第41卷第5期2023年5月水电能源科学WaterResourcesandPowerVol.41No.5May2023DOI:10.20040/j.cnki.1000-7709.2023.20221456基于麻雀搜索算法优化支持向量机的区域水资源安全评价曹敬椿,卢敏(云南农业大学水利学院,云南昆明650210)摘要:针对我国水资源安全评价问题,结合支持向量机(SVM)对小样本、非线性问题分类效果好的特点,用麻雀搜索算法(SSA)对支持向量机的惩罚因子(C)和核函数参数(g)进行优化,建立基于麻雀搜索算法优化的支持向量机模型(SSA-SVM)用于区域水资源安全评价,以洛阳市某区域为例进行研究。结果表明,SSA-SVM法与T-S模糊神经网络法得到的评价等级结果基本一致,SSA-SVM模型具有寻优速度快,不易陷入局部最优等特点,可用于区域水资源安全评价。关键词:麻雀搜索算法;参数优化;水资源安全;支持向量机中图分类号:TV213.4;TP18文献标志码:A文章编号:1000-7709(2023)05-0052-03收稿日期:2022-07-15,修回日期:2022-08-15基金项目:国家自然科学基金项目(52069029)作者简介:曹敬椿(1999-),男,硕士研究生,研究方向为水文与水资源工程,E-mail:2457902757@qq.com通讯作者:卢敏(1972-),女,博士、副教授、硕导,研究方向为水文与水资源工程,E-mail:1250028815@qq.com1引言水资源安全评价是水资源安全研究中的关键一环,对经济、社会、生态等可持续发展具有重大影响[1]。目前,区域水资源安全评价方法主要有主成分分析法[2]、层次分析法[3]、模糊综合评价法[4]、集对分析法[5]、神经网络法[6]等。但这些方法均存在需要人为赋权重和易局部收敛等缺点。支持向量机是以结构风险最小化原则为基础的机器学习算法,用以解决小样本、非线性问题[7]。但其自身参数C、g的选用会直接影响支持向量机性能好坏,早期通常采用手动试算法来寻找参数,但效率低且难以控制精度[8]。此后引入智能算法来优化支持向量机参数,虽然可提高分类精度或加快寻优速度,但仍存在易陷入局部最优的问题[9]。麻雀搜索算法具有稳定性好、全局搜索能力强、参数少的特点,本文尝试引入该算法对支持向量机的参数进行自动寻优,建立基于麻雀搜索算法优化的支持向量机模型,并以洛阳市水资源安全评价为例分析验证了该方法的有效性。2基于SSA-SVM的评价模型2.1麻雀搜索算法原理麻雀搜索算法是一种通过模仿麻雀捕食和反捕食行为的自动搜索优化方法,该方法具有搜索精度高、寻优速度快、运行时间短、不易陷入局部最优等特点[10]。麻雀种群主要分为发现者和加入者,它们在捕食过程中各自发挥不同作用。其中发现...
