王顺凤[1]2002年在《遗传算法在气象资料变分同化中的应用研究》文中进行了进一步梳理变分同化技术被公认为是提高数值模式初始场质量的有效技术，但其目前所使用的方法是局部优化方法，它依赖于计算机资源，在实际业务中实现要求有较高的条件。 本文将遗传算法应用于初始场的变分同化中。介绍了遗传算法的基本原理，提出了用遗传算法求解变分同化中极小化问题的方法，讨论了遗传算法适应度函数的构造、染色体的编码、遗传算子和遗传参数的选取等关键技术问题。并以正压原始方程模式为动力系统，将其应用到理想初始场的变分同化中，通过数值模拟，分析对比了各类遗传算子在初始场同化中的优劣和遗传参数的选取问题。所得结论表明，与传统的四维变分同化方法相比，本文提出的方法在函数性态要求、计算精度、算法收敛性和计算速度方面有了明显改善，使得变分同化技术有可能更广泛地应用于实际业务。
陈东升, 沈桐立, 马革兰, 何迪[2]2004年在《气象资料同化的研究进展》文中研究表明回顾了国内外有关气象资料同化的研究进展,介绍了当前资料同化主要方法的理论基础、优缺点及应用研究。重点介绍了伴随方法和遗传算法在四维变分同化中的具体应用。其中,遗传算法的引入为资料同化的研究提出了新的思路。
彭菊香[3]2007年在《中尺度模式遗传算法同化系统及同化试验研究》文中认为现在普遍使用的变分同化技术是一种公认较为有效的同化方法，但是其优化方法要求的连续条件是模式预报方程达不到的，而且其使用的下降算法常常易于陷入局部最优解。遗传算法是一种对目标函数数学性态要求较弱，并且能够在求解质量和计算速度上达到较好平衡的搜索算法。因此，本文设计了基于遗传算法的MM5模式四维变分资料同化系统，以期改善数值预报初始场。本文作了以下试验：将基于遗传算法的同化系统与伴随模式的同化效果进行了比较，以此检验遗传算法同化系统的同化能力；在MM5模式中加入不同的观测资料，观察各种观测资料对于提高模拟效果的重要性，并将提高最大的观测资料进行了同化前后的对比；在基于遗传算法的同化系统中同化不同的模式变量来研究同化不同模式变量的差异；最后选取不同的权重系数和尺度因子进行同化效果的对比。研究发现：基于遗传算法的同化系统在本文个例中表现出比伴随模式更好的同化能力；加入观测资料进行模拟时，经过同化后的模拟效果优于直接加入的，显示了同化的必要性；权重系数和尺度因子对于同化系统的同化性能有非常重要的影响。遗传算法作为一种新发展的资料同化方法，已展现出它的优越性，我们相信随着大气科学，数学理论和计算机的迅猛发展，遗传算法与四维变分同化相结合的资料同化新方法必定会带来数值天气预报的更大进步。
赖绍钧[4]2005年在《MM4遗传算法四维变分资料同化系统的基础研究及其数值试验》文中指出伴随变分同化技术被公认为是提高数值模式初始场质量的有效方法之一,但它对目标函数的数学性态有较高的要求,同时,伴随变分同化在用下降算法求解目标函数梯度的过程中,容易陷入局部最优解的陷阱。遗传算法作为一种新兴的算法理论,对目标函数的性态无要求,具有较好的全局最优解的求解能力以及较好的普适性和易扩充性等特点。因此,将遗传算法与变分同化结合,应用于数值天气预报模式的最优初始场的求解中,找到全局最优或接近全局最优解,提高数值预报模式的准确性,使得变分同化技术能够更广泛地应用于研究和实际业务就显得十分必要。 本文将遗传算法与中尺度数值模式MM4相结合,应用于解决四维资料伴随变分同化问题,建立基于遗传算法的MM4四维变分同化系统,并给出了相应的遗传理论依据和详细算法,结合变分问题本身的特点,设计了合理的遗传操作和遗传参数。同时,进行MM4遗传算法变分同化系统理想场、实际观测资料的同化数值试验。数值试验结果表明,MM4遗传算法四维变分同化系统取得了较好的同化效果。遗传算法同化系统对初始场中的随机误差具有很强的过滤和平滑能力,能够吸收同化窗口内观测资料信息,并在模拟预报过程中将这些信息体现出来,从而提供较客观分析初始场更优的模式预报初始场。因此,将遗传算法应用于数值天气预报模式的四维变分资料同化是切实可行而且有效的,这一工作扩展了遗传算法变分同化的内容。MM4遗传算法四维变分同化系统能够为数值天气预报模式提供高质量的初始场,从而提高NWP模式预报的准确性,使得遗传算法这一有效技术得到了进一步的应用。
韩雪[5]2007年在《遗传算法同化系统在MM5模式中的应用研究》文中进行了进一步梳理本文将遗传算法与中尺度MM5相结合，并以2002年6月14日的华南暴雨为对象，进行了实际观测资料的同化，并针对标准遗传算法所存在的搜索效率不高以及过早收敛的问题，对遗传算子和适应度函数进行了改进，并利用自适应遗传算子提高算法的优化性能，结合混合算子增加种群的多样度，设计了一类带混合算子的自适应遗传算法。研究结果表明：应用遗传算法同化系统能有效的改善数值预报模式的初始场，经过改进后的同化系统均能在一定程度上提高物理量场和降水量的预报效果。由于复杂模式的运算量很大，因此实验中采用将遗传算法并行化处理，实验证明，并行化后程序的运算速度有了很大的提高，为遗传算法同化系统在复杂模式中更广泛的应用奠定了基础。遗传算法作为一种新兴的同化方法，随着大气科学和数学理论的发展，以及计算机运算能力的提高，采用遗传算法的四维变分同化系统必定给数值预报模式带来更好的预报效果。
石娟[6]2008年在《可降水量资料在数值模式同化中的应用研究》文中进行了进一步梳理众所周知,水汽是降水的基本条件。水汽含量的多少既决定饱和状态能否达到,也同降水量大小直接有关。近年来,地基GPS已经开辟了改进大气中水汽监测的可能性。GPS资料分析使用了一个组合网来测量大地参数。研究结果表明,GPS导出的可降水量具有比较高的精度。地基GPS时间密度高,能够提供30分钟间隔连续的测量结果,同时它的空间密度高,可密集布点。本文以2006年7月4日的江淮暴雨为例,利用遗传算法同化系统,进行了GPS可降水量资料的同化,并做了与伴随同化系统的对比试验。研究结果表明:此次降雨过程与对流层中低层中尺度低涡的发生发展有密切联系。在高低空环流的共同作用下,高空槽后干冷气流与西南暖湿气流在江淮地区频繁交汇,使得中尺度对流系统得以持续发展。使用GPS可降水量资料调整初始场后能更准确地模拟出降水的落区与强度。为了进一步检验使用遗传算法同化系统后的效果,通过湿度场,风场,高度场的均方差试验,证明加入GPS可降水资料的遗传同化试验对其它要素的改善与伴随同化GPS可降水资料的试验相比,更能模拟出与实况更为接近的低层风场,湿度场结构,对暴雨的落区与强度也有一定的改善。
胡娅敏[7]2004年在《基于遗传算法的四维变分资料同化技术的研究》文中研究表明变分同化技术被公认为是提高数值模式初始场质量的有效方法之一，但它对目标函数的数学性态有较高的要求，同时，目前的四维变分同化技术在业务中要求有较高的环境才能实现。因此，寻找一种计算量相对较小、能适合实际业务需要的，对目标函数数学性态要求较弱的，并能够找到全局最优或接近全局最优解的算法就显得十分必要。 本文将遗传算法应用于四维变分资料同化问题，提供了一种新的较为有效的NWP初始场优化方法，给出了相应的理论依据和详细算法，并结合变分问题本身的特点，设计了合理的遗传编码、遗传操作和遗传参数。同时，以正压原始方程组为例建立了基于遗传算法的变分同化模型，并从多方面与伴随模式变分同化系统进行了分析比较。数值试验结果表明，基于遗传算法的变分同化系统取得了比较满意的同化效果。因此，将遗传算法应用于四维变分资料同化是切实可行而且有效的，这一工作丰富了变分同化的内容，使变分同化技术作为提高数值预报初始场的质量这一有效技术得到了进一步的应用。
孙义杰[8]2011年在《进化策略算法研究及其在气象优化问题中的应用》文中指出大多数工程实践和科学研究问题最终大都可以归结为优化问题,并且优化问题有着很广泛的应用领域。一些气象问题比如气象反问题以及资料同化问题都属于优化问题的范畴。对气象反问题的研究,有助于提高气象预报模式的准确度；对资料同化问题的研究,有助于提高预报初值的准确度。而准确的预报模式和准确的初值正是提高数值天气预报准确度的前提条件。因此,对这两方面研究有着重要的科学意义和应用价值,有利于提高我国的数值预报水平,达到防灾和减灾的目的,并为经济发展与社会稳定提供强有力的保障。本研究紧紧围绕进化策略算法与气象优化问题,进行较深入的探索研究,并取得相应的研究成果。具体而言,本文的工作主要有以下叁个方面：1.针对进化策略算法。应用进化策略算法求解非线性方程组时,发现算法有时会陷入局部最优,搜索不到方程组的真实解。讨论排序过程的思想,分析排序过程中存在的问题,提出一种基于目标的排序方法,改进了原有的排序方法,通过数值实验验证了改进后算法的有效性。2.针对预报模式参数反演问题。应用进化策略算法研究对预报模式的参数进行反演,在一维扩散方程和Lorenz-96模式上进行了数值实验,验证了进化策略算法在求解参数反演问题的可行性。3.针对预报初值问题。在对预报资料进行研究时,应用进化策略算法优化其中的目标函数。先在Lorenz-63模式和Lorenz-96模式上进行了理想个例实验,然后进一步在正压原始方程上做了数值实验,实验结果验证了进化策略算法在资料同化中应用的可行性。通过对非线性方程组研究,设计了基于目标值的排序方法；对气象优化问题研究时,设计了求解气象优化问题的进化策略算法。这些工作不仅对进化策略算法的研究有着重要的意义,也对进化策略算法的实际优化应用有着重要的意义。
周丹[9]2014年在《协同进化算法在气象中的应用与研究》文中认为气象领域中存在大量的数值优化问题,比如：模型、公式中的参数优化问题,数值预报中的资料同化问题等。进化算法将待解决的问题模型化,利用数学模型来刻画问题本身从而解决问题,因而具有重要的理论价值以及现实意义。协同进化算法是以协同进化理论为基础的一类新型的进化算法：它考虑了在进化过程中种群与环境之间,种群与种群之间的协调,因而能够保证种群多样性并且提高进化效率。本文针对协同进化算法特点,设计出一种基于双精英种群的协同进化算法,并将该算法应用到气象领域的数值优化工作中：首先,利用本文算法对大气质量评估模型中的参数进行优化,根据实测浓度数据样本,对大气质量的评价做了相关研究；其次,根据Lorenz方程结合叁维变分,应用协同进化算法对气象预报模式中资料同化做了相关研究。具体而言,本文的主要工作有以下叁个方面：1.针对带精英策略的非支配排序算法(NSGA-Ⅱ)存在的问题进行探索研究并提出了一种基于双精英种群的协同进化算法。根据NSGA-Ⅱ算法种群收敛分布不均匀、全局搜索能力弱、算法运行速度较慢等不足,提出双精英种群策略和多种交叉算子策略。两个精英种群保证精英个体的质量；多种交叉变异算子推进种群进化,以保证算法的探究与探查能力的平衡。2.针对大气质量评估模型的参数优化问题,利用本文算法对其优化,提高该模型的评估准确性。根据空气质量损害率公式建立目标函数,采用本文算法对目标函数的参数进行优化；文中采用实测数据作为评价样本,对大气质量进行评价。本文算法的评价结果与文献中相比更加准确,验证了本文算法在大气评估模型优化中的有效性和实用性。3.针对叁维变分资料同化方法问题,采用基于本文算法的叁维变分资料同化方法,提高资料同化效果。根据叁维变分方法建立目标函数,分别利用Lorenz63模式、Lorenz96模式进行理想个例实验。实验结果表明：基于本文算法的叁维变分同化方法具有良好的同化性能,验证了本文算法在数值预报中的有效性和实用性。综上所述,本文针对NSGA-Ⅱ算法的不足,设计了一种基于双精英种群的协同进化算法。将该算法应用于气象领域中,为该领域的数值优化问题提供了一种有效地解决方法。本文的工作不仅丰富了协同进化算法的研究,还进一步拓展了协同进化算法的应用领域。
常慧琳[10]2007年在《MM5遗传算法同化系统的设计及其应用研究》文中研究指明变分同化技术被公认为是提高数值模式初始场质量的有效方法之一。遗传算法是一种新兴的算法理论，其所具有的特点，正好解决了伴随算法容易陷入局部最优解的问题。本文建立了MM5遗传算法同化系统，简单介绍了其理论基础和实现步骤，并以2005年7月10日华中暴雨为例，比较了遗传算法同化系统与伴随同化系统的效率和模拟效果，结果表明：遗传算法同化系统与伴随同化系统都可以有效改善模式预报的初始场，从而在一定程度上提高物理量场和降水场的预报，实验结果显示其略优于伴随同化系统。并行算法证明该系统具有比伴随同化系统更高的同化效率。随后，根据上个实验的结论，对同化系统进行调整，并在系统中加入了静止气象卫星的云导风产品，以2005年7月2日的一次暴雨为例，设计了几种数值试验方案，进行模拟，得到以下结论：遗传算法同化系统对非常规资料同样具有同化能力。云导风资料可以明显改善初始风场和温度场，使得模式得到更优的初始场，以提高模式的预报能力。本次实验中，加入云导风资料的遗传算法同化系统与伴随同化系统相比较，在降水场和物理量场、以及暴雨形成时的各分析场上的预报都略显优势。
参考文献：
[1]. 遗传算法在气象资料变分同化中的应用研究[D]. 王顺凤. 南京气象学院. 2002
[2]. 气象资料同化的研究进展[J]. 陈东升, 沈桐立, 马革兰, 何迪. 南京气象学院学报. 2004
[3]. 中尺度模式遗传算法同化系统及同化试验研究[D]. 彭菊香. 南京信息工程大学. 2007
[4]. MM4遗传算法四维变分资料同化系统的基础研究及其数值试验[D]. 赖绍钧. 南京信息工程大学. 2005
[5]. 遗传算法同化系统在MM5模式中的应用研究[D]. 韩雪. 南京信息工程大学. 2007
[6]. 可降水量资料在数值模式同化中的应用研究[D]. 石娟. 南京信息工程大学. 2008
[7]. 基于遗传算法的四维变分资料同化技术的研究[D]. 胡娅敏. 南京气象学院. 2004
[8]. 进化策略算法研究及其在气象优化问题中的应用[D]. 孙义杰. 南京信息工程大学. 2011
[9]. 协同进化算法在气象中的应用与研究[D]. 周丹. 南京信息工程大学. 2014
[10]. MM5遗传算法同化系统的设计及其应用研究[D]. 常慧琳. 南京信息工程大学. 2007