径流预报是根据径流形成和运动的规律， 利用过去和实时水文气象资料， 对未来一定时段的洪水发展情况的预测。径流预报的方法可以分为过程驱动模型方法和数据驱动模型方法两大类。人工神经网络（Artificial Neural Networks - ANN）是一种典型的数据驱动模型， 它的应用不需详细考虑水文过程的物理机制，具有很好的并行处理、自组织、自学习、自适应能力，能处理复杂的非线性问题，因而被广泛应用于径流预报。
根据连接的拓扑结构，ANN 模型可以分为： 前向传播网络和反馈网络[1]。其中的前向传播网络在结构上符合流域降雨－径流物理过程中水流的单向传播特征， 并且在理论上能够模拟任意非线性系统至任意精度[2-3]，因而被应用于本文的研究。传统的训练前向传播网络中的参数的算法是反向传播(Back-Propagation- BP)算法。BP 算法是基于梯度下降的寻优算法，容易陷入局部最优，收敛速度缓慢。为了解决这一问题，本文使用了粒子群(Particle Swarm Optimization - PSO)算法来训练优化ANN 的参数。PSO 算法通过个体间的协作和竞争实现全局搜索， 降低了陷于局部最优解的风险。但是，Angeline 的研究表明[4]，基本PSO 算法局部搜索能力较差，收敛速度不快。为克服这一缺陷本文试图对基本PSO 算法进行改进，以提高其寻优能力和速度。
本文将BP、基本PSO 和改进PSO 三种算法用于训练ANN，并将训练后的ANN 用于径流预报，以比较它们在寻优能力和径流预报精度方面的优劣。采用的数据是三峡水库的入库径流数据， 以历史入库径流数据预报将来入库径流量，以2002~2004 年的日平均入库径流数据集作为训练样本，以2005 年的日平均入库流量数据集作为检验样本。 |
