[发明专利]求解条件非线性最优扰动的改进人工蜂群数据处理方法

说明书

本发明涉及一种求解条件非线性最优扰动的改进人工蜂群数据处理方法，属于计算机和大气海洋学科交叉领域，可用于气海洋领域的数值天气和气候现象的可预报性研究。本发明提供了一种免梯度信息的改进人工蜂群算法用于高效求解大气海洋领域的条件非线性最优扰动(CNOP)，在原始人工蜂群算法的基础上，针对CNOP求解这一问题，进行了适应性的改进，主要包括适应度函数和选择概率的适应性调整以及特征提取和约束条件的增加等。与现有技术相比，本发明具有精确度高，求解速度快等优点。

技术领域

本发明涉及计算机和大气海洋学科交叉技术领域，尤其是涉及一种求解条件非线性最优扰动的改进人工蜂群数据处理方法。

背景技术

基于数值模式进行大气和海洋科学中数值天气和气候可预报性研究一直以来都是国内外研究的热点问题。条件非线性最优扰动(CNOP)方法因为考虑了非线性在天气和气候现象中的作用，被广泛应用于天气和气候现象的可预报性研究。

CNOP的求解在数学上是一个求解有约束条件的非线性最优化问题的过程，如何计算这个非线性最优化问题是应用CNOP方法研究大气和海洋科学非线性物理问题的关键。目前在气象领域中通常采用一种能处理约束条件的基于梯度信息的优化算法来求解CNOP，其中目标函数关于优化变量的梯度信息的获取非常依赖于伴随模式，而伴随模式的开发和验证往往需要消耗巨大的工作量，这大大限制了CNOP的广泛应用。本发明旨在提供一种免梯度信息的改进人工蜂群算法高效求解CNOP，从而促进数值天气和气候可预报性研究的开展。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种求解条件非线性最优扰动的改进人工蜂群数据处理方法。

本发明的目的可以通过以下技术方案来实现：

一种求解条件非线性最优扰动的改进人工蜂群数据处理方法，求解条件非线性最优扰动的整体过程包括：先使用主成分分析方法对样本数据进行降维，将样本数据所代表的原始求解空间转换到特征空间后使用改进人工蜂群数据处理方法，在特征空间进行寻优，得到最优值并最终将其用于大气海洋领域的数值天气和气候现象的预报，该数据处理方法包括以下步骤：

步骤1：初始化蜂群和数值模式；

步骤2：利用雇佣蜂搜索食物源；

步骤3：利用观察蜂依设定概率选择食物源，若食物源被选择的概率大于设定概率，则该食物源被选中，若否则利用观察蜂在该食物源周围进行搜索；

步骤4：利用侦查蜂查看所有食物源并进行食物源去留判断；

步骤5：从步骤2持续迭代直到超过最大迭代步数或最优值保持不变时结束迭代；

步骤6：将迭代完毕后的结果记录为最优值并还原到原始空间；

步骤7：利用还原到原始空间的最优值结果大气海洋领域的数值天气和气候现象进行预报。

进一步地，所述的特征空间采用累计特征值≥90％的主成分，所述特征空间的维度为所述主成分的主成分数。

进一步地，所述步骤4中的食物源去留判断具体包括：若某一食物源的搜索次数超过最大搜索步数后仍没有更优的食物源，侦查蜂会抛弃该食物源，并随机产生新食物源替代原食物源。

进一步地，所述步骤3中食物源被选择的概率的计算公式为：

式中，p_i表示食物源被选择的概率，f_i表示第i个食物源的适应度函数值，表示所有食物源中的适应度函数最大值。

进一步地，所述第i个食物源的适应度函数值的计算公式为：

f_i＝1+abs(f(i))