预测每日和每月参考蒸散Aidoghmoush盆地使用多层感知器加上水波优化

文摘

本研究的目的是评估的能力软计算模型包括多层感知器(MLP)水波优化(MLP-WWO) MLP-particle群优化(MLP-PSO)和MLP-genetic算法(MLP-GA),模拟日常和月度参考蒸散(ET) Aidoghmoush盆地(伊朗)。主成分分析(PCA)被用来找到最好的输入组合包括滞后ETs。结果显示,ET值1,2,3(天)滞后以及1、2和3(个月)滞后是最有效的变量形成的个人电脑。输入和特征值的总方差比例是用来识别最重要的变量。模型的精度评估是基于多个统计指标如平均绝对误差(MAE)、Nash-Sutcliff效率(研究)和百分比偏差(PBIAS)。结果表明,混合延时模型的性能优于独立的延时。研究结果证实,MLP-WWO可以精确地预测等。

1。介绍

软计算模型被广泛用于解决各种水资源管理中存在的问题,如水库操作(1,2),洪水路由(3)、灌溉管理(4),和药物清除建模(5]。参考蒸散(ET)是一个关键参数水文(6]。等的主要意义在估算水预算已经被证实。的精确评估等管理水资源是非常重要的。事实上,它是至关重要的预测等精度管理水域的一个可接受的水平(7),它可以帮助决策者使用准确的预测,以确保最好的水资源分配中利益相关者(8]。例如,模型用于预测等相对潮湿的地区可能不适合干流域水资源短缺的一个重大挑战9]。

然而,测量等只在一个非常有限的气象监测站由于高成本的必要设备。的FAO-56 Penman-Monteith方程,这是广泛使用的参考模型等计算(10),需要大量的水文数据,这被认为是它的一个严重的缺陷。然而,许多水文建模者无法获得精确测量设备定期记录信息(11]。提出了几种实验方法计算基于气象变量等。radiation-based和temperature-based等模型广泛应用于气象数据的可用性的限制。大量的研究表明,ET temperature-oriented模型不能达到高水平的准确性。

越来越多的研究检验了软计算模型的能力评估等。这些计算模型通常使用非线性输入预测等,虽然旧数据驱动等的预测大多使用统计方法,如线性回归和自回归综合移动平均模型(12)和限制的假设的输入是线性的。非线性模型已经收到越来越多的关注在水资源的管理使用软计算技术,如人工神经网络(ANN)和自适应神经模糊界面系统(简称ANFIS)。

期刊等。13)基因表达的性能相比编程(GEP)和FAO-56 Penman-Monteith (PM)在西班牙。他们的研究结果表明,GEP模型比其他模型在大多数情况下。在另一项研究中,Tabari et al。14]应用简称ANFIS和支持向量机(SVM)马铃薯作物蒸散和计算发现,简称ANFIS具有更好的性能比支持向量机模型。此外,罗et al。15)应用安和PM模型预测等,下午安相比的优越性能模型。此外,帕蒂尔和钱德拉Deka [16)检查的能力极端学习机(ELM)和ANN模型在印度,发现榆树模型提供了更好的结果。

帕蒂尔和钱德拉Deka17应用简称ANFIS)、小波简称ANFIS和小波安预测等。他们的研究结果表明,ANFIS-wavelet模型比其他模型。Seifi和Riahi18)调查的有效性最小二乘支持向量机(LSSVM),简称ANFIS和ANN模型在预测使用气象资料等。结果表明,LSSVM模型提供了一个更理想的预测比其他模型。

在这项研究中,模型被用来预测每月和每日等。尽管SVM模型可以预测水文变量,他们有一些固有的缺陷18]。例如,支持向量机模型无法准确估计目标变量当特征的数量比样品的数量,和输入数据有更多的噪音18]。因此,选择核函数建模者并不容易。延时模型被广泛用于预测水文变量,因为它们可以处理多变量输入和多步预测。然而,延时模型有一些重要的缺点19]。培训软计算为用户模型是一个真正的挑战。传统的反向传播算法训练算法,如软计算模型可能在局部最优陷阱。优化算法被认为是合适的替代传统的训练算法由于其先进的运营商,而避免陷入局部最优。优化算法被广泛用于训练软计算模型(19- - - - - -26]。遗传算法(GA)和粒子群优化(PSO)的优化算法。粒子的位置作为候选的解决方案。本研究结合了WWO和延时模型提高收敛速度和精度。此外,WWO避免局部最优捕获的折射,这就增加了种群的多样性。因此,使用这一策略可以避免陷入局部最优。

水波优化(WWO),作为一个创新的优化算法,最近被用于各种研究等领域的最优无功调度,基准测试函数和旅行商问题(27- - - - - -29日]。先前的研究已经表明,WWO可以提高收敛速度和计算精度与算法相比,遗传算法和其他算法。WWO有几个优点,如良好的勘探和开发之间的平衡。此外,它使用不同的折射等运营商,传播,打破运营商增加种群的多样性。此外,先进的运营商WWO可以减少过早收敛。本文的主要动机是发展中长期规划新的混合模型预测等。此外,新的混合模型可用于预测目标变量在其他领域。虽然不同的研究使用不同的计量数据预测等,本研究使用滞后ET值预测等。因此,这项研究非常有用当学者没有不同的气候预测输入数据等。

在本文中,一种新的优化算法模型旨在结合在开发预测月度等。为此,气象数据收集从Aidoghmoush站在伊朗。我们所知,仅有的研究检验了模型的组合的潜力和WWO算法预测每日和每月等。有关的性能MLP-WWO相结合,联合MLP-WWO的输出与独立的模型相比,MLP-genetic算法(MLP-GA), MLP-particle群优化(MLP-PSO)。

2。材料和方法

2.1。网络模型

mlp包括一组神经元放置在层。激活函数是用于每个节点变换加权输入输出激活函数的数学性质的特征。在这项研究中被训练向MLP使用反向传播算法(BPA) [30.]。这个网络包括输入、隐藏层和输出层。在第一层输入数据接收。然后,在隐藏层处理的信息。最后,模型预测是由输出层。应用模型是基于以下的水平:(1)input-out数据意外地选择采用给定的训练输入数据。模型与不同尺寸,精度最高,还进行了训练和测试水平,其中70年和30的数据被选为训练和测试水平,分别。(2)后为一些输入生成的输出模式应用于传递函数。(3)一个目标函数如均方根误差(RMSE)被选中。(4)连接权重更新获得最低的RMSE值。(5)测试和训练水平,每一对输入输出向量的组成是继续通过水平在一定程度上没有很大的改变在RMSE模型(图1)。

2.2。遗传算法

遗传算法是一种进化算法,找到问题的最优解基于达尔文的原理通过变异、交叉,选择运营商。为此,一些初始生成解决方案和相应的目标函数值计算。选择操作是用来选择旧的人口的父母。接下来,生成的新个体交叉算子(31日]。最后,变异算子用于维护当前和未来几代人之间的多样性。该算法满足停止条件(图时结束2)。

2.3。PSO算法

算法被广泛用于不同的优化问题。类似于其他优化算法,该算法以随机初始化种群的成员,并使用粒子的社会行为来获取最佳的解决方案通过设置每个成员的位置有关的粒子群最佳位置的人口。方程(1)和(2)是用于更新粒子的速度和位置(32]: 在哪里 是迭代粒子的位置(t+ 1), 表示迭代粒子的速度(t+ 1),和c₂代表恒定值范围0 - 2,展示了全球最好的粒子,是当地最好的粒子,然后呢表示随机数字,这是在0和1之间。图3显示了算法的优化过程。

2.4。WWO算法

WWO算法旨在提高勘探开发能力的优化算法基于传播、折射,制动操作符。WWO模拟浅水波浪理论。每个代理算法有一些相似之处“水波”实体的波长(WL)和波高的h。如图4水波的,目标函数值要低得多,它的h较低,和王比深水短的起源29日]。

2.4.1。传播

这是假设x代表原始的水波,x′表示生成的一个新的传播算子(MLP)的重量和偏见33]。 在哪里搜索空间的长度,显示了一个均匀分布的随机数,代表原始的水波,表示新水波。传播后,目标函数值x′是评估。不失一般性,F假设为一个最小化问题与健身的功能f和F。实际问题可以与浅水模型(图5)。

如果f(x′)<f(x),x′是用来代替x在人口。然后,波高是格言高度调整(h_马克斯)。相反,波x是固定的,和波高是减少损失的能量。因此,下面的方程可以用来更新波长(33]: 在哪里是减少波长,f_马克斯显示了最大目标函数值,f_最小值代表最小目标函数值,表示正整数。

2.4.2。折射

在优化过程中,折射操作只能进行波x在它的高度趋于0时防止搜索停滞。给出了位置更新如下(33]: 在哪里最优解和吗 显示了一个高斯随机数的意思是( )1(0和标准偏差的 )。的N允许波x_d学习最好的解决方案 。

2.4.3。打破

打破经营者的效用是使人口多样化。K随机选择的维度,每个维度选择提供每个维度的孤波x′(29日]: 在哪里是破坏系数。如果目标函数值的波x 比所提供的孤波,x 波保存。图6显示了WWO优化水平。

2.5。培训全局优化算法

需要考虑两个技术方面为了整合中长期规划的优化算法,即编码方法代理/解决方案和确定目标函数的过程。虽然独立的延时模型有很高的能力,他们的训练算法可能收敛或慢陷阱在局部最优21- - - - - -34]。因此,有必要提高延时模型的准确性。这些模型都是经过训练的1000年的时代。学习速率和动量系数分别为0.001和0.09,分别。

在进化algorithms-MLP模型,每一个维向量可以引用一个代理(如粒子(PSO),染色体(GA),和“波水”对象(WWO)),其中可能包括随机数(−1,1)。每个代理表明候选人MLP(图7)。编码代理包含套偏差值和连接权重。重量和偏见的数量决定了向量的长度。计算目标函数值的代理商,所有代理都应该转移到延时,这样他们可以被贴上连接权重。RMSE通常应用在MLP-optimization算法目标函数。混合模型教练的水平可以解释在以下级别:(1)优化algorithm-MLP模型发起随机代理(2)代理被映射到一些候选人MLP的偏见和重量值(3)mlp的质量评估根据RMSE(4)优化algorithm-MLP模型构造适当的延时最小均方根误差(5)代理更新(6)步骤2至步骤4直到最后迭代(图7)

2.6。数据集

图8显示了数据从气象站获得位于伊朗的Aidoghmoush盆地(37°16′′N 37°31日;47°33′47°49′E)在1987年到2000年。

平均流量和平均年降雨量为19010⁶米³分别为每年340毫米。今年的雨季从10月到5月,8月是最干燥的月。此外,降雨的峰值概率是今年4月,在无雨的时期从6月到10月。光明和黑暗的时期从5月到8月和10月到2月,分别为(37]。

延时、MLP-WWO MLP-PSO, MLP-GA被用来预测每日和每月等。表1显示了表格输入数据的统计特征的研究。滞后ET值被用来估计提前一个月或一天的预测等。滞后ET值使用,因为它旨在评估模型的能力基于有限的输入数据。事实上,由于没有对气候数据的访问,准确预测等是一个重要的问题。

数据被分成70%的训练,30%的测试。滞后ET值被用作软计算模型的输入。不同大小的数据进行了测试,70和30实现目标函数的最小值。之前开发模型中,主成分分析(PCA)进行每月和每日ET值选择重要的滞后,也就是说,滞后的输入主要影响每日和每月ET值。变量滞后7天,7个月被用作输入的软计算模型预测每日和每月等。主成分分析是一种统计模型将给定的一组n变量成一组新的互相正交的电脑。PCA是用来选择best-lagged输入变量来预测水文变量(37- - - - - -39]。先前的研究表明PCA相比的优越性伽马测试和相关法等其他方法(37- - - - - -39]。主体与特征值,不止一个,是重要的输入。此外,在个人电脑最有效的变量的系数≥0.90。因此,校长和选择他们的变量是基于上述规则(37- - - - - -39]。

准备输入数据,计算协方差矩阵,特征值和向量,以及计算总方差的比例为每一个电脑被认为是作为主要的PCA模型的水平。以下指标用来评估模型。 梅的平均绝对误差,显示Nash-Sutcliff效率,表示观测数据,代表观测数据的平均值,表示预测数据。

3所示。结果与讨论

3.1。选择输入

3.1.1。每日规模

表2显示了PCA的输出包括七输入七个人电脑的贡献,每个电脑的描述方差,方差描述的累积的总和。如图所示,PC1和前三个电脑导致了总方差的54%和91%,分别。结果表明,ET值与滞后1、2和3(天)是重要的和作为输入。

3.1.2。每月的规模

根据结果,PC1和前三个电脑导致了总方差的53%和94%,分别。此外,ET值和滞后1,2,3(月)是重要的和用作输入软计算模型(表2)。

3.2。软计算的结果数据分析模型

3.2.1之上。每日规模

优化算法的随机参数视为影响力系数大大影响算法的性能。例如,随机参数WWO人口规模,波长,波高,破坏系数。表3显示其他重要变量。每个MLP-optimization算法模型是由不同的随机参数值进行测试。敏感性分析是用来发现参数的最优值。目标函数的变化是参数的计算与感兴趣的变化。当一个参数不同的利益的价值,其他参数都是固定的。最小化目标函数的参数的最佳值。

目标函数是用于计算的误差性能在每个迭代。每个模型运行在2000中长期规划迭代优化参数。因此,一系列MLP-optimization算法进行了使用各种人口大小(PS)、波长度(WL),浪高(WH)和破坏系数(BC)从100年到400年,0.1比1,1到5,分别和0.01到0.10。结果表明,PS: 200王:0.5,WH: 2, RMSE和BC: 0.05提供最低的。因此,这些值被选为MLP-WWO模型中的最优参数。关于类似的过程,其他算法得到的最优参数。

表4演示了相关输出延时模型的训练水平。结果显示在表中4和5基于随机参数的最佳值获得表吗3。

基于表4中长期规划,混合建模有更好、更可接受的结果。此外,MLP-WWO的美是2.1%,3.2%,和4.1%低于MLP-PSO, MLP-GA,延时模型。的PBIAS MLP-WWO是0.14,0.35,0.37,和0.39的MLP-PSO MLP-GA,延时模型。MLP-WWO了无最高和最低PBIAS等模型。网络模型的PBIAS高于其他模型。

表4显示了软计算模型的误差指标基于每日规模的测试水平。如这个表所示,MLP-WWO的美是1.3%,2.5%,和3.3%低于MLP-PSO, MLP-GA,延时模型。此外,PBIAS MLP-GA是高于其他混合动力车型。的了无延时是0.84,0.87,0.90,0.92,MLP-GA MLP-PSO, MLP-WWO模型。

3.2.2。每月的规模

基于表5,混合MLP更好、更可接受的测试结果进行建模。的PBIAS MLP-WWO是低于其他的混合模型。MLP-WWO的美是7.2%,14%,和17%低于MLP-PSO, MLP-GA,延时模型。均获得了无最高和最低PBIAS MLP-WWO模型。

表5显示了相关的测试结果中的延时模型的水平。如图所示,梅斯的WWO 7.2, 12日和17%低于MLP-PSO, MLP-GA,分别和中长期规划模型。的了无MLP-PSO高于MLP-GA和延时模型。

结果表明,优化算法改进的独立模型的准确性。换句话说,模型相结合的混合算法和主成分分析等预处理方法可以用于实际问题与不同的输入在水资源管理场景。建模者可能会遇到大量的输入数据在评估不同水文变量。此外,独立的软计算模型可能不导致好的结果。因此,必须使用一种混合框架基于预处理方法和优化算法,以确保准确的目标变量的估计。

3.3。散点图

3.3.1。每日规模

图9显示了软计算的散点图模型。

结果表明,输出相关MLP-WWO更接近实测资料表明准确的组合模型的性能。图9(一个)表明模型具有延时模型中表现最差。此外,作为显示在图9(一个),MLP-PSO散射点更接近45°线相比MLP-GA散点。

3.3.2。每月的规模

计算出的R²软计算模型表明,MLP-WWO有最好的性能比其他模型和算法优于遗传算法。总之,中长期规划的混合模型独立的模型(图中表现出来9 (b))。

3.4。概率分布的研究

训练数据随机抽样米次更换建立模型并评估其了无每个重新取样。米训练模型被用来计算了无基于验证数据。这种方法被用来执行预测数据和观测数据的拟合优度。

这个过程可能需要很高的计算时间,这取决于模式的数量。近似的概率分布分析了无了无后,其重要性评估是基于95%可信区间(CI)(表6)。结果分析预测每日和每月等如下:

3.4.1。日常场景(研究)

图10 ()显示如何了无> 0.80的概率高达93% MLP-WWO模型。因此,MLP-GA模型没有达到0.90了无和下降到0.50到0.89(图(11日))。MLP-PSO的结果显示,超过60%的CIs是高于0.80了无(图(11日))。根据结果,MLP-PSO比MLP-GA MLP-WWO。

3.4.2。每月的场景(研究)

对于MLP-WWO,结果表明,93%以上的CIs 0.80以上分析了无(图11 (b))。因此,MLP-GA模型未能达到0.90了无和下降到0.5到0.87(图11 (b))。

基于图10收敛曲线显示,WWO转换比其他方法。

4所示。结论

在这项研究中,软计算模型被用作软计算模型的输入。使用生成的预测模型是滞后ET值Aidoghmoush盆地(伊朗)。然后,输出的软计算模型进行了比较,表明,中长期规划MLP-WWO优于其他模型。此外,MLP-WWO的美是1.3%,2.5%,和3.3%低于MLP-PSO, MLP-GA,延时模型在日常规模模型。MLP-WWO的美是7.2%,14%,和17%低于MLP-PSO, MLP-GA和延时模型在每月的规模。此外,输出相关MLP-WWO接近观测数据。最后,它必须指出,适当的优化算法影响独立的软计算模型的准确性。因此,一个健壮的优化算法的选择是一个重要的问题对于发展软计算模型。未来的调查可以开发模型的性能的研究。提出的模型可用于预测其他水文变量如降水、温度、径流。 Furthermore, the next studies can investigate the effect of uncertainty on the accuracy of the models.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者证明他们没有从属关系或参与任何组织或实体的任何经济利益在本文的主题。

引用

1. 诉Ramaswamy f·萨利赫,“基于整体的预测和优化框架,从供水水库防洪优化版本,”水资源管理34卷,第1004 - 989页,2020年。视图:出版商的网站|谷歌学术搜索
2. 法拉兹-法曾,s·m·穆罕默s Farhad穆萨维,和h . Karami”调查的一种新的混合优化算法性能的大基准系统的优化运行,”水资源管理33卷,第4782 - 4767页,2019年。视图:出版商的网站|谷歌学术搜索
3. a . Pashazadeh和m .爪哇”基因表达式编程的比较,人工神经网络(ANN)和等效Muskingum流入模型在多个分支河流的洪水演算,”理论和应用气候学,卷139,不。3 - 4、1349 - 1362年,2020页。视图:出版商的网站|谷歌学术搜索
4. f . Banadkooki m . Ehteram a . n . Ahmed et al .,“增强地下水位预测鲸鱼使用一个集成的机器学习模型优化的算法,”自然资源研究,29卷,第3252 - 3233页,2020年。视图:出版商的网站|谷歌学术搜索
5. 法拉兹-法曾,n . s . c . Farideh m . v . Anaraki和f·马赫莫迪安”引入框架建模废水除药物电化学的基于数据挖掘算法,散点插值方法,和多标准决策分析(做)”《清洁生产,266卷,2020年。视图:出版商的网站|谷歌学术搜索
6. 通用汽车Kovoor和l . Nandagiri灵敏度分析的FAO-56 penman-monteith参考蒸散估算使用蒙特卡罗模拟,”水文建模。水科技图书馆诉辛格,s . Yadav, r . Yadava Eds。施普林格,新加坡,2018年。视图:出版商的网站|谷歌学术搜索
7. 马黄g . l .吴x et al .,“评价CatBoost方法预测的参考蒸散在潮湿的地区,”《水文卷,574年,第1041 - 1029页,2019年。视图:出版商的网站|谷歌学术搜索
8. b . a·金伯尔和k . j . Boote”模拟玉米蒸散:29玉米模型之间的相互比较,”农业和森林气象学卷,271年,第284 - 264页,2019年。视图:出版商的网站|谷歌学术搜索
9. j .期刊“改善的性能质量transfer-based参考蒸散估算方法通过耦合wavelet-random森林方法,”《水文卷,561年,第750 - 737页,2018年。视图:出版商的网站|谷歌学术搜索
10. h . Farzanpour j .期刊a . a . Sadraddini和s . Trajkovic”全球比较20参考蒸散方程的半干旱地区的伊朗,”水文研究,50卷,不。1,第300 - 282页,2019。视图:出版商的网站|谷歌学术搜索
11. j .期刊“建模参考蒸散岛环境:评估的实际意义,”《水文卷,570年,第280 - 265页,2019年。视图:出版商的网站|谷歌学术搜索
12. m·k·Saggi和s . Jain“参考蒸散估算和建模的旁遮普使用深度学习印度北部,“计算机和电子产品在农业卷,156年,第398 - 387页,2019年。视图:出版商的网站|谷歌学术搜索
13. j .期刊O。Kişi g . Landeras et al .,“每日参考蒸散模型利用遗传规划方法在巴斯克国家(西班牙北部),“《水文卷,415年,第316 - 302页,2012年。视图:出版商的网站|谷歌学术搜索
14. h . Tabari c·马丁内斯,a . Ezani和p . Hosseinzadeh Talaee,“适用性的支持向量机和自适应neurofuzzy推理系统的建模马铃薯作物蒸散,“灌溉科学31卷,第588 - 575页,2013年。视图:出版商的网站|谷歌学术搜索
15. 特拉奥雷y罗,美国x律et al .,“中程每日参考蒸散预测通过使用安和公众天气预报,“水资源管理2015年,卷。29日。视图:谷歌学术搜索
16. a·p·帕蒂尔和p·钱德拉Deka”,一个极端学习机方法为蒸散的建模使用外部输入,“计算机和电子产品在农业,121卷,2016年。视图:出版商的网站|谷歌学术搜索
17. a·p·帕蒂尔和p·钱德拉Deka绩效评估混合wavelet-ANN和wavelet-ANFIS模型估算蒸散在印度的干旱地区,”神经计算与应用2017年,卷。28日。视图:出版商的网站|谷歌学术搜索
18. a . Seifi和h . Riahi”,估计每日参考蒸散使用混合伽马test-least平方支持向量机,伽马test-ann和伽马test-anfis模型在伊朗的干旱地区,”水和气候变化》杂志上2020年,卷。11日。视图:出版商的网站|谷歌学术搜索
19. m·a·Ghorbani r . Kazempour k . w .洲s Shamshirband和t . g . Pezhman”预测锅蒸发和一个集成人工神经网络研究粒子群优化模型:一个案例研究在Talesh,伊朗北部。”计算流体力学的工程应用,12卷,不。1,第737 - 724页,2018。视图:出版商的网站|谷歌学术搜索
20. y关,b·穆罕默迪问:b (Pham et al .,”一个新颖的方法预测每日锅蒸发在伊朗的沿海地区使用支持向量回归加上磷虾群算法模型,”理论和应用气候学,142卷,2020年。视图:出版商的网站|谷歌学术搜索
21. s . Mohamadi m . Ehteram, a . El-Shafie”增强准确性每月蒸发预测模型利用进化的机器学习方法,“国际环境科学与技术》杂志上卷,17 - 24,2020页。视图:出版商的网站|谷歌学术搜索
22. f·b·Banadkooki m . Ehteram a . n . Ahmed et al .,“悬浮泥沙负荷预测使用人工神经网络和狮子蚂蚁优化算法,”环境科学与污染研究,27卷,不。30日,第38116 - 38094页,2020年。视图:出版商的网站|谷歌学术搜索
23. m . Ehteram s .问:萨利赫,z . m . Yaseen“反渗透海水淡化装置的效率评估使用杂化与粒子群优化多层感知器,”环境科学与污染研究27卷,第15291 - 5278页,2020年。视图:出版商的网站|谷歌学术搜索
24. s . Mohamadi s . Sh Sammen f·帕纳西et al .,“干旱预测区划图与游牧民族使用集成的机器学习模型优化算法,”自然灾害卷,104年,第579 - 537页,2020年。视图:出版商的网站|谷歌学术搜索
25. m . Ehteram f . y . Teo a . n . Ahmed et al .,“渗透速率预测性能改进使用杂化自适应神经模糊推理系统(简称ANFIS)优化算法,”Ain Shams工程杂志》12卷,第1676 - 1665页,2020年。视图:出版商的网站|谷歌学术搜索
26. h .阮h . Moayedi w·a·w·Jusoh和a··沙里夫”提出一个新颖的使用M5Rules-PSO模型估计冷负荷预测技术在建筑节能系统中,“与计算机工程,35卷,2020年。视图:出版商的网站|谷歌学术搜索
27. y周,j .张、杨x和y凌,“最优无功功率使用水波优化调度算法,”运筹学,20卷,1卷,2018页。视图:出版商的网站|谷歌学术搜索
28. a . Hematabadi和a . a . Foroud”优化多目标投标策略使用min-max技术和修改水波优化方法,”神经计算与应用2019年,卷。31日。视图:出版商的网站|谷歌学术搜索
29. w·l·a . Liu Peng太阳et al .,“预测micro-alloyed钢的机械性能通过水波优化神经网络学习,”神经计算与应用32卷,2020。视图:出版商的网站|谷歌学术搜索
30. b . y .汉,j . Wu翟et al .,“耦合与XGBoost蝙蝠算法估计参考蒸散在中国的干旱和半干旱地区,”气象学的进展卷,2019篇文章ID 9575782, 2019。视图:出版商的网站|谷歌学术搜索
31. f . Alasali h . Stephen w . Holderbaum,“随机最优能源管理系统为轮胎式龙门吊起重机网络使用遗传算法和整体预测,“杂志的能量储存,24卷,2019年。视图:出版商的网站|谷歌学术搜索
32. h . m . Li, x, n .钟和美国,“一种改进的粒子群优化算法与自适应惯性权重,“国际期刊的信息技术和决策,18卷,不。03年,833 - 866年,2019页。视图:出版商的网站|谷歌学术搜索
33. Y.-J。郑,“水波优化:一个新的自然metaheuristic。”电脑与行动研究,55卷,1 - 11,2015页。视图:出版商的网站|谷歌学术搜索
34. a . Ashrafzadeh m·a . Ghorbani s . m . Biazar和z . m . Yaseen“蒸发过程建模在伊朗北部:应用程序的一个综合data-intelligence磷虾群优化算法模型,”水文科学杂志,64卷,2019年。视图:出版商的网站|谷歌学术搜索
35. a . a . Heidari对伊朗伊斯兰共和国通讯社表示,y, m . Mafarja s·m·j . Jalali j . s .董和s . Mirjalili”高效moth-flame-based neuroevolution模型”智能系统的算法。在进化的机器学习技术施普林格,新加坡,2020年。视图:出版商的网站|谷歌学术搜索
36. psi。o . Bozorg-Haddad Ashofteh, h·a·Loaiciga”逻辑遗传编程(LGP)开发灌溉供水对冲在气候变化条件下,“灌溉和排水,卷66,不。4、530 - 541年,2017页。视图:出版商的网站|谷歌学术搜索
37. r .这a . r . Karbassi a Moghaddamnia et al .,”评估的输入变量确定支持向量机使用PCA模型性能,伽马测试,并提出选择每月流量预测技术,”《水文,401卷,2011年。视图:出版商的网站|谷歌学术搜索
38. r .这a . Khakpour b Omidvar, a . Farokhnia”比较安和主成分analysis-multivariate线性回归模型预测河流流基础上发展差异率统计,“专家系统与应用程序37卷,2010。视图:出版商的网站|谷歌学术搜索
39. j·m·金和j·李”,时间序列分析评价水文响应降雨在坡的孔隙水压力,”水文科学杂志,62卷,2017年。视图:出版商的网站|谷歌学术搜索
40. d . n . Moriasi j·g·阿诺德·m·w·范·刘,r . l . Bingner r·d·马克,t·l·威斯,”模型评估指南系统量化流域模拟的准确性”交易的ASABE,50卷,不。3、885 - 900年,2007页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021今天Sayyahi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。