Název:
Aplikace optimalizačních metod v hydrologickém modelování
Překlad názvu:
Application of optimization methods in hydrological modeling
Autoři:
Jakubcová, Michala ; Máca, Petr (vedoucí práce) ; Hanel, Martin (oponent) Typ dokumentu: Disertační práce
Rok:
2015
Jazyk:
cze
Nakladatel: Česká zemědělská univerzita v Praze
Abstrakt: [cze][eng] Hlavním cílem optimalizačního procesu je nalezení optimálního stavu dané reality. Z mnoha možností je vybrána nejlepší varianta, čímž vzroste efektivita celého systému. Optimalizační technika byla aplikována v mnoha inženýrských problémech. V rámci hydrologického modelování je využita k odhadu nejlepší sady parametrů modelu, či k trénování umělých neuronových sítí.
Relativně novou optimalizační metodou je optimalizace rojem částic (PSO), která se vyznačuje malým množstvím parametrů pro nastavení a jednoduchou implementací. Původní algoritmus této metody byl mnoha autory modifikován. Důraz byl kladen na změnu způsobu inicializace částic v hejnu, aktualizaci topologie populace, přidání nového parametru do rovnice, či začlenění mechanismu promíchávání do algoritmu.
Modifikace PSO algoritmu zlepší provedení optimalizace, zamezí predčasné konvergenci a sníží výpočetní čas systému. Z těchto důvodů zahrnují hlavní cíle předložené doktorské práce navržení nové modifikace PSO metody s její implementací v programovacím jazyce C++. V práci bylo porovnáno a vyhodnoceno více PSO variant a nejlepší metody byly použity ve dvou hydrologických případových studiích.
První případová studie se zabývá použitím PSO algoritmů na inverzních problémech spojených s odhadem parametrů srážko-odtokového modelu Bilan. Ve druhé studii byly zkombinovány umělé neuronové sítě s PSO metodou pro předpověd´ vybraného indexu sucha.
Bylo zjištěno, že optimalizace rojem částic je vhodným nástrojem pro řešení problémů v rámci hydrologického modelování. Nejefektivnějšími PSO modifikacemi jsou varianty s adaptivní verzí váhovacího faktoru, které aktualizují rychlost částice během prohledávání vícedimenzionální řešené oblasti pomocí zpětné vazby.
Mechanismus promíchávání a přerozdělování částic do komplexů, ve kterých je samostatně spouštěn PSO algoritmus, také výrazně zlepšil provedení optimalizace.
Přínos této doktorské práce spočívá ve vytvoření nové PSO modifikace, která byla otestována na referenčních problémech a úspěšně aplikována ve dvou hydrologických případových studiích. Výsledky práce rozšířily využití PSO metody v reálných inženýrských problémech a všechny analyzované PSO algoritmy jsou k dispozici pro pozdější využití v rámci dalších výzkumných projektů.Finding the optimal state of reality is the main purpose of the optimization process. The best variant from many possibilities is selected, and the effectiveness of the given system increases. Optimization has been applied in many real life engineering problems as in hydrological modelling. Within the hydrological case studies, the optimization process serves to estimate the best set of model parameters, or to train model weights in artificial neural networks.
Particle swarm optimization (PSO) is relatively recent optimization technique, which has only a few parameters to adjust, and is easy to implement to the selected problem. The original algorithm was modified by many authors. They
focused on changing the initialization of particles in the swarm, updating the population topology, adding new parameters into the equation, or incorporating shuffling mechanism into the algorithm.
The modifications of PSO algorithm improve the performance of the optimization, prevent the premature convergence, and decrease computation time. Therefore, the main aims of the presented doctoral thesis consist of proposal of a new PSO modification with its implementation in C++ programming language. More PSO variants were compared and analysed, and the best methods based on benchmark problems were applied in two hydrological case studies.
The first case study focused on utilization of PSO algorithms in inverse problem related to estimation of parameters of rainfall-runoff model Bilan. In the second case study, combination of artificial neural networks with PSO methods was introduced for forecasting the Standardized precipitation evapotranspiration drought index.
It was found out, that particle swarm optimization is a suitable tool for solving problems in hydrological modelling. The most effective PSO modifications are the one with adaptive version of parameter of inertia weight, which updates the velocity of particles during searching through the multidimensional space via feedback information. The shuffling mechanism and redistribution of particles into complexes, at which the PSO runs separately, also significantly improve the performance.
The contribution of this doctoral thesis lies in creation of new PSO modification, which was tested on benchmark problems, and was successfully applied in two hydrological case studies. The results of this thesis also extended the utilization of PSO methods in real life engineering optimization problems. All analysed PSO algorithms are available for later use within other research projects.
Klíčová slova:
Bilan; kalibrace; optimalizace; PSO; umělé neuronové sítě