粒子群算法参数设置对新安江模型模拟结果的影响研究

合理的粒子群算法(Particle Swarm Optimization Algorithm,PSO)的参数设置,可以提高算法的优化效率、避免陷入局部最优值,但常用参数设置对于特定优化问题,如新安江模型模拟,不具普适性。为分析种群规模pop、惯性权重w、学习因子c1和c2以及速度位置相关系数m这5个粒子群参数对新安江模型模拟结果的影响,对每个参数取5个不同水平,应用L25(56)正交表,设计了正交试验。通过对试验结果进行分析,得出了参数对PSO算法性能的影响能力和最优的参数组合方案(pop=80,w=1.3～0.4线性递减,c1=1.85,c2=2.5,m=0.05)。通过极差分析和方差分析,得出参数pop和w对模型模拟结果具有高显著性,其他三个参数对模型模拟结果不显著。将不同PSO参数组合应用于新安江模型模拟,证明了合理的PSO算法参数设置可以有效提高新安江模型模拟精度。通过对各因素分别进行趋势分析,得到了因素取值变化趋势与模型结果变化趋势的相关关系。本文提出的方法为如何寻找某一特定应用情景下的PSO算法参数组合提供了一种借鉴。