Table 1 Parameter optimization results of four direct optimal algorithms
优化算法
编号
假设初值
参数优化结果
目标函数值
计算次数
准则1
准则2
x
y
x
y
x
y
准则1
准则2
准则1
准则2
偏差/ %
CRS
1
0.40
0.60
0.5000
0.5001
0.5000
0.5001
10.0001
10.0001
565
584
-3.25
2
0.10
0.20
0.5000
0.4999
0.5000
0.5000
10.0001
10.0000
806
841
-4.16
3
0.20
0.80
0.5001
0.5001
0.5000
0.5000
10.0002
10.0000
585
618
-5.34
4
0.70
0.70
0.4998
0.5001
0.5000
0.4999
10.0002
10.0000
541
571
-5.25
5
0.80
0.85
0.5000
0.5000
0.5000
0.5000
10.0000
10.0000
595
583
2.06
SCE UA
1
0.40
0.60
0.5000
0.5000
0.5000
0.5000
10.0000
10.0000
479
356
34.55
2
0.10
0.20
0.5000
0.5000
0.5000
0.5000
10.0000
10.0000
494
350
41.14
3
0.20
0.80
0.5000
0.5000
0.5000
0.5000
10.0000
10.0000
501
359
39.55
4
0.70
0.70
0.5000
0.5000
0.5000
0.5000
10.0000
10.0000
431
305
41.31
5
0.80
0.85
0.5000
0.5000
0.5000
0.5000
10.0000
10.0000
480
335
43.28
SA
1
0.40
0.60
0.5001
0.5002
0.5000
0.5000
10.0013
10.0000
230
349
-34.10
2
0.10
0.20
0.5041
0.4973
0.5000
0.5000
10.1300
10.0000
408
504
-19.05
3
0.20
0.80
0.4999
0.5002
0.5000
0.4999
10.0002
10.0000
468
579
-19.17
4
0.70
0.70
0.5002
0.4999
0.5000
0.4999
10.0005
10.0001
468
582
-19.59
5
0.80
0.85
0.5001
0.5000
0.5001
0.5000
10.0000
10.0000
490
544
-9.93
AS
1
0.40
0.60
0.4999
0.5001
0.4999
0.5001
10.0000
10.0000
73
63
15.87
2
0.10
0.20
0.5000
0.5001
0.5000
0.5001
10.0001
10.0001
150
242
-38.02
3
0.20
0.80
0.5000
0.5000
0.5000
0.5000
10.0000
10.0000
108
135
-20.00
4
0.70
0.70
0.5001
0.4999
0.5001
0.4999
10.0000
10.0000
99
191
-48.17
5
0.80
0.85
0.4999
0.5001
0.5001
0.4999
10.0000
10.0001
157
157
0.00
1) 计算次数偏差的计算公式为( n准则1 - n准则2) / n准则2
表2 目标函数计算次数的统计特性
Table 2 Statistical characteristics of the calculating times of objective function
计算次数的统计量
CRS
SCE- UA
SA
AS
准则1的标准方差
106.89
27.36
106.65
35.46
的标准方差
114.05
22. 15
96.24
66.52
准则1和准则2偏差均值/%
-3.19
39.97
–20.37
–18.06
可以采用各种初始条件下对应同一终止准则计算次数的标准方差来表征算法的随机性.尽管基于控制性随机搜索思想构造的直接优化算法不可能完全消除计算结果的随机性,但是算法结构的精心设计将在一定程度上减小随机性影响,同时也就意味着算法稳定性的增大. 表2 中结果显示SCE UA 算法的计算次数在各种初始条件下的标准方差远小于其他3 种直接算法,再次表明了算法所具有的良好稳定性. 这一结果的产生是由于SCE UA 算法结构中引入的复合形概念及其竞争混合算法大大削弱了计算结果的随机性.
对应准则1 和2 的计算次数偏差,表征了算法对于选用不同终止准则的敏感性. 根据表2 结果可以得到4 种算法的敏感性排序为(从大到小) : SCE UA > SA > AS > CRS ,特别是CRS 算法的计算次数偏差的最大值和统计平均值分别为- 5.34 %和- 3.19 %,远小于其他3种算法. 更进一步发现,算法结构复杂性与算法对于终止准则选用的敏感性之间高度相关,表现为本例中算法敏感性排序与复杂性顺序完全一致. 其原因在于,直接算法在结构复杂性所形成的内部约束与目标函数的外部约束的共同作用下趋向全局最优,其结果必然是一个不断协调和折衷的过程. 算法越复杂,内部约束就越强,其计算结果就越发表现出与终止准则之间的高度相关性. 因此简单算法对于外部终止准则控制性约束的适应能力较之复杂算法更为灵活.
1 Beck M B. Water quality modeling : a review of the analysis of uncertainty. Wat . Res. Res. , 1987 , 23 ( 8) : 1393 ~1442.
2 Chen J , Wheater H S. Identification and uncertainty analysis of soil water retention models using lysimeter data. Wat .Res. Res. , 1999 , 35 (8) : 2401~2414.
3 Cooper V A et al. Evaluation of global optimization methods for conceptual rainfall2runoff model calibra tion. Wat . Sci.Tech. , 1997 , 36 (5) 53~60.
4 Duan Q Y et al. Shuffled complex evolution approach for ef2 fective and efficient global minimization. J . Optimization Theory and Applications , 1993 , 76 (3) : 501~521.
5 Duan Q Y et al. Optimal use of the SCE UA global opti2 mization method for calibrating watershed models. J . Hy-drol. , 1994 , 158 : 265~284.
6 Freedman V L et al. Parameter identifiability for catchment-scale erosion modelling : a comparison of optimization algo-rithms. J . Hydrol. , 1998 , 207 : 83~97.
8 Pan L H , Wu L S. A hybrid global optimization method for inverse estimation of hydraulic parameters : Annealing-Simplex method. WR972418 , Department of Soil & Environ-mental Science , University of California , Riverside. 1997. 87~196.
9 Press W H et al. Numerical Recipes in Fortran. Second 2 tion. New York : Cambridge Univ. Press , 1992. 6~97.
10 Price W L. A controlled random search procedure for global optimization. The Comput . J . , 1977 , 20 : 367~370.
11 Price WL. Global optimization by controlled random search.J . of Optimization Theory and Applications , 1983 , 40 : 333~348.