Python| 水文 |利用遗传算法对霍顿下渗方程进行参数率定
一、问题背景结合最近一段时间学校布置的实验要求和数据本篇内容主要讲述如何通过Python用遗传算法对霍顿下渗方程的三个参数fc稳定下渗率f0初始下渗率k与土壤特性有关的经验常数并给出率定过程的动态图像展示。霍顿下渗方程其中f是t时刻的下渗率fc是稳定下渗率f0是初始下渗率t是时间k是常数。对上式进行积分可得下渗量的霍顿公式:实验思路首先写出目标函数及必要的约束条件运行遗传算法程序即可得到三个待定参数值。该目标函数是追求实际下渗量与模拟计算下渗量的差值的平方求和最小为最优目标目标函数如下式中Fi为实测下渗量fc、f0、k为霍顿下渗方程的三个参数。实验数据1t0已知代表土壤下渗率从初始下渗率f0对应的时刻到t时刻之间的时间长度t010min2需要说明的是,由于目标函数中的时间是t0t所以Fi应该直接选用W而不是W0。所以表1中的tmin、Wmm数据在后续需要用到。表1实验资料日期PmmRmmW0mmtminWmm序号12345611957.*.*23.42.710.0330.721959.6.123.42.59.5330.431959.7.486.617.810.92179.741959.8.514.41.412.9325.951959.8.745.45.89.21248.861960.9.323.61.211.0433.471962.7.268.52.68.11574二、代码展示import numpy as np import matplotlib.pyplot as plt from matplotlib import cm class GeneticAlgorithm: def __init__(self): self.DNA_SIZE 24 #DNA长度 self.POP_SIZE 80 #种群大小 self.CROSSOVER_RATE 0.6 #交叉率 self.MUTATION_RATE 0.01 #变异率 self.N_GENERATIONS 100 #迭代次数 self.X_BOUND [2, 3]# x的取值范围 self.Y_BOUND [0, 0.9]# y的取值范围 self.Z_BOUND [0.01, 0.3]# z的取值范围 self.sca None # 初始化 sca 属性 def F(self, x, y, z): f0 x fc y k z t0 10 E (30.7 - (fc * (t0 3) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 3))))) ** 2 \ (30.4 - (fc * (t0 3) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 3))))) ** 2 \ (79.7 - (fc * (t0 21) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 21))))) ** 2 \ (25.9 - (fc * (t0 3) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 3))))) ** 2 \ (48.8 - (fc * (t0 12) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 12))))) ** 2 \ (33.4 - (fc * (t0 4) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 4))))) ** 2 \ (74 - (fc * (t0 15) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 15))))) ** 2 # E (37.5 - (fc * (t0 5) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 5))))) ** 2 \ # (61.5 - (fc * (t0 12) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 12))))) ** 2 \ # (54.5 - (fc * (t0 8) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 8))))) ** 2 \ # (53.5 - (fc * (t0 9) (1 / k) * (f0 - fc) * (1 - np.exp(-k * (t0 9))))) ** 2 return E def get_fitness(self, pop): x, y, z self.translateDNA(pop) pred self.F(x, y, z) return np.max(pred) - pred 1e-3 def translateDNA(self, pop): x_pop pop[:, 0:self.DNA_SIZE] y_pop pop[:, self.DNA_SIZE:self.DNA_SIZE * 2] z_pop pop[:, self.DNA_SIZE * 2:] x x_pop.dot(2 ** np.arange(self.DNA_SIZE)[::-1]) / float(2 ** self.DNA_SIZE - 1) * (self.X_BOUND[1] - self.X_BOUND[0]) self.X_BOUND[0] y y_pop.dot(2 ** np.arange(self.DNA_SIZE)[::-1]) / float(2 ** self.DNA_SIZE - 1) * (self.Y_BOUND[1] - self.Y_BOUND[0]) self.Y_BOUND[0] z z_pop.dot(2 ** np.arange(self.DNA_SIZE)[::-1]) / float(2 ** self.DNA_SIZE - 1) * (self.Z_BOUND[1] - self.Z_BOUND[0]) self.Z_BOUND[0] return x, y, z def crossover_and_mutation(self, pop, CROSSOVER_RATE0.8): new_pop [] for father in pop: child father.copy() if np.random.rand() CROSSOVER_RATE: mother pop[np.random.randint(self.POP_SIZE)] cross_points np.random.randint(low0, highself.DNA_SIZE * 3) child[cross_points:] mother[cross_points:] self.mutation(child) new_pop.append(child) return new_pop def mutation(self, child, MUTATION_RATE0.01): for i in range(len(child)): if np.random.rand() MUTATION_RATE: mutate_point np.random.randint(0, self.DNA_SIZE * 3) child[mutate_point] child[mutate_point] ^ 1 def select(self, pop, fitness): idx np.random.choice(np.arange(self.POP_SIZE), sizeself.POP_SIZE, replaceTrue, pfitness / fitness.sum()) return pop[idx] def print_info(self, pop): fitness self.get_fitness(pop) max_fitness_index np.argmax(fitness) print(max_fitness:, fitness[max_fitness_index]) x, y, z self.translateDNA(pop) print(最优的基因型, pop[max_fitness_index]) print((x, y, z):, (x[max_fitness_index], y[max_fitness_index], z[max_fitness_index])) print(self.F(x[max_fitness_index], y[max_fitness_index], z[max_fitness_index])) def run(self): fig plt.figure() ax fig.add_subplot(111, projection3d) plt.ion() pop np.random.randint(2, size(self.POP_SIZE, self.DNA_SIZE * 3)) for _ in range(self.N_GENERATIONS): x, y, z self.translateDNA(pop) # Apply constraint -x y 0 valid_indices np.where(-x y 0) pop pop[valid_indices] x, y, z x[valid_indices], y[valid_indices], z[valid_indices] if len(pop) 0: print(No valid population left.) break if self.sca is not None:#实现动态展示 self.sca.remove() self.sca ax.scatter(x, y, z, cself.F(x, y, z), cmapcm.coolwarm) plt.show() plt.pause(0.1) pop np.array(self.crossover_and_mutation(pop, self.CROSSOVER_RATE)) fitness self.get_fitness(pop) pop self.select(pop, fitness) self.print_info(pop) plt.ioff() plt.show() def main(): ga GeneticAlgorithm() ga.run() if __name__ __main__: main()三、结果展示1迭代过程动态展示2参数率定结果

相关新闻

MG996R舵机DIY直线推杆模组:曲柄滑块设计与Arduino控制实战

MG996R舵机DIY直线推杆模组:曲柄滑块设计与Arduino控制实战

用舵机做“推杆”,是很多机械臂、自动送料、仿生手掌、云台夹爪项目里常遇到的需求。直接买成品电推杆,价格、行程、安装孔位都不一定合适;想用手头现成的 MG996R 舵机硬改,装上之后又容易发现推不动、行程不可控、电流一大就复位…

2026/11/13 20:22:30 阅读更多 →
Unity 遮挡剔除:钻进 C++ 底层,看看“看不见的东西“是如何被扔掉的

Unity 遮挡剔除:钻进 C++ 底层,看看“看不见的东西“是如何被扔掉的

引子:一个"诚实到愚蠢"的渲染器 想象你站在一堵厚厚的城墙前。城墙后面是一整座城市——几千栋房子、上万个 NPC、无数的树木和道具。 现在问一个问题:渲染这一帧,GPU 应该画多少东西? 正常人的答案:“当然只画那堵墙啊,墙后面的城市我又看不见。” 但一个…

2026/11/10 20:33:34 阅读更多 →
Unity 图集底层揭秘:一张“拼图“如何拯救你的帧率

Unity 图集底层揭秘:一张“拼图“如何拯救你的帧率

引子:一个让 GPU "累到崩溃"的午后 假设你在做一款 2D 卡牌游戏。界面上有 100 张卡牌,每张卡牌有独立的图片:card_001.png、card_002.png……你满心欢喜地把它们拖进场景,运行—— 帧率从 60 掉到了 20。手机开始发烫,风扇狂转(如果它有风扇的话)。 你百思…

2026/10/25 11:30:50 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/16 8:22:12 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/16 6:41:34 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/16 8:22:12 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/16 8:22:12 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/16 7:30:18 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/16 8:22:12 阅读更多 →

日新闻

周新闻

月新闻