摘要：为提高年降水量预测精度,提出一种基于小波包变换(WPT)和孔雀优化算法(POA)、沙猫优化(SCSO)算法、猎豹优化(CO)算法优化的高斯过程回归(GPR)预测模型,并将其应用于文山州年降水量预测研究。首先,利用WPT将实例1956-2021年降水量时间序列分解为1个周期项分量和3个波动项分量;其次,简要介绍POA、SCSO、CO算法原理,利用POA、SCSO、CO分别优化GPR超参数,建立WPT-POA-GPR、WPT-SCSOGPR、WPT-CO-GPR模型;最后,利用所建立的3种模型对年降水量周期项分量和波动项分量进行预测,将4个分量的预测结果加和重构后得到最终预测结果,并构建基于支持向量机(SVM)的WPT-POA-SVM、WPT-SCSOSVM、WPT-CO-SVM模型、基于RBF神经网络的WPT-POA-RBF、WPT-SCSO-RBF、WPT-CO-RBF模型和未经优化的WPT-GPR模型作对比分析模型。结果表明:①WPT-POA-GPR、WPT-SCSO-GPR、WPT-CO-GPR模型对年降水量预测的平均绝对百分比误差MAPE分别为0.52%、0.46%、0.48%,平均绝对误差MAE分别为5.80 mm、5.31 mm、5.25 mm,均方根误差RMSE分别为8.20 mm、7.72 mm、7.83 mm,确定性系数DC>0.99,预测效果优于其他7种模型,具有更高的预测精度和更好的泛化能力。②POA、SCSO、CO能有效优化GPR超参数,显著提高GPR预测性能。③所构建的3种模型具有普适性,为降水等时间序列预测研究提供参考。

摘要：准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

摘要：为科学评价云南省2006-2022年及2025年水资源空间均衡状态,建立基于社交网络搜索(SNS)算法、登山队优化(MTBO)算法优化双向门控循环单元(BIGRU)、双向长短时记忆(BILSTM)网络的水资源空间均衡评价模型。首先,从水资源支撑、水资源压力、水资源调控力3个方面遴选15个指标构建水资源空间均衡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构建BIGRU、BILSTM适应度函数;其次,简要介绍SNS、MTBO算法原理,利用SNS、MTBO优化BiGRU、BiLSTM隐含层神经元数、学习率(超参数)构建SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBOBILSTM模型,通过不同样本大小和连续10次运行的方法验证SNS-BIGRU等4种模型的稳健性;最后利用SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM模型对云南省2006-2022年及2025年水资源空间均衡进行评价,并与SNS-支持向量机(SVM)、MTBO-SVM和模糊综合评价法的评价结果作对比。结果表明:①所建立的SNS-BIGRU等4种模型具有较好的识别精度和稳健性能;SNS、MTBO能有效优化BIGRU、BILSTM超参数,提升BIGRU、BILSTM预测性能。②SNS-BIGRU等4种模型对云南省2006-2011年水资源空间均衡评价为“不均衡”,2012-2013年评价为“较不均衡”,2014-2018年评价为“临界均衡”,2019-2022年评价为“较均衡”,2025年基本可达到“均衡”水平;4种模型评价结果与SNSSVM、MTBO-SVM、模糊综合评价法有3年存在1个等级的差异。本文构建及提出的模型方法可为水资源空间均衡评价提供参考与借鉴。

摘要：为科学识别云南省16个州市的水安全区域类型,提出了树-种算法(TSA)-投影寻踪(PP)识别模型。选取了4个典型测试函数对TSA进行仿真验证,并将验证结果与人工蜂群(ABC)算法、布谷鸟搜索(CS)算法等6种算法的仿真结果进行了对比。以云南省为研究对象从水资源条件、经济社会条件和水环境条件中遴选出了27个指标构建区域水安全类型识别指标体系和分级标准,在各分级标准阈值间采用随机内插的方法生成样本;同时,构建了基于水资源、经济社会和水环境条件的投影指标函数,并分别采用TSA搜索最优投影向量,计算云南省内各州市的综合投影值以及各分级标准阈值的投影值,然后利用分级标准阈值投影值对各行政区的水安全区域类型进行识别。结果表明:TSA寻优精度优于ABC、CS等6种算法,具有较好的收敛精度、极值寻优能力和收敛稳健性能。TSA-PP模型对云南省各州市的水安全类型识别结果为:昆明市、玉溪市为"中度缺水-较发达-中等"型;楚雄州、大理州为"严重缺水-中度发达-较差"型;西双版纳、迪庆州为"中度缺水-中度发达-中等"型;丽江市为"严重缺水-中度发达-中等"型;德宏州为"轻度缺水-中度发达-中等"型;怒江州为"轻度缺水-中度发达-较差"型;其他州市被识别为"中度缺水-中度发达-较差"型。

摘要：为提高径流时间序列多步预报精度,建立了小波包变换(WPT)-猎人猎物优化(HPO)算法-极限学习机(ELM)相融合的径流时间序列多步预报模型,并应用于云南省南康河水文站月径流和日径流时间序列多步预报。引入HPO算法原理,在不同维度条件下选取6个典型函数对HPO进行仿真验证;利用2层WPT将径流时序数据分解为4个子序列分量,达到降低径流序列数据复杂性和不平稳性的目的;采用HPO优化ELM输入层权值和隐含层偏值,建立WPT-HPO-ELM模型对实例月径流和日径流进行多步预报。结果表明:HPO算法具有较好的寻优精度和全局搜索能力;WPT-HPO-ELM模型对预见期为1~3个月的月径流具有理想的预报效果,预报的平均绝对百分比误差≤2.43%,合格率≥99.2%,确定性系数≥0.999;对预见期为4~6个月的月径流具有较好的预报效果,预报的平均绝对百分比误差≤15.0%,合格率≥73.3%,确定性系数≥0.991;当预见期≥7个月时,预报效果较差。对预见期为1~3 d的日径流具有理想的预报效果,预报的平均绝对百分比误差≤1.23%,合格率为100%,确定性系数≥0.999;对预见期为4~7 d的日径流具有较好的预报效果,预报的平均绝对百分比误差≤15.3%,合格率≥73.0%,确定性系数≥0.947;当预见期≥8 d时,预报效果较差。WPT-HPO-ELM模型能充分发挥WPT、HPO和ELM的优势,表现出较高的预报精度和稳定性能,预报误差随着预见期的增加而增大,该模型及方法可为径流时间序列多步预报提供新途径。

摘要：为拓展生长模型在径流及地下水位预测中的应用范畴,提高模型预测精度,提出人工生态系统优化(AEO)算法-组合生长预测模型。选取6个标准测试函数和本文Schumacher、Usher模型参数优化实例对AEO算法进行仿真验证,并与鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、教学优化(TLBO)算法、粒子群优化(PSO)算法的仿真结果进行比较。基于Schumacher、Usher单一生长函数构建Schumacher-Usher组合生长模型,针对组合模型参数及权重系数选取困难的实际问题,利用AEO算法同时对组合模型参数和权重系数进行优化,提出AEO-Schumacher-Usher组合生长预测模型,并构建AEO-Schumacher、AEO-Usher、AEO-SVM模型作对比,以文献径流及地下水位预测为例进行实例验证。结果表明,AEO算法寻优精度优于WOA、GWO、TLBO、PSO算法,具有较好的寻优精度、全局搜索能力和稳健性能。AEO-Schumacher-Usher模型对两个实例预测的平均相对误差绝对值分别为2.32%、0.15%,预测精度优于AEO-Schumacher、AEO-Usher、AEO-SVM模型及文献相关模型,具有较好的预测精度和泛化能力。AEO算法能同时有效优化组合生长模型参数和权重系数,AEO-组合生长模型用于径流及地下水位预测是可行和有效的,模型及方法可为相关预测研究提供参考。

摘要：为提高径流预测精度,研究提出海洋捕食者算法(MPA)与长短期记忆(LSTM)神经网络相结合的径流预测方法。通过6个仿真函数对MPA、粒子群优化(PSO)算法进行测试,利用MPA优化LSTM隐藏层神经元数、训练次数等关键参数,基于主成分分析(PCA)降维和不降维处理分别建立PCA-MPA-LSTM、MPA-LSTM径流预测模型,利用云南省落却站实测数据对PCA-MPA-LSTM、MPA-LSTM模型进行训练及预测,结果与PCA-LSTM、LSTM、PCA-MPA-SVM、MPA-SVM、PCA-MPA-BP、MPA-BP模型的训练、预测结果进行比较。结果表明:①MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力。②PCA-MPA-LSTM、MPA-LSTM模型对实例拟合、预测的平均相对误差分别为1.18%、2.35%和1.94%、1.96%,预测效果优于其他6种模型,具有较好的预测精度和泛化能力。③采用MPA优化LSTM关键参数能有效提高LSTM泛化能力和预测精度;数据降维模型的预测精度优于对应未降维模型的预测精度,数据降维处理能有效改善模型的预测效果。

摘要：为提高径流预测精度,提出了基于海鸥优化算法(SOA)的相关向量机(RVM)径流预测模型(SOARVM)。选取4个标准测试函数对SOA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,利用SOA优化RVM核宽度因子和超参数,建立SOA-RVM径流预测模型,利用云南省龙潭站年径流及枯水期1~3月月径流预测对SOA-RVM模型进行验证,并将预测结果与RVM、SOA-SVM、SVM、SOA-BP、BP模型进行比较。结果表明,SOA在不同维度条件下仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;SOA-RVM模型对实例年径流和1~3月月径流预测的平均相对误差分别为1.77%、4.46%、5.40%、4.03%,预测精度优于RVM、SOA-SVM、SVM、SOA-BP、BP模型。可见SOA-RVM模型具有更好的预测精度,可用于径流预测研究。

摘要：为提高水质时间序列预测精度,提出一种基于小波包变换(WPT)和变色龙优化算法(CSA)、猎豹优化(CO)算法和山瞪羚优化(MGO)算法的优化门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)的预测模型。首先利用WPT对pH值、DO、COD_(Mn)、NH_(3)-N时间序列进行平稳化处理,得到若干个规律性较强的子序列分量;其次简要介绍了CSA、CO、MGO算法原理,利用CSA、CO、MGO分别寻优GRU、LSTM超参数,建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型;最后利用所建立的模型对pH值及DO、COD_(Mn)、NH_(3)-N浓度各分量进行预测和重构,并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型,以云南省昆明市观音山断面为例,通过pH值及DO、COD_(Mn)、NH_(3)-N浓度预测对模型进行了验证。结果表明:WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、COD_(Mn)、NH_(3)-N浓度的预测精度优于其他对比模型,具有较好的预测效果,其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高;CSA、CO、MGO能有效调优GRU、LSTM超参数,显著提高GRU、LSTM预测性能;所构建的6种模型预测精度高且计算规模小,是有效的水质时间序列预测模型,可为相关水质预测研究提供参考。

摘要：为科学评价区域人水和谐状况,构建新型萤火虫算法(NFA)-投影寻踪(PP)评价模型。以文山州2006-2018年资料为例进行实例研究。选取8个典型测试函数对NFA进行仿真验证,并与教学优化(TLBO)等4种优化算法的仿真结果进行对比。从水资源、经济社会、生态环境3个方面遴选16个指标构建区域人水和谐度评价指标体系和分级标准,在各分级标准阈值间采用随机内插的方法生成样本构建人水和谐度评价投影目标函数,利用NFA优化求解该目标函数的最佳投影向量,构建NFA-PP模型对研究区2006-2018年人水和谐状况进行评价。结果表明:NFA寻优效果优于TLBO等4种算法,具有较好的寻优精度、极值寻优能力和全局搜索能力。NFA-PP模型对实例2006-2011年人水和谐度评价为"不和谐",2012-2016年评价为"基本和谐",2017-2018年评价为"较和谐"。2006-2018年文山州人水和谐度呈上升趋势,且上升趋势显著。