水质参数是建立河流水质数学模型, 预报河流水质状态变化的基本数据。目前获得水质参数的主要途径之一,就是利用以相应的解析解为基础而建立的数据分析方法, 分析河流水团示踪实验数据。例如,分析瞬时投放示踪剂条件下的一维河流水团示踪实验数据, 确定河流纵向离散系数的方法主要有以相应解析解为基础而建立的单站法、双站法、演算法[1]、直线图解法[2]、相关系数极值法[3]、非线性最小二乘法[4-5]等。然而,这些方法在实际应用中均具有一定的局限性。
近年来, 随着计算机与计算技术的快速发展和为了克服上述方法的不足之处,诸如神经网络算法、遗传算法、模拟退火法[6]和混沌序列优化算法[7]等智能优化算法已开始广泛地运用于求解河流水质数学模型的参数识别问题,而且取得了一定的成果。然而, 现有的这些智能优化算法在应用时基本上都存在着一个共同的弱点, 即每种算法或多或少都需要预先给定控制搜索方式或搜索方向的算法控制参数, 如何合理的设置这些算法控制参数本身就是一个需要进一步研究的问题, 如果这些算法参数设置不当就会使算法的收敛速度非常缓慢,甚至会出现诸如“早熟”等不收敛的现象。随机搜索算法[8]提出之初主要是为了求解连续的目标函数优化问题, 它的求解思路主要是以一种似乎随机的方式搜索目标函数的参数空间,以便找到目标函数最小(或最大)的最优点。与其它智能优化算法相同,随机搜索算法在运算时也不要求目标函数的导数存在, 仅要求待优化目标函数的函数值能够被计算。 |