崔東文

(云南省文山州水務(wù)局,云南文山 663000)

?

雞群優(yōu)化算法投影尋蹤洪旱災(zāi)害評估模型

崔東文

(云南省文山州水務(wù)局,云南文山 663000)

摘要:利用15個復(fù)雜函數(shù)對雞群優(yōu)化算法進行仿真驗證,并同狼群算法、粒子群算法、魚群算法和遺傳算法進行對比。利用雞群優(yōu)化算法搜尋投影尋蹤模型最佳投影方向,建立雞群優(yōu)化算法-投影尋蹤洪旱災(zāi)害評估模型。以文山州1990—2013年洪旱災(zāi)害評估為例,分別選取受災(zāi)人口等5個洪災(zāi)評估指標及農(nóng)作物受災(zāi)面積等4個旱災(zāi)評估指標,利用洪旱災(zāi)害投影系列均值及標準差構(gòu)造洪旱災(zāi)害評估分級標準對實例進行評估。結(jié)果表明:雞群優(yōu)化算法具有較好的計算魯棒性和全局尋優(yōu)能力。將該算法用于投影尋蹤模型最佳投影方向的選取,可有效提高評估精度,避免最佳投影方向?qū)?yōu)結(jié)果變化范圍過大的缺陷。

關(guān)鍵詞:洪旱災(zāi)害評估;投影尋蹤;雞群優(yōu)化算法;算法驗證;文山州

洪旱災(zāi)害在我國發(fā)生頻率高、危害范圍廣,不僅造成嚴重經(jīng)濟損失,而且易引發(fā)滑坡、泥石流等次生地質(zhì)災(zāi)害,加劇干旱缺水、水土流失以及水污染等生態(tài)環(huán)境災(zāi)害,嚴重影響、制約經(jīng)濟社會的發(fā)展。開展洪旱災(zāi)害評估對于客觀評估災(zāi)區(qū)社會經(jīng)濟影響,為防汛抗旱、民政救災(zāi)等部門提供決策依據(jù),以及提高洪旱災(zāi)害管理效率具有重要意義。目前用于洪災(zāi)評估的方法有GIS法[1]、模糊綜合評判法[2]、層次分析法[3]、神經(jīng)網(wǎng)絡(luò)法[4]以及投影尋蹤法[5]等,用于旱災(zāi)評估的方法有可變模糊集法[6]、突變評價法[7]、小波分析法[8]、Z指數(shù)法[9]以及投影尋蹤法[10]等,這些方法均在洪旱災(zāi)害評估中取得了一定的實際應(yīng)用。投影尋蹤(projection pursuit,PP)是處理和分析高維數(shù)據(jù)的一類新興統(tǒng)計方法,其基本思想是將高維數(shù)據(jù)投影到低維子空間上,并在該子空間上尋找出能夠反映原高維數(shù)據(jù)結(jié)構(gòu)或特征的投影,從而達到研究和分析高維數(shù)據(jù)的目的[11-12],在克服“維數(shù)禍根”以及解決小樣本、超高維等問題中具有明顯優(yōu)勢。在實際應(yīng)用中,投影尋蹤模型最佳投影方向a的選取對于投影尋蹤模型的評估精度及評估結(jié)果有著關(guān)鍵性影響。目前,用于投影尋蹤模型最佳投影方向選取的智能方法有遺傳算法(genetic algorithm, GA)[5]及其改進算法[12-13]、粒子群優(yōu)化(particle swarm optimization, PSO)算法[14]、人工魚群算法(artificial fish swarm algorithm, AFSA)[15]、人工蜂群(artificial bee colony, ABC)算法[16]、混合蛙跳算法(shuffled frog leaping algorithm, SPLA)[17]、蟻群優(yōu)化(ant colony optimization, ACO)算法[18],這些方法在提高投影尋蹤模型預(yù)測或評估精度上取得了較好的效果。目前,群體智能仿生算法大有方興未艾之勢,除上述提到的人工魚群等群體智能仿生算法[16-19]外,一些新型仿生算法被提出,并在函數(shù)優(yōu)化、工程應(yīng)用等領(lǐng)域得到應(yīng)用,如狼群算法(wolf pack algorithm, WPA)[19]、布谷鳥搜索( cuckoo search, CS)[20]算法、果蠅優(yōu)化(fruit fly optimization algorithmand, FOA)算法[21]群居蜘蛛優(yōu)化(social spider optimization, SSO)[22]算法和雞群優(yōu)化(chicken swarm optimization,CSO)算法[23]等。Meng等[23]于2014年通過模擬具有等級秩序的雞群覓食行為而提出了一種新型群體智能仿生算法——雞群優(yōu)化算法,這是一種全局優(yōu)化算法,具有較好的收斂精度和魯棒性能,已被證明在函數(shù)優(yōu)化問題上性能要優(yōu)于粒子群優(yōu)化算法、差分進化(differential evolution,DE)算法和蝙蝠算法(bat algorithm,BA)[23]。

由于洪旱災(zāi)害受人類活動、自然環(huán)境以及氣候變化等諸多因素的影響,時常表現(xiàn)為洪、旱災(zāi)害交替發(fā)生,甚至交織發(fā)生的局面,單獨針對洪災(zāi)或旱災(zāi)進行評估,并不能客觀、全面地反映某一年度區(qū)域災(zāi)害影響程度或變化趨勢。本文首先利用15個復(fù)雜函數(shù)對雞群優(yōu)化算法進行仿真驗證,并同狼群算法、粒子群算法、魚群算法和遺傳算法進行對比,以驗證該算法的有效性;然后選取農(nóng)作物受災(zāi)面積、受災(zāi)人口、死亡人口、倒塌房屋間數(shù)、直接經(jīng)濟損失作為洪災(zāi)評估指標,選取農(nóng)作物受災(zāi)面積、成災(zāi)面積、糧食損失、經(jīng)濟作物損失作為旱災(zāi)評估指標,構(gòu)建雞群優(yōu)化算法-投影尋蹤洪旱災(zāi)害評估模型,采用洪旱災(zāi)害投影系列均值z-及標準差σ構(gòu)造洪旱災(zāi)害評估分級標準,以文山州1990—2013年洪旱災(zāi)害評估為例進行實例驗證。

1 雞群優(yōu)化算法-投影尋蹤洪旱災(zāi)評估模型

1. 1 投影尋蹤模型

投影尋蹤模型的基本原理是將高維數(shù)據(jù)通過某種組合投影到低維子空間上,通過極小化投影指標來反映原高維數(shù)據(jù)結(jié)構(gòu)或特征,并在低維空間上對數(shù)據(jù)結(jié)構(gòu)進行分析,以達到研究和分析高維數(shù)據(jù)的目的,其簡要算法過程[10 -11,24]如下:

步驟1:數(shù)據(jù)預(yù)處理。對評估數(shù)據(jù)集進行歸一化處理。

步驟2:構(gòu)造投影指標函數(shù)。投影尋蹤方法就是將m維數(shù)據(jù){xijj=1,2,…,m}綜合成以a=(a1, a2,…,am)為投影方向的一維投影值zi:

式中xij為第i年第j個評估指標值;a為單位向量。

步驟3:優(yōu)化投影指標函數(shù)。當(dāng)投影指標函數(shù)取得最大值時,所對應(yīng)的a方向為最能反映數(shù)據(jù)特征的最優(yōu)投影方向。因此搜尋最優(yōu)投影方向問題就轉(zhuǎn)化為非線性最優(yōu)求解問題,其目標函數(shù)Q(a)及約束條件為

式中:σ、Dz分別為投影值zi的標準差和局部密度;-z為序列zi的平均值;R為局部密度的窗口半徑;rij為樣本之間的距離;o(τ)為單位階躍函數(shù),當(dāng)τ≥0時,其值為1,τ＜0時,其值為0;n為評估樣本總年數(shù)。

步驟4:分級標準。由于洪旱災(zāi)害投影系列均值-z反映的是集中趨向,而標準差σ反映的是相對離散程度,因此,可利用-z及σ構(gòu)造洪旱災(zāi)害評估分級標準,并將洪旱災(zāi)害分為4個等級:特大[-z+σ,∞)、重大[-z,-z+σ)、較大[-z-σ,-z)和一般(0,-z-σ)。其中-z計算公式為

步驟5:評估。將最佳投影方向a代入式(1)得到各年度投影值zi,依據(jù)洪旱災(zāi)害分級標準進行評估。

1. 2 雞群優(yōu)化算法

雞群優(yōu)化算法[23]是模擬雞群覓食行為的一種隨機優(yōu)化算法,其算法遵行以下4個理想化規(guī)則:

規(guī)則1:存在多組雞群,每一組包括若干占主導(dǎo)地位的公雞,母雞和雛雞。

規(guī)則2:依據(jù)適應(yīng)度值判定雞群個體身份(公雞、母雞和雛雞),將適應(yīng)度值最優(yōu)的幾個個體判定為公雞,他們將作為每一組的頭領(lǐng);適應(yīng)度值最差的判定為雛雞,其他個體判定為母雞。母雞隨機選擇一組生活,且“具有母子關(guān)系”的母雞和雛雞之間的關(guān)系也是隨機的建立。通過建立等級秩序,不同雞群間可以協(xié)同覓食,以及種群更新,包括個體死亡、雛雞成長變成公雞或母雞,母雞孵育后代。

規(guī)則3:在任一組中公雞、母雞、雛雞的等級秩序?qū)⒕S持不變,僅隨迭代過程進行更新。

規(guī)則4:雞群跟隨公雞覓食,雛雞在母雞周圍覓食,公雞在食物競爭上具有最大優(yōu)勢,母雞次之,雛雞最不具優(yōu)勢。

針對優(yōu)化問題為極小值,最小適應(yīng)度值所對應(yīng)雞的所處空間位置即為待優(yōu)化問題的最優(yōu)解。以下從數(shù)學(xué)角度對雞群優(yōu)化算法機理進行描述[24]。

設(shè)搜索食物空間為D維,種群規(guī)模為N,第i只公雞在j維空間t時刻的位置為xtij(i=1,2,…,N;j= 1,2,…,D),則在t+1時刻的位置按下式更新:

式中:ε為不等于0的較小常數(shù);k為從公雞組中隨機選擇的第k只公雞,k≠i;fi、fk(k = 1,2,…,N)分別為第i、k只公雞所對應(yīng)的適應(yīng)度值;randn(·)為正態(tài)分布隨機數(shù)。

第i只母雞在j維空間t+1時刻的位置可用數(shù)學(xué)表達式描述如下:

式中:rand為[0,1]上均勻分布的隨機數(shù);r為從母雞配偶中隨機選擇的第r只公雞;s為從雞群中隨機選擇的第s只公雞或母雞,r≠s。

t+1時刻在母雞周圍覓食的第i只雛雞在j維空間的位置為

式中F∈[0,2]為隨母雞覓食的雛雞隨機參數(shù)。

從上述算法及文獻[23]來看,雞群優(yōu)化算法具有如下優(yōu)點:①可以有效地提取優(yōu)化問題,具有自適應(yīng)優(yōu)化能力。②雞群多種位置更新策略有利于在確定性與隨機性之間取得平衡,擴大了搜索空間。③將雞群分為G組,即多種群策略有利于快速收斂到全局最優(yōu)解,但過大的G不利于算法收斂到全局最優(yōu),而過小的G易使算法陷入局部最優(yōu)。經(jīng)過初步測試,G∈[2,20]能滿足大多數(shù)優(yōu)化問題。④通過建立等級秩序,不同雞群間可以協(xié)同覓食。雞群個體的死亡、雛雞成長變成公雞或母雞、母雞孵育后代等進化策略有利于雞群保持種群多樣性,使算法不易陷入局部極值。

1. 3 雞群優(yōu)化算法-投影尋蹤洪旱災(zāi)害評估步驟

雞群優(yōu)化算法-投影尋蹤洪旱災(zāi)害評估模型計算步驟[23]可歸納如下:

步驟1:數(shù)據(jù)預(yù)處理。利用式(1)對數(shù)據(jù)進行歸一化處理,設(shè)置雞群數(shù)量N、公雞數(shù)量R、母雞數(shù)量H、小雞數(shù)量C和具有“母子關(guān)系”的母雞數(shù)量M,雞群分組數(shù)目G,隨機參數(shù)F和最大迭代次數(shù)T。

步驟2:等級秩序的建立。依據(jù)雞群體行為的4個理想化規(guī)則建立等級秩序;將雞群分為G組,隨機建立母雞和小雞之間的對應(yīng)關(guān)系。

步驟3:確定目標函數(shù)。由于雞群優(yōu)化算法是求解極小值,因此將式(2)的倒數(shù)作為目標函數(shù),即以下式作為適應(yīng)度函數(shù):

步驟4:初始化操作。隨機初始化雞的位置xtij,由式(8)計算目標函數(shù)適應(yīng)度值,選取當(dāng)前最佳適應(yīng)度值及所對應(yīng)個體所處空間位置。

步驟5:迭代。對隨機選擇的第i只雞為公雞、母雞、雛雞時,分別按式(4)(6)(7)進行位置更新。

步驟6:適應(yīng)度函數(shù)計算。依據(jù)更新位置,由式(8)計算適應(yīng)度值,若更新后的適應(yīng)度值優(yōu)于當(dāng)前最佳適應(yīng)度值,則替換當(dāng)前最佳個體所處空間位置,并將更新后的適應(yīng)度作為當(dāng)前最佳適應(yīng)度值;若劣于當(dāng)前最佳適應(yīng)度值,則不進行個體空間位置替換。

步驟7:找出當(dāng)前最佳個體適應(yīng)度值及所處空間位置。判斷算法迭代終止條件是否滿足,若滿足則轉(zhuǎn)至步驟8,否則重復(fù)執(zhí)行步驟4～7。

步驟8:輸出最優(yōu)個體值和全局極值,即a和Q′(a),算法結(jié)束。

步驟9:構(gòu)造分級標準。利用洪旱災(zāi)害投影系列均值z-及標準差σ構(gòu)造洪旱災(zāi)害評估分級標準。

步驟10:評估。將a代入式(1)得到各年度洪旱災(zāi)害投影值zi,并依據(jù)所構(gòu)造分級標準進行洪旱災(zāi)害評估。

2 算法驗證

為全面客觀評價雞群優(yōu)化算法性能,本文選取文獻[19]中15個復(fù)雜函數(shù)作為驗證對象,并將雞群優(yōu)化算法尋優(yōu)結(jié)果與文獻[19]中狼群算法(WPA)、粒子群算法(PSO)、人工魚群算法(AFSA)及遺傳算法(GA)的尋優(yōu)結(jié)果進行比較,基準函數(shù)參見文獻[19]。為了便于與文獻[19]WPA等的尋優(yōu)結(jié)果進行客觀公正的比較,雞群優(yōu)化算法參數(shù)設(shè)置為: T=2000,N=50、R=0. 3N、H=0. 6N、M=0. 1N, G=500, F∈[0. 5,0. 9]。采用Matlab2010a的M語言編程,用雞群優(yōu)化算法對15個復(fù)雜函數(shù)重復(fù)進行100次尋優(yōu)計算,當(dāng)滿足式(9)時,即認為當(dāng)前尋優(yōu)計算成功。

式中:V為函數(shù)的理想最優(yōu)值;V*為每次尋優(yōu)計算所得最優(yōu)函數(shù)值。

表1為雞群優(yōu)化算法及文獻[19]中4種算法對15個復(fù)雜函數(shù)的尋優(yōu)計算結(jié)果統(tǒng)計,若尋優(yōu)結(jié)果小于1×10-16,則視為0。

表1 函數(shù)優(yōu)化對比結(jié)果

續(xù)表

從表1可知:①與粒子群算法、人工魚群算法和遺傳算法相比,雞群優(yōu)化算法的尋優(yōu)結(jié)果除Easom、Trid6兩個單峰不可分函數(shù)劣于粒子群算法和遺傳算法外,其余函數(shù)尋優(yōu)結(jié)果均優(yōu)于粒子群算法、人工魚群算法和遺傳算法,尤其是在Matyas、Sumsquares、Sphere、Bohachevsky1、Eggcrate、Schaffer、Six Hump Camel Back、Bohachevsky3、Bridge和Rastrigin函數(shù)上雞群優(yōu)化算法具有較好的尋優(yōu)效果,表現(xiàn)出較高的尋優(yōu)精度和較好的算法執(zhí)行能力;②與狼群算法相比,雞群優(yōu)化算法的尋優(yōu)結(jié)果除Trid6、Quadric和Ackley函數(shù)外,其余函數(shù)尋優(yōu)結(jié)果均不劣于或優(yōu)于狼群算法,如Easom、Booth、Bridge函數(shù);③對于低于60維的函數(shù),雞群優(yōu)化算法表現(xiàn)出較好的尋優(yōu)效果,優(yōu)于狼群算法;對于特高維函數(shù),如120維的Quadric函數(shù)、200維的Ackley函數(shù),雞群優(yōu)化算法的尋優(yōu)效果略遜于狼群算法,但遠優(yōu)于粒子群算法、人工魚群算法和遺傳算法。這表明雞群優(yōu)化算法具有較好的計算魯棒性和全局尋優(yōu)能力。

雞群優(yōu)化算法中參數(shù)設(shè)置并不多,主要有R、H 和G。經(jīng)驗證,R設(shè)置為0. 2N～0. 3N、H為0. 6N～0. 8N時對計算性能的影響并不顯著。對于相對復(fù)雜的函數(shù),G對計算有顯著影響,一般隨G的增大,尋優(yōu)精度會顯著提高;較大的G有利于收斂到全局最優(yōu),而過小的G易陷入局部最優(yōu);一般而言,G處于100～1000之間時具有較理想的尋優(yōu)效果。

3 應(yīng)用實例

3. 1 數(shù)據(jù)來源

文山州位于云南省東南部,地處低緯度高原季風(fēng)氣候區(qū)域,轄文山、硯山、西疇、麻栗坡、馬關(guān)、丘北、廣南、富寧8縣(市),東鄰廣西,北接曲靖,西與紅河州毗鄰,南與越南接壤,全州總面積31456km2,分屬珠江、紅河兩大流域。據(jù)《文山壯族苗族自治州水利電力志》,1672—1949年的278年間,共記載洪災(zāi)41次,其中文山城27次。1950—2013年的64年間,有較大洪災(zāi)35次,而局部洪災(zāi)則連年發(fā)生。2009年以來,文山州遭受了歷史罕見的持續(xù)干旱,對工農(nóng)業(yè)生產(chǎn)造成了巨大損失,其干旱范圍之廣、歷時之長、程度之深、損失之重歷史罕見。據(jù)統(tǒng)計,此次旱災(zāi)導(dǎo)致全州8縣(市)102個鄉(xiāng)鎮(zhèn)283萬人直接受災(zāi),歷時近4 a,持續(xù)時間與有記載的1924—1926年連旱時間相當(dāng),造成全州農(nóng)林畜業(yè)直接經(jīng)濟損失36. 83億元。因此,開展洪旱災(zāi)害評估對于科學(xué)評估災(zāi)區(qū)社會經(jīng)濟影響,保障人民群眾生命財產(chǎn)安全和全面建設(shè)小康社會具有重要意義。本文選取農(nóng)作物受災(zāi)面積、受災(zāi)人口、死亡人口、倒塌房屋間數(shù)、直接經(jīng)濟損失作為洪災(zāi)評估指標;選取農(nóng)作物受災(zāi)面積、成災(zāi)面積、糧食損失、經(jīng)濟作物損失作為旱災(zāi)評估指標。文山州1990—2013年洪旱災(zāi)害評估指標如表2所示。

表2 文山州1990—2013年洪旱災(zāi)害評估指標

3. 2 雞群優(yōu)化算法計算結(jié)果

參數(shù)設(shè)置同上,搜索區(qū)間為[0,1],連續(xù)計算4 次,得到一致的結(jié)果,其進化過程如圖1所示。

圖1 雞群優(yōu)化算法進化過程

4次計算的Q′(a)均為0. 001 016 75(洪災(zāi))、0. 00124877(旱災(zāi)),a均為(0. 4447,0. 4492,0. 4812, 0. 5403)(洪災(zāi))和(0. 5487,0. 4881,0. 4673,0. 4923) (旱災(zāi)),收斂穩(wěn)定;從圖1可知, 4次計算均在迭代次數(shù)為30左右時收斂到全局最優(yōu)解,具有較快的收斂速度。

3. 3 分級標準與評估結(jié)果

利用上述a值,可計算得到洪災(zāi)和旱災(zāi)投影系列均值z-分別為0. 55、0. 43,標準差σ分別為0. 44、0. 40,據(jù)此,構(gòu)造4個等級的洪旱災(zāi)害分級標準:特大洪災(zāi)[0. 99,∞)、重大洪災(zāi)[0. 55,0. 99)、較大洪災(zāi)[0. 11,0. 55)、一般洪災(zāi)(0,0. 11)和特大旱災(zāi)[0. 83,∞)、重大旱災(zāi)[0. 43,0. 83)、較大旱災(zāi)[0. 03, 0. 43)、一般旱災(zāi)(0,0. 03)。

將a值代入式(1)得到文山州1990—2013年洪旱災(zāi)害投影值zi,并依據(jù)所構(gòu)造的分級標準進行洪旱災(zāi)害評估,結(jié)果見表3和圖2。

表3 文山州1990—2013年洪旱災(zāi)害評估結(jié)果

圖2 投影值變化趨勢

文山州1990—2013年洪災(zāi)評估結(jié)果為:特大洪災(zāi)3次,重大洪災(zāi)4次,較大洪災(zāi)15次,一般洪災(zāi)2次。經(jīng)計算,投影值zi的Spearman統(tǒng)計量與Kendall統(tǒng)計量分別為1. 56和1. 48,均小于置信水平為0. 05時的相應(yīng)臨界值2. 01和1. 96,表明文山州洪災(zāi)呈減弱趨勢,但不顯著。a的各分量aj均為正值,說明各評價指標投影方向一致,其中a5(直接經(jīng)濟損失投影分量)最大,說明洪災(zāi)對直接經(jīng)濟損失影響最大,其次為倒塌房屋間數(shù)、死亡人口和受災(zāi)人口,而對農(nóng)作物受災(zāi)面積影響最小。

文山州1990—2013年旱災(zāi)評估結(jié)果為:特大旱災(zāi)3次,重大旱災(zāi)5次,較大旱災(zāi)16次。經(jīng)計算,投影值zi的與分別為2. 19和3. 08,均大于置信水平為0. 05時的相應(yīng)臨界值2. 01和1. 96,表明文山州旱災(zāi)呈增強趨勢,且趨勢顯著。a的各分量aj均為正值,說明各評價指標投影方向一致,其中a1(農(nóng)作物受災(zāi)面積投影分量)最大,說明旱災(zāi)對農(nóng)作物受災(zāi)面積影響最大,其次為經(jīng)濟作物損失和成災(zāi)面積,而對糧食損失影響相對較小。

4 結(jié) 論

a.提出雞群優(yōu)化-投影尋蹤洪旱災(zāi)害評估模型,利用雞群優(yōu)化算法尋找投影尋蹤模型最佳投影方向a,可有效避免a的尋優(yōu)結(jié)果變幅過大,提高投影尋蹤模型的評估可靠度,為確定投影尋蹤模型的最佳投影方向提供了一種全新的方法。

b.通過15個復(fù)雜函數(shù)對雞群優(yōu)化算法進行仿真驗證,并與狼群算法、粒子群算法、人工魚群算法和遺傳算法進行對比,結(jié)果表明雞群優(yōu)化算法具有較好的收斂精度和全局尋優(yōu)能力,是一種有效的新型全局優(yōu)化算法。

c.利用洪旱災(zāi)害投影系列均值z-及標準差σ構(gòu)造評估分級標準,可有效解決不同層面洪旱災(zāi)害評估中等級劃分問題,具有較好的通用性。

d.從1990—2013年的洪旱災(zāi)害評估結(jié)果來看,文山州洪災(zāi)呈減弱趨勢,但減弱趨勢不顯著,直接經(jīng)濟損失對文山州洪災(zāi)等級影響最大,農(nóng)作物受災(zāi)面積影響最小;旱災(zāi)呈顯著增加趨勢,農(nóng)作物受災(zāi)面積對文山州旱災(zāi)等級影響最大,糧食損失影響相對較小。

參考文獻:

[ 1 ]莫建飛,陸甲,李艷蘭,等.基于GIS的廣西洪澇災(zāi)害孕災(zāi)環(huán)境敏感性評估[J].災(zāi)害學(xué),2010,25(4):33-37. (MO Jianfei, LU Jia, LI Yanlan, et al. GIS-based sensitivity assessment on environment of developing flood hazards in Guangxi Province [ J ]. Journal of Catastrophology,2010,25(4):33-37. (in Chinese))

[ 2 ]劉合香,徐慶娟.區(qū)域洪澇災(zāi)害風(fēng)險的模糊綜合評價與預(yù)測[J].災(zāi)害學(xué),2007,22(4):38-42. (LIU Hexiang, XU Qingjuan. Fuzzy comprehensive evaluation and prediction of regional flood disaster risk[J]. Journal of Catastrophology,2007,22(4):38-42. (in Chinese))

[ 3 ]崔東文.基于人工神經(jīng)網(wǎng)絡(luò)與主成分分析法的洪災(zāi)評估:以文山州1990—2007年洪災(zāi)評估為例[J].水資源研究,2011,32(2):37-39. (CUI Dongwen. Evaluation of flood disaster and artificial neural network based on principal component analysis: a case study in Wenshan 1990-2007 flood disaster evaluation[J]. Journal of Water Resources Research,2011,32(2):37-39 . (in Chinese))

[ 4 ]楊聰輝,王寶華,付強,等.洪水災(zāi)情評價的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型[J].災(zāi)害學(xué),2010,25(3):12-15. (YANG Conghui,WANG Baohua,FU Jiang,et al. Pulse coupled neural network model for evaluation of flood disaster [J]. Journal of Catastrophology, 2010, 25 (3): 12-15. ( in Chinese))

[ 5 ]陳曜,丁晶,趙永紅.基于投影尋蹤原理的四川省洪災(zāi)評估[J].水利學(xué)報,2010,41 (2):220-225. (CHEN Yao,DING Jing,ZHAO Yonghong. Assessment on flood disaster in Sichuan Province based on the principle of projection[J]. Journal of Hydraulic Engineering, 2010,41 (2):220-225. (in Chinese))

[ 6 ]周惠成,張丹.可變模糊集理論在旱澇災(zāi)害評價中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2009,25 (9):56-61. (ZHOU Huicheng, ZHANG Dan. Assessment model of drought and flood disasters based on variable fuzzy set theory [ J]. Transactions of the Chinese Society of Agricultural Engineering,2009,25(9):56-61. (in Chinese))

[ 7 ]唐明,邵東國,姚成林,等.改進的突變評價法在旱災(zāi)風(fēng)險評價中的應(yīng)用[J].水利學(xué)報,2009,40(7):858-862. (TANG Ming, SHAO Dongguo, YAO Chenglin, et al. Improved catastrophe theory based evaluation method and its application to drought disaster risk evaluation [ J]. Journal of Hydraulic Engineering,2009,40(7):858-862. (in Chinese))

[ 8 ]宋新山,王宇暉,嚴登華,等.基于分形特征的我國干旱災(zāi)害小波分析[J].系統(tǒng)工程理論與實踐,2013,33 (11):2986-2992. (SONG Xinshan, WANG Yuhui, YAN Denghua,et al. Fractal and wavelet analysis on the 59 years time series of drought disaster ratio in China [J]. Systems Engineering:Theory & Practice, 2013, 33(11): 2986-2992. (in Chinese))

[ 9 ]楊曉華,楊小利.基于Z指數(shù)的隴東黃土高原干旱特征分析[J].干旱地區(qū)農(nóng)業(yè)研究,2010,28(3):248-253. (YANG Xiaohua,YANG Xiaoli. Analysis of drought in the Loess Plateau of Longdong characteristics based on Z index [ J]. Agricultural Research in the Arid Areas, 2010,28(3):248-253. (in Chinese))

[10]余航,王龍,文俊,等.基于投影尋蹤原理的云南旱災(zāi)評估[J].中國農(nóng)學(xué)通報,2012,28 (8):267-270. ( YU Hang,WANG Long, WEN Jun, et al. Yunnan drought evaluation based on projection pursuit [ J ]. Chinese Agricultural Science Bulletin,2012,28(8):267-270. (in Chinese))

[11]付強,趙小勇.投影尋蹤模型原理及其應(yīng)用[M].北京:科學(xué)出版社,2006.

[12]王柏,張忠學(xué),李芳花,等.基于改進雙鏈量子遺傳算法的投影尋蹤調(diào)虧灌溉綜合評價[J].農(nóng)業(yè)工程學(xué)報, 2012,28(2):84-89. (WANG Bai,ZHANG Zhongxue,LI Fanghua, et al. Comprehensive evaluation of regulated deficit irrigation using projection pursuit model based on improved double chains quantum genetic algorithm [J]. Transactions of the Chinese Society of Agricultural Engineering, 2012,28(2):84-89. (in Chinese))

[13]付強,付紅,王立坤.基于加速遺傳算法的投影尋蹤模型在水質(zhì)評價中的應(yīng)用研究[J].地理科學(xué),2003,23 (2):236-239. ( FU Qiang, FU Hong, WANG Likun. Study on the ppe model based on raga to evaluating the water quality [J]. Scientia Geographica Sinica, 2003,23 (2):236-239. (in Chinese))

[14]陳廣洲,汪家權(quán),解華明.粒子群算法在投影尋蹤模型優(yōu)化求解中的應(yīng)用[J].計算機仿真,2008,25(8):159-161. (CHEN Guangzhou,WANG Jiaquan,XIE Huaming. Particle swarm algorithm in the application in solving optimization projection pursuit model [ J ]. Computer Simulation, 2008,25(8):159-161. (in Chinese))

[15]丁紅,劉東,李陶.基于改進人工魚群算法的三江平原投影尋蹤旱情評價模型[J].農(nóng)業(yè)工程學(xué)報,2010,26 (12):84-88. (DING Hong, LIU Dong, LI Tao. Projection pursuit model for evaluating drought based on improved artificial fish swarm algorithm of Sanjiang Plain [ J]. Transactions of the Chinese Society of Agricultural Engineering, 2010,26(12):84-88. (in Chinese))

[16]趙建強,戴青松,陳必科,等.基于人工蜂群-投影尋蹤法的南方某河水質(zhì)綜合評價研究[J].節(jié)水灌溉,2014 (8): 49-52. ( ZHAO Jianqiang, DAI Qingsong, CHEN Bike,et al. Study on the artificial bee colony-projection pursuit method based on a comprehensive assessment of water quality in South China[J]. Water Saving Irrigation, 2014(8):49-52. (in Chinese))

[17]王明昊,董增川,馬紅亮.基于混合蛙跳與投影尋蹤模型的水資源系統(tǒng)脆弱性評價[J].水電能源科學(xué),2014 (9):31-35. ( WANG Minghao, DONG Zengchuan, MA Hongliang. Assessment of water resources system vulnerability based on shuffled frog leaping algorithm and projection pursuit model [ J ]. Water Resources and Power, 2014(9):31-35. (in Chinese))

[18]候景偉,孔云峰,孫九林.蟻群算法在需水預(yù)測模型參數(shù)優(yōu)化中的應(yīng)用[J].計算機應(yīng)用,2012,32(10):2952-2955. ( HOU Jingwei, KONG Yunfeng, SUN Jiulin. Application of ant colony algorithm for parameter optimization of water demand prediction model [ J]. Journal of Computer Applications, 2012, 32(10): 2952-2955. (in Chinese))

[19]吳虎勝,張鳳鳴,吳廬山.一種新的群體智能算法:狼群算法[J].系統(tǒng)工程與電子技術(shù),2013,35(11):2430-2438. (WU Husheng,ZHANG Fengming,WU Lushan. A new swarm intelligence algorithm: wolf pack algorithm [J]. Systems Engineering and Electronics, 2013, 35 (11): 2430-2438. (in Chinese))

[20] YNAG Xinshe, DEB S. Cuckoo search via Lévy flights [ C ] / / Proceedings of World Congress on Nature & Biologically Inspired Computing. Piscataway:IEEE,2009: 210-214.

[21]潘文超.果蠅最佳化演算法[M].臺北:滄海書局, 2011.

[22] CUEVAS E, CIENFUEGOS M, ZALDíVAR D, et al. A swarm optimization algorithm inspired in the behavior of the social-spider[J]. Expert Systems with Applications, 2013,40(16): 6374-6384

[23] MENG Xianbing, LIU Yu, GAO Xiaozhi,et al. Advances in Swarm Intelligence [ J]. Lecture Notes in Computer Science,2014,8794:86-94.

[24]崔東文,郭榮. SSO-PP模型在水源地安全保障達標評價中的應(yīng)用[J].水利經(jīng)濟,2015,33 (5):8-13 (CUI Dongwen,GUO Rong. Application of SSO-PP model in security standard evaluation of water sources. [J]. Water Conservancy Economy,2015,33(5):8-13. (in Chinese))

Projection pursuit model for evaluation of flood and drought disasters based on chicken swarm optimization algorithm

/ / CUI Dongwen(Wenshan Water Conserυancy Bureau of Yunnan Proυince, Wenshan 663000, China)

Abstract:The chicken swarm optimization algorithm was validated using 15 complex functions, and the simulated results were compared with those of the Wolf algorithm, particle swarm optimization algorithm, fish swarm algorithm, and genetic algorithm. Using the chicken swarm optimization to search for the optimal projection direction of the projection pursuit model, a projection pursuit evaluation model was established. Using assessment of flood and drought disasters from 1990 to 2013 in Wenshan Prefecture as an example, five flood disaster evaluation indices, including disaster-affected population, and four drought disaster evaluation indices, including the disaster area of crops, were selected, and grading standards for flood and drought disaster assessment were constructed with the mean and standard deviation of the flood and drought disaster projection series. The results show that the chicken swarm optimization algorithm is robust and has high global optimization ability. Using the algorithm to select the optimal projection direction of the projection pursuit model can effectively improve the evaluation accuracy and prevent a high degree of variation from occurring in the optimal projection direction.

Key words:flood and drought disaster assessment; projection pursuit; chicken swarm optimization algorithm; algorithm verification; Wenshan Prefecture

(收稿日期:2014- 12 31 編輯:鄭孝宇)

作者簡介:崔東文(1978—),男,高級工程師,主要從事水資源和水環(huán)境研究。E-mail:cdwgr@163. com

DOI:10. 3880/ j. issn. 1006- 7647. 2016. 02. 004

中圖分類號:P426. 616

文獻標志碼:A

文章編號:1006- 7647(2016)02- 0016- 08