水質(zhì)參數(shù)是建立河流水質(zhì)數(shù)學(xué)模型， 預(yù)報(bào)河流水質(zhì)狀態(tài)變化的基本數(shù)據(jù)。目前獲得水質(zhì)參數(shù)的主要途徑之一，就是利用以相應(yīng)的解析解為基礎(chǔ)而建立的數(shù)據(jù)分析方法， 分析河流水團(tuán)示蹤實(shí)驗(yàn)數(shù)據(jù)。例如，分析瞬時投放示蹤劑條件下的一維河流水團(tuán)示蹤實(shí)驗(yàn)數(shù)據(jù)， 確定河流縱向離散系數(shù)的方法主要有以相應(yīng)解析解為基礎(chǔ)而建立的單站法、雙站法、演算法[1]、直線圖解法[2]、相關(guān)系數(shù)極值法[3]、非線性最小二乘法[4-5]等。然而，這些方法在實(shí)際應(yīng)用中均具有一定的局限性。
近年來， 隨著計(jì)算機(jī)與計(jì)算技術(shù)的快速發(fā)展和為了克服上述方法的不足之處，諸如神經(jīng)網(wǎng)絡(luò)算法、遺傳算法、模擬退火法[6]和混沌序列優(yōu)化算法[7]等智能優(yōu)化算法已開始廣泛地運(yùn)用于求解河流水質(zhì)數(shù)學(xué)模型的參數(shù)識別問題，而且取得了一定的成果。然而， 現(xiàn)有的這些智能優(yōu)化算法在應(yīng)用時基本上都存在著一個共同的弱點(diǎn)， 即每種算法或多或少都需要預(yù)先給定控制搜索方式或搜索方向的算法控制參數(shù)， 如何合理的設(shè)置這些算法控制參數(shù)本身就是一個需要進(jìn)一步研究的問題， 如果這些算法參數(shù)設(shè)置不當(dāng)就會使算法的收斂速度非常緩慢，甚至?xí)霈F(xiàn)諸如“早熟”等不收斂的現(xiàn)象。隨機(jī)搜索算法[8]提出之初主要是為了求解連續(xù)的目標(biāo)函數(shù)優(yōu)化問題， 它的求解思路主要是以一種似乎隨機(jī)的方式搜索目標(biāo)函數(shù)的參數(shù)空間，以便找到目標(biāo)函數(shù)最小（或最大）的最優(yōu)點(diǎn)。與其它智能優(yōu)化算法相同，隨機(jī)搜索算法在運(yùn)算時也不要求目標(biāo)函數(shù)的導(dǎo)數(shù)存在， 僅要求待優(yōu)化目標(biāo)函數(shù)的函數(shù)值能夠被計(jì)算。 |
