基于超参数优化的极限学习机区域水资源短缺风险评价

作     者：程刚 刀海娅 崔东文 CHENG Gang;DAO Haiya;CUI Dongwen

作者机构：云南省水利水电勘测设计研究院云南昆明650021 云南省文山州水务局云南文山663000 

基　　金：国家自然科学基金资助项目(41702278) 国家重点研发计划项目(2019YFC0507500) 中国地质调查局地质调查项目(DD20221758、 DD20190326) 

出 版 物：《水力发电》 (Water Power)

年 卷 期：2024年第50卷第7期

页      码：17-23,78页

摘      要：为科学评价区域水资源短缺风险水平,改进极限学习机(ELM)评价性能,提出晶体结构算法(CryStAl)、鹈鹕优化算法(POA)与ELM组合的水资源短缺风险评价模型,并通过云南省水资源短缺风险评价实例进行验证。首先,简要介绍CryStAl、POA原理,通过4个标准函数对CryStAl、POA进行仿真测试;其次,建立水资源短缺风险评价指标体系和等级标准,采用线性内插和随机选取的方法生成样本,并构建ELM超参数优化适应度函数;最后,采用CryStAl、POA对适应度函数进行寻优,利用寻优获得的最佳ELM超参数建立CryStAl-ELM、POA-ELM模型对实例各年度水资源短缺风险进行评价,结果与模糊综合评价法、CryStAl-SVM、POA-SVM、ELM、SVM模型的评价结果作对比。结果表明:CryStAl、POA具有较好的寻优精度及全局搜索能力;CryStAl-ELM、POA-ELM模型对检验样本评价的平均绝对百分比误差(MAPE)分别为0.077%、0.083%,评价精度较CryStAl-SVM、POA-SVM模型提高57.7%以上,较SELM、SVM模型提高83.5%以上;CryStAl、POA能有效优化ELM超参数,提高ELM的评价性能。CryStAl-ELM、POA-ELM模型评价结果表明,实例2006年~2008年水资源短缺风险为“较高风险”,2009年~2012年为“中风险”,2013年~2019年为“较低风险”,2020年~2025年为“低风险”;近15年来云南省水资源短缺风险水平呈下降趋势,且下降趋势显著。

主 题 词：水资源短缺 风险等级 极限学习机 晶体结构算法 鹈鹕优化算法 仿真测试 云南省 

学科分类：082802[082802] 08[工学] 0828[工学-建筑类] 

D　O　I：10.3969/j.issn.0559-9342.2024.07.004

馆 藏 号：203126725...