1.一种基于线性判别分析和IALO‑ELM的中长期径流预测方法，其特征在于，包括以下步骤：

(1)预先获取径流量数据并对数据进行归一化处理，运用线性判别分析的方法对初始径流数据进行预报因子选择；

(2)运用拉丁超立方对初始蚁狮种群初始化，进行蚁狮位置的随机初始化，开始进行迭代搜索；

(3)将蚁狮原始种群分为p等分，运用多种群方法进行交互和预选机制两两对比分析出全局最优路径；

(4)将Fuch映射引入蚁狮算法中，对局部最优解的邻域进行混沌遍历搜索；

(5)建立基于改进蚁狮算法优化的极限学习机模型，利用改进后的蚁狮算法来优化极限学习机的连接权值和阈值；采用训练好的IALO‑ELM模型对测试样本进行预测。

2.根据权利要求1所述的基于线性判别分析和IALO‑ELM的中长期径流预测方法，所述步骤(1)包括以下步骤：

(11)将获取的径流量数据集转化为散布矩阵，进行数据封装：T

Si＝∑(x‑mi)(x‑mi) ,i＝1,2其中，Si为计算类内离散度矩阵，x为样本数据，mi为数据样本均值向量，Sw为散布矩阵；

(12)计算散布矩阵的本征向量以及对应的本征值，其中计算本征值的公式为(λE‑SW)＝

0，λ为本征值，E为单位矩阵；

(13)将本征向量按本征值大小降序排序，选择前n个最大的本征值对应的本征向量，组建矩阵即每一列就是一个本征向量；

(14)用本征向量矩阵将样本变换到新的子空间，完成最后的预报因子选择。

3.根据权利要求1所述的基于线性判别分析和IALO‑ELM的中长期径流预测方法，所述步骤(2)包括以下步骤：

n

(21)根据种群个数(n)构造一个n维单位立方体[0、1]；

(22)根据初始的种群个数，将每一个一维坐标区间[0、1]都分成Na等分，将这Na等分随机进行排列，并假设这Na个随机排列相互独立；

(23)得到一个Na×m维的随机矩阵，将得到Na的个种群，作为初始种群。

4.根据权利要求1所述的基于线性判别分析和IALO‑ELM的中长期径流预测方法，所述步骤(3)包括以下步骤：

(31)蚁狮种群 NP代表着种群的大小；设每一个子种群中蚁狮个体数为c，设子种群中蚁狮个体可表示X＝{Xi,i＝1,2,…,c}，第i只蚁狮在搜索空间中的位置为Xi＝(Xi1，Xi2，…，Xic)，将种群数分为两部分其中一部分用局部搜索方式进行测试，计算当前种群个体的适应度值，并找出优秀个体，更新位置；将另一种种群数据插入其中进行数据测试；对每个子种群进行初始化，进行交叉变异的方法，选出精英种群；

(32)初始化蚂蚁和蚁狮的位置，计算相应的适应度值并排序，选出其中适应度值最大的蚁狮作为精英蚁狮个体；设置最大迭代次数为Tm、适应度函数的维度为dim、蚂蚁和蚁狮的数目分别为NB、NY，选取变量的控制范围分别为ub、lb，其中ub为决策变量的上界，lb为决策变量的下界；

t t

(33)采用轮盘赌的方法以及利用贪婪选择的方式对蚁狮进行相关选择,更新ci和d i的值：

其中， 表示第i个蚂蚁第t次迭代的最大值、最小值，di、ci表示第i个蚂蚁位移的t t

最大值、最小值；d、c表示所有蚂蚁第t次迭代位移的最大值、最小值，会随迭代次数的增加而减小； 表示归一化的位移； 表示第i个蚂蚁第t次迭代的随机位移。

5.根据权利要求1所述的基于线性判别分析和IALO‑ELM的中长期径流预测方法，其特征在于，所述步骤(4)包括以下步骤：(41)将游走过程后的蚂蚁与现在所处最佳位置的蚁狮对比，重新调整最佳蚁狮的位置；通过Fuch映射搜索在最优蚁狮附近产生新个体；Fuch混沌映射函数表达式Xa+1＝cos(1/Xa)，Fuch映射是一种新型的一维离散映射，将混沌序列映射到解空间中，得到种群X，混沌的初始化的种群个体为Xia：

Xia＝lb+(ub‑lb)·Xn+1其中，Xia表示的是第i个蚁群的个体d维值，lb和ub分别是其上下界；同时将会引入精英的反向学习的策略，初始化种群数计算出精英反向种群，将种群数和精英反向种群合并为一个新的种群计算新的适应度值；

(42)优化蚂蚁个体的位移更新公式如下所示：其中， 为第i只蚂蚁在第t次迭代时的位置； 为第t次迭代轮盘赌选择的蚁狮个体为基础的位移； 为第t次迭代的精英个体为基础的位移； 为加入反向调节因子在蚂蚁位置得到更新后，求取相应的适应度值，当蚂蚁的适应度值优于蚁狮的适应度值时，用相应的蚂蚁位置代替蚁狮的位置。

6.一种采用如权利要求1‑5任一所述方法的基于线性判别分析IALO‑ELM的中长期径流预测系统，其特征在于，包括数据预处理模块、预报因子选择模块、径流预测模块、蚁狮算法改进模块、极限学习机模型优化模块和预报值输出模块；

所述数据预处理模块，主要是用于对所获得的径流数据进行预处理，最终得到径流的序列；

所述预报因子选择模块，主要采用线性判别分析法对径流数据进行预报因子选择；

所述径流预测模块，主要包括蚁狮算法改进单元，极限学习机模型优化单元，预报值输出单元；

所述径流蚁狮算法改进模块，采用拉丁超立方对蚁狮种群初始化；采用多种群对蚁狮算法进行交叉变异；采用Fuch映射将游走后的蚂蚁与当前位置最好的蚁狮对比，重新调整最佳蚁狮的位置；

所述极限学习机模型优化模块，用于采用训练样本数据以及改进蚁狮算法对极限学习机的参数进行优化，得到最优的参数，得到优化的极限学习机模型；

所述预报值输出模块，运用蚁狮算法对极限学习机模型进行优化，得到最优参数后，将最优参数和预测数据输入极限学习机模型得到最终预测结果。