张学坤

(云南省水文水资源局西双版纳分局,云南 景洪 666100)

溶解氧(DO)是反映水质状况及自净能力的重要指标。提高溶解氧预测精度对于保护水资源、水环境、水生态以及保障饮用水安全具有重要意义。目前，用于溶解氧预测的方法有BP神经网络[1]、GRNN[1]、Elman[1-2]、RBF[3]、NARX神经网络[4]、回归支持向量机(SVR)[5]、极限学习机(ELM)[6]、组合预测法等[7]，均具有较好的预测效果。为进一步提高溶解氧预测精度，拓展现有预测模型及方法，本文研究提出一种基于海鸥优化算法(Seagull Optimization Algorithm，SOA)与支持向量机(Support Vector Machines，SVM)及BP神经网络相融合的溶解氧预测模型，分别利用SOA对SVM惩罚因子、核函数参数、不敏感系数以及BP神经网络权阈值进行优化，建立SOA-SVM、SOA-BP溶解氧预测模型；基于云南省西双版纳州国家重要供水水源地景洪电站2009年1月至2020年9月共141组逐月溶解氧监测数据，通过自相关函数法(autocorrelation function method，AFM)、虚假最邻近法(false nearest neighbor，FNN)设置4 种方案，利用SOA-SVM、SOA-BP模型对实例4种方案溶解氧进行预测，预测结果与SVM和BP模型进行对比，旨在验证SOA-SVM、SOA-BP模型用于溶解氧预测的可行性。本文研究意义和价值在于：介绍了新颖的海鸥优化算法(SOA)，利用SOA分别优化SVM惩罚因子等关键参数和BP神经网络权阈值，构建SOA-SVM、SOA-BP模型，并将模型用于溶解氧实例预测，不但拓展了SVM、BP模型的优化方法，而且为溶解氧等相关预测研究提供借鉴。

1 研究方法

1.1 海鸥优化算法(SOA)

海鸥优化算法(SOA)是Gaurav Dhiman等[8]于2019年提出的一种新型元启发式优化算法，其灵感来源于自然界海鸥迁徙和攻击行为。与其他算法相比，SOA收敛速度快、寻优精度高、调节参数少，具有较好的寻优精度和全局搜索能力。……