智能算法求解CNOP性能优化及其应用

CNOP has been widely used in the nonlinear research for the weather and climate system. At present, there’re mainly three methods for solving CNOP: adjoint methods, set methods and intelligent algorithms. The project goal is to study the key scientific issues in the optimizing procedure for solving CNOP using the intelligent algorithms and to propose a performance optimization framework. The details are as follows:.(1).Optimization for initial value based on data dimension reduction: appropriate linear or non-linear data dimension reduction algorithms are selected to generate the orthogonal basis vectors according to different meteorological data distribution characteristics; a quick non-iterative algorithm for solving preimage is proposed..(2).Dimension reduction based on coevolution and grey relational analysis: an improved grey relational analysis model is designed to extract the space correlation information; a problem decomposition method based on coevolution strategy is proposed to abstract the multiple sub problems into coevolution among multiple populations..(3).Parallel intelligent algorithms based on Hama and BSP: a parallel framework based on Hama and BSP for intelligent algorithms and the design strategy for BSP super steps are proposed..With the mm5 model, sensitive areas of adaptive observations for tropical cyclone are identified under the proposed optimization framework. The feasibility of the optimization framework is verified from some aspects, such as accuracy, efficiency and stability via analyzing and comparing experiment results.

CNOP方法被广泛应用于天气和气候的非线性研究。本课题旨在研究智能算法求解CNOP (IA-CNOP)性能优化中的若干关键科学问题，提出一个优化框架。（1）基于数据降维的初值优化：应用适用于不同气象数据分布特征的线性和非线性数据降维算法生成正交基向量；提出一种快速非迭代的原像求解算法。（2）基于协同进化及灰色关联度分析的维度缩减：提出改进的灰色关联分析模型以提取空间关联信息；提出基于协同进化策略的问题分解方法以将多个子问题抽象成多种群间协同进化。（3）基于Hama和BSP的并行智能算法：提出基于Hama和BSP的智能算法并行架构以及智能算法超级步设计策略。采用MM5数值预报模式，利用以上提出的优化框架，计算台风目标观测敏感区。通过试验分析和比较，从准确性、高效性、稳定性等方面来验证优化框架的可行性。

CNOP（Conditional Nonlinear Optimal Perturbation）代表了天气和气候数值模式在预报时刻导致最大非线性发展的一类初始扰动，是研究非线性动力系统中误差增长机制的一种有效方法，已被广泛应用于天气和气候的非线性研究中。传统的CNOP求解非常依赖于伴随模式，而有些模式没有开发或只开发了部分伴随模式，导致CNOP无法求解，为避免这一问题，本课题提出了智能算法求解CNOP的优化框架，并针对其中的若干关键科学问题进行了研究：1）基于数据降维的初值优化；2）基于多种群协同进化策略的维度缩减；3）智能算法求解CNOP及其并行优化。上述研究获得了可观的成果，主要包括：1）将基于数据降维的并行改进智能算法用于ZC、MM5、ROMS模式CNOP求解，并分别应用于ENSO最优前期征兆、台风目标观测以及双环流变异的研究；在ZC和MM5模式上得到的结果显示，智能算法求解得到的CNOP与伴随方法（benchmark）具有非常相似的空间模态，均能用于识别厄尔尼诺事件的最优前期征兆和台风目标观测敏感区；在ROMs模式上求解得到的CNOP也可导致双环流变异的发生；针对ROMS模式参数误差研究，利用智能算法求解得到的CNOP也可应用于模式参数敏感性分析。这些均验证了智能算法求解不同数值模式CNOP并应用于不同物理现象研究的可行性；2）基于MPI以及Hadoop并行优化后的智能算法，均可达到比伴随方法更高的CNOP求解效率；3）提出了基于多种群协同进化策略的维度缩减方法求解CNOP，并成功应用于ZC模式ENSO最优前期征兆的研究，且并行优化后，其求解效率优于伴随方法。上述研究成果均已撰写成文，共32篇：3篇SCI学术期刊论文、11篇EI学术会议论文、1篇博士学位论文、6篇硕士学位论文已发表；1篇SCI学术期刊论文已录用待发表；9篇SCI学术期刊论文、1篇EI学术期刊论文已投稿。本研究的顺利实施，为CNOP求解提供了新思路，拓展了CNOP的应用范围，有助于数值天气和气候可预报性研究的推进。