的，那么CR的取值可以小一些；如果這些變量是相互依賴的，CR的取值可以大一些，CR∈[0,1]。對于交叉概率CR的選取，在現有技術中，一般利用指數遞增策略對交叉概率CR進行自適應選取，從而提高差分進化算法的性能(見參考文獻：高岳林,劉俊梅.一種帶有隨機變異的動態差分進化算法[J].計算機應用,2009,29(10):2719-2722)。