优化算法——全局灵敏度分析算法（PAWN ）（Matlab代码实现）

天天程序猿

于 2024-08-01 22:28:18 发布

阅读量351

点赞数 17

文章标签：算法 matlab 人工智能

本文链接：https://blog.csdn.net/2301_77414277/article/details/140859009

版权

💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

1 概述

PAWN 算法简介

1 概述

大量参数是复杂环境模型的主要问题，因为它限制了它们的应用。因此，旨在识别模型的有影响和无影响参数的敏感性分析 (SA) 方法对于这些模型的有效校准至关重要。 SA 确实允许通过应用因子固定 (FF) 和因子优先级 (FP) 来减少校准过程中涉及的参数数量。在本文中，基于密度的全球敏感性分析 (GSA) 方法 -PAWN- 应用于土壤和水评估工具 (SWAT)，这是一种高度参数化的水文模拟器。本研究的目的是将新开发的 PAWN 方法与 Sobol 方法进行比较，Sobol 方法是一种成熟且广泛使用的基于方差的 SA 方法。 PAWN 方法考虑整个模型输出分布来描述输出不确定性，而 Sobol 方法隐含地假设方差是用于此目的的充分指标。为此，使用PAWN和Sobol'方法，选择了比利时Zenne河SWAT模型的26个水量相关参数进行排名。此外，还从收敛性、参数排序结果的相关演变和所需的计算成本等方面对两种 SA 方法进行了评估和比较。

全局灵敏度分析是一种在多个输入变量存在不确定性的复杂系统中，评估这些输入变量变化对系统输出影响的方法。这种分析有助于识别哪些输入因素是最敏感的，即哪些变量的微小变化会导致系统行为的重大改变。全局灵敏度分析算法众多，其中PAWN（Probabilistic Analysis With Numerical Uncertainties）算法是一种较为独特的概率分析方法，专门用于处理含有数值不确定性的问题。

PAWN 算法简介

PAWN（或其变体如PAWN-PT）算法并不是一个广为人知的特定算法名称，至少在科学文献和工程应用中没有像Sobol序列、Morris方法或方差分解这样被广泛讨论和引用。因此，这里我们可能需要澄清或者探讨的是与“全局灵敏度分析”相关的、具有类似目标或机制的算法概念。

如果我们将“PAWN”作为一个假定的或特指的全局灵敏度分析方法来讨论，其核心思想可能包含以下几个方面：

概率分析：利用概率论和数理统计的方法来处理输入参数的不确定性，通过构建概率模型来描述参数的分布特性。
数值不确定性处理：直接面对模型中的数值不确定性，这可能涉及到复杂的数值模拟或计算，特别是在那些难以解析求解的系统中。
全局视角：与只关注局部最优或敏感性分析不同，全局灵敏度分析旨在从整个输入空间的角度来评估参数的重要性，捕捉所有可能的交互效应。
重要性排序：通过量化指标（如敏感性指数）来排序输入变量，以确定哪些输入对模型输出的影响最大。

2 使基于SWAT 的高参数模型的 PAWN 和 Sobol 敏感性分析方法的比较

部分代码：

subplot(331); ylabel('y'); hold on;box on;
subplot(334); ylabel('CDF'); hold on;  box on;
subplot(337); ylabel('KS'); hold on; xlabel('x_1'); box on;
subplot(338); xlabel('x_2'); hold on;box on;
subplot(339); xlabel('x_3'); hold on;box on;
for ind=1:length(lb)
    subplot(330+ind)
    plot(par_c(:,ind),y_c, 'xk', 'markersize', 2);
end

crit_c = [1.22,1.36,1.48,1.63,1.73,1.95]; % 0.1, 0.05, 0.025, 0.010, 0.005, 0.001
critval = crit_c(2) * sqrt((Nu+Nc)/(Nu*Nc));

for ind=1:length(lb)
    subplot(333+ind)
    plot([-100, 100], [1, 1], 'k--'); hold on
    plot(ci,ft((ind-1)*n+1:ind*n,:), 'color', [0.8,0.8,0.8]); ylim([0,1]);
    plot(ci,f, 'r:','linewidth',4); ylim([0,1.2])
    hold off
end

colData = linspace(0,n,n)'/n; colData = [colData colData colData];

for ind=1:length(lb)
    subplot(336+ind)
    [xtoplot, indices] = sort(xvals(ind,:));
    ytoplot = KS(ind, :); ytoplot = ytoplot(indices);
    plot([min(xvals(:)), max(xvals(:))], [critval,critval], 'k--'); hold on;
    plot(xtoplot, ytoplot, 'k');
    scatter(xtoplot, ytoplot, [],  colData, 'filled', 'markeredgecolor', 'k'); 
    ylim([0,1])
    hold off
end

subplot(331); ylabel('y'); hold on;box on;
subplot(334); ylabel('CDF'); hold on; box on;
subplot(337); ylabel('KS'); hold on; xlabel('x_1'); box on;
subplot(338); xlabel('x_2'); hold on;box on;
subplot(339); xlabel('x_3'); hold on;box on;
for ind=1:length(lb)
subplot(330+ind)
plot(par_c(:,ind),y_c, 'xk', 'markersize', 2);
end

crit_c = [1.22,1.36,1.48,1.63,1.73,1.95]; % 0.1, 0.05, 0.025, 0.010, 0.005, 0.001
critval = crit_c(2) * sqrt((Nu+Nc)/(Nu*Nc));

for ind=1:length(lb)
subplot(333+ind)
plot([-100, 100], [1, 1], 'k--'); hold on
plot(ci,ft((ind-1)*n+1:ind*n,:), 'color', [0.8,0.8,0.8]); ylim([0,1]);
plot(ci,f, 'r:','linewidth',4); ylim([0,1.2])
hold off
end

colData = linspace(0,n,n)'/n; colData = [colData colData colData];

for ind=1:length(lb)
subplot(336+ind)
[xtoplot, indices] = sort(xvals(ind,:));
ytoplot = KS(ind, :); ytoplot = ytoplot(indices);
plot([min(xvals(:)), max(xvals(:))], [critval,critval], 'k--'); hold on;
plot(xtoplot, ytoplot, 'k');
scatter(xtoplot, ytoplot, [], colData, 'filled', 'markeredgecolor', 'k');
ylim([0,1])
hold off
end

3 Matlab代码实现

天天程序猿

关注

17
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
优化算法——全局灵敏度分析算法（PAWN ）（Matlab代码实现）

大量参数是复杂环境模型的主要问题，因为它限制了它们的应用。因此，旨在识别模型的有影响和无影响参数的敏感性分析 (SA) 方法对于这些模型的有效校准至关重要。SA 确实允许通过应用因子固定 (FF) 和因子优先级 (FP) 来减少校准过程中涉及的参数数量。在本文中，基于密度的全球敏感性分析 (GSA) 方法 -PAWN- 应用于土壤和水评估工具 (SWAT)，这是一种高度参数化的水文模拟器。
复制链接

扫一扫