Python| 水文 |利用遗传算法对霍顿下渗方程进行参数率定-北京尧图网络

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

Python| 水文 |利用遗传算法对霍顿下渗方程进行参数率定

相关推荐

MG996R舵机DIY直线推杆模组：曲柄滑块设计与Arduino控制实战

Java坐标转换源码解析：从原理到工程实践

基于STM32与PAJ7620的手势识别系统：从硬件搭建到软件抗干扰实战

更多资讯

目标检测技术演进与全局感知的突破

OpenAI暂停训练背后：大模型失控的机制与安全防线

无人机罂粟识别系统：计算机视觉与边缘计算实践

无人机协同控制中的数学工具与工程实践

Java多态原理与final关键字深度解析

CTF逆向工程实战：JustRE题目解析与技巧

今日更新

微信个人号API开发案例：图片/语音/视频消息怎么下载解析存到本地？

Python股票自动交易系统源码解析：从行情获取到风控的完整链路

视酷酷信IM源码部署指南：Java 17+MySQL 8.0.33实战配置

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？