混凝土坝变形组合预报模型的蛙跳建模方法.pdf

第 2期 2 0 1 3年 4月 水利水运 工程学报 AN D E E口 N G No 2 Apr 2 01 3 混凝土坝变形组合预报模型的蛙跳建模方法 王 伟 ，钟启明 ，刘守华 ，李益兵 ( 1 南京水利科学研究院，江苏 南京2 1 0 0 2 9 ； 2 江苏省射阳县水利局，江苏 射阳2 2 4 3 0 0 ) 摘 要 ： 混凝土坝变形的影响因素多而复杂， 监测数据包含大量的不确定性信息 ， 因此依据多种建模方法建立的 各单一模型的预报效果各不相同 组合模型能够弥补单一模型的局限性 ， 如何在建模过程中使权重系数实时反 映单一模型对监测信息的变化， 是组合模型建模的关键 从优化极值角度考虑各单一模型中未知量与权重系数 之间的相互性 ， 利用蛙跳算法( S F L A ) 的分布式全局优化性能同步确定其值， 提出相应的蛙跳优化建模方法 混 凝土坝变形长期监测资料的应用表明， 该方法具有良好的预报效果， 简化了组合模型的确定过程， 提高了模型 的预报能力， 为混凝土坝变形预报分析提供了新的计算方法 关 键词 ： 蛙跳算法； 混凝土坝； 组合模型； 变形； 预报 中图分类号 ： T V 6 4 2 3 文献标志码 ：A 文章编号：1 0 0 9 6 4 0 X( 2 0 1 3 ) 0 2 0 0 0 9 0 6 目前我 国已修建 8 7万多座水库 ， 作为特殊的水工建筑物 ， 这些水库在开发利用水资源和防灾减灾中发 、挥 了重要的作用 ， 但潜在的大坝安全隐患应引起足够的重视 随着 时间的推移 ， 由于外部环境 的长期变化以 及材料老化 、 人为因素等原 因， 大坝存在不 同程度的老化、 裂缝 ， 若这些 隐患得不到及时诊断和解决 ， 不仅会 影响大坝的安全运行 ， 甚至会导致溃坝等灾难性事故 建立合理的监控预报模型并制定有效的应急方案， 可 减少大坝失事造成的损失， 甚至避免大坝事故的发生 从大量监测数据中迅速找出有效信息， 对大坝的运行 状态进行及时诊断和预报是监控工作的重点 ， 如我 国的佛子岭连拱坝 ， 正是 由于建立 了合理的变形监控模 型 ， 从而避免 了一次重大事故 J 由此可见 ， 依靠预报模型对监测数据进行预测分析具有重要性和必要性 ， 而这些都是以数学方法 和算法理论为基础 大坝变形 的环境影响因素多而复杂 ， 主要涉及坝体类型、 上下游水位 、 气温 、 坝体 内部温度 、 时效变化等 根据不同的评判准则， 可从多个角度提出大坝变形预报的建模方法 随着信息科学和计算机技术的发展， 灰 色理论 、 模糊理论 、 神经网络算法、 遗传算法等新型算法 的引人为大坝安全管理部门的决策判断提供 了新的 有效手段 J 从信息论角度 ， 基于不同算法 的监控模 型均能从一定程度上反映坝体的运行状态 ， 具有不同 的数据挖掘能力 为了综合利用各预报模型的挖掘能力 ， 可将各单一模型通过优化方式集合在一起 ， 建立相 应的组合模型 由于传统优化算法的局限性和组合模型的复杂性， 大多采用分步求解方式， 首先确立各单一 模型的计算参数 ， 再以权重系数组合各模型 群智能优化算法是新一代 的仿生优化算法 ， 相 比人工神经网络 、 遗传算法等算法具有更 强的全局搜 索能力和并行 计算能力 ， 常用 于水 库调度优 化问题 和参 数反演等 问 题 。 本文采用群智能算法中的蛙跳算法建立组合模型， 通过单蛙个体的位置向量、 跳跃步长、 适应度等计 算参数的定义形式 ， 考虑建模过程中权重系数与各模型的动态变化联系 利用算法的局部优化性能和全局优 化性能 ， 同步确定各模型的计算参数和权重系数 ， 改变传统 的分步求解方式 ， 提出混凝土坝变形组合预报模 型的蛙跳优化建模方法 收稿 日期 ： 2 0 1 2 0 9 1 0 基金项目：国家 自然科学基金资助项目( 5 1 1 0 9 1 4 1 ) ； 中央级公益性科研院所青年基金项 目( Y 3 1 1 0 0 5 ) 作者简介：王伟( 1 9 7 9 - ) ， 男， 江苏高邮人 ， 博士， 主要从事大坝安全监控理论 、 地基工程监测研究 E ma i l：wwg i 5 5 5 1 63 C O IT I 学兔兔 w w w .x u e t u t u .c o m 1 0 水 利 水 运 工 程 学 报 2 0 1 3年4月 混凝土坝组合预报模型 对于混凝土坝坝顶水平位移 l ， 的某时段内监测数据序列 Y ， t ：1 ， 2 ， ， n ， 若存在 m种预报模型的建 模方法 ， 则设第 i 个预报模型在第 t 时刻的预报拟合值为 Y = ( Xi ， A ) i =1 ， 2 ， ， m ( 1 ) 式 中： Z( x ， A )为混凝土坝预报模型的多元函数形式； 为环境影响因素组成 的数据 向量 ； 为 i 模型中未 知量的最优估计 此时变形预报模型 i 在第 t 时刻的预报误差 e 为 Y 一 若组合模型中权重系数 的最优估计为L=( z ， z ， ， z ) ， 则在第 t 时刻的预报拟合值 可用下式表示 ： = l l 乡 + f ： Y 2 + f 多 ：l i ( 2 ) 在 t 时刻的预报误差 e 为 m e =Y 一 。 = ( 3 ) 结合式( 1 ) ( 3 ) ， 采用拟合值残差平方和作为优化 目标准则 ， 从而组合预报模型的求解可转换成极小值优 化的多元函数模型 ： f m i n Q= e = l il i e e j t J f 4、 【 s t z = 1 ， z 0 ， i = 1 ， 2 ， ， m 对于式( 4 ) 所示模型的建立需要解决两个问题 ： ( 1 ) 依据混凝土坝变形的影响 因素和运动机理 ， 如何建立组 合预报模型 ； ( 2 ) 确定组合模型的最优权重系数 ， 整合各单一模型的信息挖掘能力 2 组合模型的蛙跳优化建模方法 混凝土坝组合预报模型的权重系数 常被认为固定不变 ， 其实在建模过程中每个模型 ( 置 ， Ai ) 对各时 刻变形的预报精度不同， 可能使某时刻 t 的预报精度或高或低， 所以固定权重 难以真实反映单一模型对 各时刻坝体变形的信息挖掘能力变化 针对此种情况， 学者们提出变权组合预报模型 ， 如采用神经网络 、 小波 网络 、 I O WA算子 、 T h e i l 不等系数方法等 但这些变权组合模型主要基于权重系数与模型中未知量分步 确定 的建模方式 ， 从理论角度若将两者同步计算 ， 则所建组合模型可更好地考虑单个预报模型未知量的最优 估计与该模型在组合模型中影响程度之间的联系 群智能算法提供 了这种建模方式的可能性 ， 蛙跳算法具有 较强的分布式全局优化能力和局部优化能力 ， 对待求多元 函数形式没有严格的可导或可微要求 ， 通过对关键 参数定义形式的改进就可应用该算法 为了考虑权重系数与模型中未知量的同步计算方式 ， 对于式( 4 ) 所示 模型做如下改进 ： f m i n Q = ( y 一 多 ) = ( Y 一 ( ， ) ) l m ( 5 ) 【 s t 2 = 1 ，2 0 ，i ： 1 ， 2 ， ， m 可见式( 5 ) 所示模型为非负非线性加权组合预报模型， 采用一般优化方法较难求解 2 1 蛙跳算法的基本原理 蛙跳算法( S F L A) 依据局部优化策略、 全局优化策略确保算法取得全局优化解 ， 主要计算参数包括蛙群 落的划分数 ， 分群落中蛙数 目m( 设置每个群落所含蛙的数 目相同) 、 单蛙的跳跃步长 d ， 分群落 的局部进 化数 f ， 整个群落的全局进化数 其中跳跃步长 d和单蛙适应度形式 是算法的应用关键， 单蛙个体 i 根据 设定的跳跃步长确定觅食路径 在单蛙个体 i 初步完成觅食后， 将觅食结果作为其适应度的信息与其他单蛙 学兔兔 w w w .x u e t u t u .c o m 第 2期 王伟， 等：混凝土坝变形组合预报模型的蛙跳建模方法 个体进行交流 ， 待其所在分群落 完成内部进化后 ， 分群落之间再共享最优觅食路径的信息 ， 如此经过一定 的迭代进化确定全局最优觅食路径 J 2 2适应度形式的确定 对于混凝土坝变形组合预报模型， 其数据空间是由权重系数L及各单一模型中未知量 A的取值范围所 构成 ， 单蛙个体 i 在此数据空 间中的位置点 置 就表示组合模型的一组待定解 ( ， A ) 优化方法中优化准则 常采用 3种形式 ： 误差平方和最小 、 相对误差的最大值和绝对误差和最小 文中采用误差平方 和最小为优化 准则， 其余两种准则在优化过程中易使单蛙个体 i 所包含的变形监测信息不够全面 根据式( 5 ) 和位置点 X 的形式 ， 适应度 如下 ： F =( Y 一l it f i ( X ， ) ) ( 6 ) 上式包含 了两方面的优化信息 ： ( 1 ) 若适应度 值越小 ， 位置点 置 越接近数据空间的全局最优解 ， 此时的单 蛙个体 埔邑 够获取权重系数 和未知量 A 的最优信息 ； ( 2 ) 适应度值包含各单一模型对 t 时刻坝体变形监测 数据 Y 的挖掘信息 ， 若适应度 值越小表 明组合模型对各时刻预报值的拟合效果最优 ， 此时蛙群通过协 同 合作确定 的权重系数 L能够实时反映各模型对坝体变形的变化过程 因此 ， 以蛙群智能进化模式实施变权 组合预报 ， 能够简化组合模型的计算过程 2 3 局部优化策略 为了保障蛙群局部优化的搜索能力， 需要对每个分群落内最劣个体的位置点信息 B 进行修正更新 文 中采用 3种修正策略 ： ( 1 ) 以局部最优个体信息修正局部最劣个体 ； ( 2 ) 以群落 中全局最优个体信息修正局 部最劣个体 ； ( 3 ) 采用随机方式修正局部最劣个体 具体为： r R ( g B ) ( 修正策略一) d f1f = ? R f G f B “ ) ( 修 正 策 略 二 ) ( 7 ) L x J B j “ ( 修正策略三) B =Bz ， +d f ，J ( 8 ) 式中： f 为蛙群进化次数； R ( ) 为( 0 ， 1 ) 之间的随机函数； G ， g “分别为整个群落及第 分群落内最优单蛙个 体的历史位置向量； 日 f - ， d 分别为第 分群落内最差单蛙个体 的历史最差位置向量及本次进化过程中的 跳跃步长向量； R x f _， 为以随机方式在数据空间生成的位置点向量； B ，f 为更新后最差单蛙个体 的位置向 量 从中可看出修正策略三对算法的收敛性具有一定 的调节作用 ， 尤其在计算后期每个分群落陷入局部最小 时 ， 通过随机方式可增大跳出局部极值 的概率 ， 增强算法的局部寻优能力 2 4 全局优化策略 全局优化策略以对各分群落的优化信息进行重组为基础， 即每个分群落 在完成 1 次局部搜索行为后 重新组合成 1 个大群落 ， 根据单蛙个体 适应度值 的优劣对蛙群从小到大排序 ， 采用等隔选取 的方式再次 划分 ( 1 ， 2 ， ， ) 群落 ， 每个分群落再次执行局部优化策略 从全局优化策略可知 ， S F L A中全局寻优能 力是将各分群落的优化信息 以共享 、 协 同的方式作为保障， 通过等隔分组划分方式避免蛙群在同一数值区域 内搜索 ， 扩展了寻优范围 ， 最终蛙群能够逼近全局最优解 混凝土坝组合预报模型的蛙跳优化建模步骤如下 ： ( 1 ) 依据混凝土坝变形的长期监测资料建立多种子预报模型 ； ( 2 ) 初始化蛙跳算法( S F L A ) 的计算参数， 依据权重系数L和未知量 A的取值范围随机生成各单蛙个体 位置点向量的初始值 ， 并计算初始适应度 F o ； ( 3 ) 依据适应度值， 从小到大对蛙群进行排序， 并采取等间隔选取方式将蛙群划分为 个分群落； ( 4 ) 对每个分群落执行局部优化策略 ， 直至局部循环结束 ； ( 5 ) 对整个蛙群实施全局优化策略； ( 6 ) 返回计算步骤( 4 ) ， 重复计算直至外部循环结束或满足优化终止条件， 最终输出混凝土坝组合预报 模型的全局最优解 学兔兔 w w w .x u e t u t u .c o m 1 2 水 利 水 运 工 程 学 报 2 0 1 3年 4月 3 工程算例 某水库是以发电为主， 兼顾防洪、 灌溉等综合利用的大型水利枢纽， 其拦河坝为混凝土宽缝重力坝， 最大 坝高 1 0 5 m， 全长 4 6 6 5 m 坝体自右至左共分 2 6个坝段 ， 右岸 0号 一 6号和左岸 l 7号 一 2 5号为非溢流坝段 ， 河床7号 l 6 号坝段为溢流坝段 依据 l 6号坝段坝顶水平位移 的长期监测资料建立以下回归子模型： =a o+a 1 +b 1 T ( 子模型 I) - 三 _ 6 = 。 o +a i H + + c 1 0 + c 2 1 n ( 子模型 ) 式中： 日， T ， 0 分别为上游水位、 气温和时效 对于子模型中回归系数的最优估计均采用最小二乘法( L S M) 进 行确定 ， 对组合模型中回归系数和权重系数的最优估计采用 S F L A确定 S F L A的计算参数设置为： 蛙群总数 目 m为 1 5 0 0 ， 分群落划分数 为 5 O ， 即每分群落内单蛙总数 目为 3 O ， 局部进化数 f 为 3 0， 全局进化数 L为 2 5 数据样本为： 以1 9 8 6 -1 9 9 7 年之间的观测资料作为计算样本， 共计 1 5 0 组数据 其中以 1 9 8 6 -1 9 9 2 年间 的观测数据作为训练样本， 1 9 9 3 -1 9 9 7 年间的观测数据作为待测样本 为了检验蛙跳优化建模方法的有效性， 采用均方误差、 平均绝对误差、 待测样本的拟合残差平方和等3 个统 计指标进行评价 计算得子模型及组合模型对 1 6 号坝段待测样本的统计指标见表 1 ， 预报过程线如图 1 所示 表 1 统计指标对 比 T a b 1 C o mp a r i s o n o f s t a t i s t i c a l e v a l u a t i o n i n d e x e s 董 萋 羹 1 9 9 2 - 1 2 - 1 2 1 9 9 4 一 O 4 - 2 6 1 9 9 5 O 9 0 8 1 9 9 7 O 1 2 O 日期 图 1 1 6号坝段坝顶水平位移预报过程线比较 F i g 1 C o mp a r i s o n o f f o r e c a s t i n g g r a p h o f h o r i z o n t a l d i s p l a c e me n t s o f d a m s e g me n t No 1 6 根据计算结果可知， 组合预报模型对待测样本的统计指标值均小 于子模型 I 和子模型， 其中拟合残差平方和依次为 2 2 5 7 6 ， 5 6 6 8 4 和3 8 3 1 8 m m ， 预测精度分别提高 6 0 和4 1 从预报过程线可看出 组合模型的中长期预报能力较强， 对待测样本的拟合程度更加吻合， 表明组合模型的预报效果较优 经过蛙跳算法( S F L A ) 的优化搜索， 子 模型 I 和权重系数的最优估计分别为0 6 0 5和 0 3 9 5 ， 赋予前者较 大的权重意味着适当提高其在组合模型的影响程度， 可更好地挖掘预 报精度较差模型的有用信息 文中组合模型的待解未知量数 目为 1 7 ， 对于优化问题属于高维度优化范畴 从图 2可知蛙跳算法收敛性较 好， 在计算初期就能够逼近全局最优解， 表明对于高维度优化问题的 1 6 l 1 1 6 21 2 6 31 蛙群进化数 次 图2 S F L A的收敛过程 F i g 2 C o n v e r g e n c e p r o c e s s o f S F L A 己 加 如 加 学兔兔 w w w .x u e t u t u .c o m 第2期 王伟， 等：混凝土坝变形组合预报模型的蛙跳建模方法 1 3 求解 ， 蛙跳算法 ( S F L A) 具有较强的分布式全局寻优能力 ， 其收敛速度较快 4 结 语 建模方法研究是混凝土坝安全评价分析的关键 ， 也是建立预报模型的理论基础 依据不同建模方法建立 的预报模型 ， 对坝体变形的预报效果各不相同 ， 组合模型以加权方式能够将各单一模型融合在一起 根据蛙 跳算法( S F L A) 的优化特点和混凝土坝变形组合预报模型的求解特点 ， 对单蛙的跳跃步长、 适应度形式 、 位置 点向量 的更新等进行定义和修正 ， 据此构建了基于蛙跳算法 ( S F L A) 的组合模 型优化建模方法 对坝体变形 长期监测资料的应用结果表明 ： 利用蛙群的智能协同优化能力 ， 所确定的权重系数能够体现各单个模型对不 同时刻变形数据信息的挖掘情况 ， 该方法具有较优的中长期预报能力和较快的算法收敛速度 相 比以往组合 模型的建模方法 ， 蛙跳优化建模方法更加简便、 应用更加灵活， 能够同步确定模型未知量和权重系数 的最优 估计， 使建模过程尽可能符合坝体变形的实际情况， 因此基于蛙跳算法的建模方法是有效可行的， 是对大坝 安全评价工作 的有益补充 参考文献 ： 1 吴中如， 赵彬， 顾冲时 混凝土坝变形监控指标的理论及其应用 J 大坝观测与土工测试 ， 1 9 9 7 ， 2 1 ( 3 ) ： 1 - 4 ( wu Z h o n g - r u ， Z H A O B i n ，G U C h o n g - s h i T h e o r y a n d a p p l i c a t i o n o f m o n i t o ri n g q u o t a o f c o n c r e t e d a m d e f o r ma t i o n J D a m O b s e r v a t i o n a n d G e o t e c h n i c al T e s t s ，1 9 9 7 ， 2 1 ( 3 ) ： 1 - 4 ( i n C h i n e s e ) ) 2 程琳， 徐波 基于云一 R B F 神经网络模型的大坝监测数据预报 J 水电能源科学， 2 0 1 0 ， 2 8 ( 6 ) ： 6 4 6 6 ( C H E N G L i n ， X U B o D a m m o n i t o r i n g d a t a f o r e c a s t b a s e d o n C l o u d R B F m o d e l J Wa t e r R e s o u r c e s a n d P o w e r ， 2 0 1 0 ， 2 8 ( 6 ) ： 6 4 - 6 6 ( i n C h i n e s e ) ) 3 蔡小辉 ， 张瀚， 崔冬冬E M D G M( 1 ， 1 ) 模型及在大坝变形预测中的应用 J 人民长江 ， 2 0 1 1 ， 4 2 ( 1 0 ) ： 9 1 _ 9 4 ( C A I X i a o - h u i ， Z H A N G H a n ， C U t D o n g d o n g R e s e a r c h o n E MD G M ( I ， I )mo d e l a n d i t s a p p l i c a t i o n i n d a m d i s p l a c e m e n t f o r e c a s t J Y a n g t z e R i v e r ， 2 0 1 1 ， 4 2 ( 1 0 ) ： 9 1 - 9 4 ( i n C h i n e s e ) ) 4 王伟 ， 沈振中 大坝统计预警模型的改进粒子群耦合方法 J 武汉大学学报 ： 信息科学版 ， 2 0 0 9 ， 3 4 ( 8 ) ： 9 8 7 - 9 9 1 ( WA N G We i ， S H E N Z h e n - z h o n g S t a t i s t i c a l e a r l y w a r n i n g mo d e l f o r d am b a s e d o n i m p r o v e d p a r t i c l e s w a r n l c o u p l e d m e t h o d J G e o m a t i c s a n d I n f o rma t i o n S c i e n c e o f Wu h a n U n i v e r s i t y ， 2 0 0 9 ， 3 4 ( 8 ) ： 9 8 7 9 9 1 ( i n C h i n e s e ) ) 5 龚晓雯 ， 范磊非线性分位点回归方法在大坝安全监测中的应用 J 河海大学学报：自然科学版， 2 0 1 1 ， 3 9 ( 1 ) ： 9 9 1 0 3 ( G O N G X i a o w e n ，F A N L e i A p p l i c a t i o n o f n o n l i n e a r q u a n t i l e r e g r e s s i o n i n d a m s a f e t y mo n i t o ri n g J J o u r n a l o f H o h a i U n i v e r s i t y ( N a t u r a l S c i e n c e s ) ， 2 0 1 1 ， 3 9 ( 1 ) ： 9 9 - 1 0 3 ( i n C h i n e s e ) ) 6 张鹄志 ， 郭建青粒子群优化算法在确定越流含水层参数中的应用 J 水利水 电科技进展，2 0 1 1 ， 3 1 ( 3 ) ：1 3 1 6 ( Z HA N G H u - z h i ，G U O J i a n q i n g A p p l i c a t i o n o f p a rt i c l e s w a r m o p t i m i z a t i o n alg o ri t h m t o d e t e r m i n a t i o n o f l e a k a g e a q u i f e r p a r a m e t e r s J A d v a n c e s i n S c i e n c e and T e c h n o l o g y o f Wa t e r R e s o u r c e s ， 2 0 1 1 ， 3 1 ( 3 ) ：1 3 - 1 6 ( i n C h i n e s e ) ) 7 刘卫林 ， 董增川，王德志混合智能算法及其在供水水库群优化调度中的应用 J 水利学报 ， 2 0 0 7 ， 3 8 ( 1 2 ) ：1 4 3 7 1 4 4 3 ( L I U We i l i n ，D O N G Z e n g - c h u a n ，WA N G D e z h i H y b ri d i n t e l l i g e n t al g o r i t h m a n d i t s a p p l i c a t i o n i n d i s p a t c h o p t i m i z a t i o n for w a t e r s u p p l y r e s e r v o i r g r o u p J J o u r n al o f H y d r a u l i c E n g i n e e ri n g ， 2 0 0 7 ， 3 8 ( 1 2 ) ： 1 4 3 7 - 1 4 4 3 ( i n C h i n e s e ) ) 8 田斌， 任德记 ， 何薪基非线性组合优化模型在水工建筑物位移监控中的应用 J 水电自动化与大坝监测， 2 0 0 4， 2 8 ( 4 ) ： 5 5 5 8 ( T I A N B i n ， R E N D e - j i ， H E X i n - j i A p p l i c a t i o n o f n o n l i n e a r c o m p o s i t e o p t i mi z e d mo d e l t o d i s p l a c e me n t m o n i t o ri n g o f h y d r o - s t r u c t u r e s J H y d roP o w e r A u t o m a t i o n a n d D a m Mo n i t o ri n g ， 2 0 0 4 ， 2 8 ( 4 ) ： 5 5 - 5 8 ( i n C h i n e s e ) ) 9 金永强， 顾冲时， 于鹏变权组合预测模型在大坝安全监测中的应用 J 水电自动化与大坝监测， 2 0 0 6 ， 3 0 ( 5 ) ： 6 0 6 2 ( J I N Y o n g - q i a n g ， G U C h o n g - s h i ， Y U P e n g A p p l i c a t i o n o f c o m b i n a t i o n f o r e c a s t i n g mo d e l w i t h v a ri a b l e w e i g h t s t o d a m s a f e t y m o n i t o r i n g J H y d r o P o w e r A u t o m a t i o n a n d D am Mo n i t o r i n g ， 2 0 0 6， 3 0 ( 5 ) ： 6 0 - 6 2 ( i n C h i n e s e ) ) 1 0 闫滨， 周晶， 高真伟一种基于 I O WG A算子的大坝安全监控组合预测模型 J 岩石力学与工程学报， 2 0 0 7 ， 2 6 ( 增刊 2 ) ： 4 0 7 4 - 4 0 7 8 ( Y A N B i n ，Z HO U J i n g 。G A O Z h e n - w e i A n I O WG A o p e r a t o r b a s e d d a m s a f e t y m o n i t o ri n g c o m b i n a t i o n o f f o r e c a s t i n g mo d e l J C h i n e s e J o u rna l o f R o c k Me c h a n i c s a n d E n g i n e e r i n g ， 2 0 0 7 ， 2 6 ( S u p p ) ： 4 0 7 4 -40 7 8 ( i n C h i n e s e ) ) 学兔兔 w w w .x u e t u t u .c o m 水 利 水 运 工 程 学 报 2 0 1 3年 4月 1 1 王佳林 ， 许后磊， 徐波基于T h e i l 不等系数的调和平均组合预测模型在大坝安全监控中的应用 J 三峡大学学报： 自然科学版，2 0 1 0 ，3 2( 1 ) ：1 4 1 6 ( WA N G J i a l i n ，X U Ho u l e i ，X U B o A p p l i c a t i o n o f h a r mo n i c m e a n c o m b i n a t i o n f o r e c a s t i n g m o d e l b a s e d o n T h e i l c o e ffic i e n t t o d a m s a f e t y mo n i t o r i n g J J o u r n a l o f C h i n a T h r e e G o r g e s U n i v e r s i t y ( N a t u r a l S c i e n c e s ) ， 2 0 1 0 ， 3 2 ( 1 ) ： 1 4 - 1 6 ( i n C h i n e s e ) ) 刘红萍， 李波， 张史宏基于小波网络的大坝非线性组合预测模型 J 水电能源科学， 2 0 1 0 ， 2 8 ( 1 1 ) ： 7 5 - 7 7 ( L I U H o n g p i n g ， L I B o ， Z H A N G S h i h o n g N o n l i n e a r c o m b i n e d m o d e l o f d a m b a s e d o n w a v e l e t n e u r al n e t w o r k J Wa t e r R e s o u r c e s a n d P o w e r ， 2 0 1 0 ， 2 8 ( 1 1 ) ： 7 5 7 7 ( i n C h i n e s e ) ) E L B E L T A G I E， H E G A Z Y T， G R I E R S O N D C o m p a r i s o n a m o n g fi v e e v o l u t i o n a r y b a s e d o p t i m i z a t i o n a l g o ri t h m s J A d v a n c e d E n g i n e e ri n g I n f o r m a t i c s ， 2 0 0 5 ，1 9 ( 1 ) ： 4 3 - 5 3 代永强，王联国带记忆功能的混合蛙跳算法 J 计算机工程与设计，2 0 1 1 ， 3 2 ( 9 ) ： 3 1 7 0 3 1 7 3 ( D A I Y o n g - q i a n g ， WA N G L i a n g u o S h u ffle d f r o g l e a p i n g a l g o r i t h m w i t h m e m o r y f u n c t i o n J C o mp u t e r E n g i n e e ri n g a n d D e s i g n ， 2 0 1 1 ， 3 2 ( 9 ) ： 3 1 7 0 3 1 7 3 ( i n C h i n e s e ) ) Co n c r e t e da m de f o r m a t i o n f o r e c a s t i ng wi t h c o m b i n e d m o de l ba s e d o n m o de l i ng me t ho d i n s hu ffl e d f r o g l e a p i ng a l g o r i t hm WA N G We i ，Z H O N G Q i m i n g ，L I U S h o u - h u a ，L I Y i b i n g ( 1 N a n g H y d r a u l i c R e s e a r c h I n s t i t u t e ，N a n g 2 1 0 0 2 9 ，C h i n a ；2 S h e y a n g Wa t e r C o n s e r v a n c y B u r e a u o f J i a n g s u P r o v i n c e ， S h e y a n g 2 2 4 3 0 0 ， C h i n a ) Ab s t r a c t ： T h e i n fl u e n c e f a c t o r s o f c o n c r e t e d a m d e f o r ma t i o n a r e c o mp l e x ，a n d mo n i t o ri n g d a t a c o n t a i n a l o t o f u n c e r t a i n i n f o r ma t i o n，S O f o r e c a s t i n g mo d e l s w i t h d i f f e r e n t mo d e l i n g me t h o d s h a v e v a r i o u s p r e d i c t i o n e f f e c t s I n v i e w o f t h i s s i t u a t i o n，a c o mb i n e d f o r e c a s t i n g mo d e l c a n ma k e u p t h e l i mi t a t i o n o f a s i n g l e mo d e 1 I n t h e mo d e l i n g p r o c e s s ，h o w w e i g h t s c o u l d r e fl e c t t h e c h a n g e s o f mo n i t o ri n g i n f o r ma t i o n i n r e a l t i me wi l l b e t h e k e y t o t h e mo d e l i n g me t h o d f o r c o mb i n a t i o n mo d e Ac c o r d i n g t o t h e o p t i mu m t h e o r y，c o n s i d e r i n g t h e i n t e r a c t i o n b e t we e n u n k n o w n q u a n t i t i e s a n d w e i g h t c o e ffic i e n t s o f t h e i n d i v i d u a l mo d e l ，b y u s e o f t h e d i s t r i b u t e d g l o b a l o p t i mi z a t i o n a b i l i t y o f s h u ffle d f r o g l e a p i n g a l g o ri t h m ( S F L A) ，a n o p t i ma l m o d e l i n g me t h o d w i t h S F L A i s e s t a b l i s h e d L o n g t e rm mo n i t o r i n g d a t a o f c o n c r e t e d a m d e f o rm a t i o n i n d i c a t e t h a t t h i s me t h o d h a s g o o d f o r e c a s t i n g e f f e c t ，s i mp l i fi s t h e mo d e l i n g s t y l e o f a c o mb i n e d mo d e l wi t h v a r i a b l e w e i g h t s ，i mp r o v e s l o n g t e rm f o r e c a s t i n g a b i l i t y o f t h e mo d e l ，a n d p r o v i d e s a n e w a p p r o a c h t o t h e a n a l y s i s o f c o n c r e t e d a m d e f o r ma t i o n Ke y wo r d