[发明专利]一种基于并行梯度定义方法的ENSO最优前期征兆识别方法

权利要求书

1.一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，包括以下步骤：

步骤1：设定多个非厄尔尼诺事件作为识别基本态；

步骤2：确定识别基本态对应的不同初始月份的最优前期征兆并建立对应CNOP；

步骤3：使用并行梯度定义方法求解CNOP，利用CNOP的求解结果确定最优前期征兆；

步骤4：验证CNOP的求解结果对应的最优前期征兆与基本态对应的不同初始月份的最优前期征兆是否一致以得出是否会发生非厄尔尼诺事件的识别结果。

2.根据权利要求1所述的一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，所述步骤3中的并行梯度定义方法包括以下步骤：

步骤S1：初始化相关优化变量；

步骤S2：采用梯度定义方法求解得出条件非线性最优扰动最优值结果；

步骤S3：循环迭代步骤S2并判断是否满足停止迭代条件；

步骤S4：当满足停止迭代条件时输出原始求解空间的条件非线性最优扰动最优值结果。

3.根据权利要求2所述的一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，所述的步骤S2具体包括以下分步骤：

步骤S21：求解条件非线性最优扰动的目标函数关于优化变量的梯度；

步骤S22：使用SPG2梯度投影算法沿梯度下降的方向搜索可转化为最优值结果的目标函数最小值。

4.根据权利要求3所述的一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，所述步骤S21中的目标函数关于优化变量的梯度，其计算公式为：

式中，f′(X)表示目标函数关于优化变量的梯度，表示优化变量每个变量关于目标函数的一阶偏导数。

5.根据权利要求4所述的一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，所述的优化变量每个变量关于目标函数的一阶偏导数的计算公式为：

式中，Δx表示变量增量，x₁,…,x_i,…,x_n表示所有优化变量。

6.根据权利要求3所述的一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，所述步骤S21中的梯度的优化计算采用MPI技术进行并行计算，所述并行计算采用主-从进程，所述主-从进程中的主进程用于负责任务的分配和结果的收集并将任务均分，若任务无法均分时通过计算为子进程分配任务。

7.根据权利要求1所述的一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，当数值模式的维度需要降维时，所述步骤3中的并行梯度定义方法还包括：对得到的优化变量的样本数据使用奇异值分解算法或主成分分析算法进行降维后在特征空间进行梯度的求解和寻优。

8.根据权利要求2所述的一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，其特征在于，所述步骤S3中的停止迭代条件为：是否超过最大迭代步数或最优值是否超过设定次数保持不变。