中长期径流预报对水利工程具有积极作用和重要意义。传统预报模型的单一性、局限性和不稳定性,使得预报难以准确预测径流变化。随着机器学习技术的快速发展,核极限学习机被广泛应用在径流预报领域,其预测性能在很大程度上依赖于正则化系数和核参数的选取。然而,根据传统的经验或方法设置参数,往往容易导致预测性能不佳。采用粒子群算法优化模型中的参数可以提高模型的精度和泛化能力,但算法本身也存在着一些问题,从而影响了实际的优化效果。本文选取赣江流域的径流数据,先将数据预处理,并结合改进的粒子群算法优化核极限学习机模型(Kernel Extreme Learning Machine,KELM)的参数,主要研究内容如下:(1)针对粒子群优化算法容易陷入局部最优、收敛精度不高以及收敛速度较慢的问题,本文提出一种混合分层自主学习量子粒子群优化算法HHQPSO。首先,根据粒子适应度值和迭代次数将粒子种群动态划分为三个阶层:上下两层粒子数分布较少,分别采用局部学习模型和全局学习模型,以增加粒子多样性;中层粒子数分布较多,使用混合自适应量子学习模型。其次,在混合量子模型中提出差分策略的改进更新粒子的随机位置,并加入Levy飞行策略以提高算法的收敛速度和收敛精度。最后,通过在9个典型测试函数上对5种改进粒子群算法进行对比仿真实验,实验结果表明HHQPSO算法在收敛精度、速度和稳定性上均有较为明显的优势,特别适用于多峰值函数寻优。(2)为提高粒子群的搜索精度与稳定性,提出了加权变异的粒子群算法WVPSO。首先,提出了自适应惯性权重和自适应学习因子,平衡了全局搜索和局部搜索能力;然后,提出了基于算术交叉的变异和自然选择机制的替换策略,增加了粒子的多样性,提高了算法的收敛精度;最后,通过加入高斯扰动使粒子产生震荡,更容易跳出局部最优。仿真实验表明,相比多个具有代表性的群智能进化算法,WVPSO在求解精度和收敛速度上效果更佳,并且在高维函数优化问题上具有更好的精度和稳定性。(3)对赣江流域的峡江水文站月径流量和年径流量进行了分析。将本文改进的两种粒子群算法与核极限学习机模型相结合,然后训练出HHQPSO-KELM、WVPSO-KELM两个组合模型。为了检测该模型的性能,选用传统的核极限学习(KELM)机预测模型、PSO-KELM模型和遗传算法的GA-KELM模型,将这5个模型对月径流数据和年径流数据分别进行训练预报。实验结果表明,本文提出的HHQPSO-KELM和WVPSO-KELM模型取得了良好的预报结果,从而为径流预报提供了一种有效的理论方法。