人群搜索算法拟合Kriging参数的空间数据插值

在Kriging理论模型参数拟合过程中,为减小变异函数权重分配带来的相关误差,全面考虑空间相关性,得到更准确的变异函数模型.采用人群搜索算法(seeker optimization algorithm,SOA),以变异函数拟合值与观测值的加权残差平方和最小为目标建立适应度函数,考虑样本数据的各向异性,迭代搜索模型最优参数进行Kriging插值.实验结果表明,相比于加权最小二乘法拟合,采用SOA拟合Kriging模型参数时,变异函数的加权残差和降低5％～40％,在球状模型、指数模型和高斯模型下Kriging插值的绝对误差分别降低31.02％、24.02％和25.13％.