基于育种算法的BP网络学习研究

基于育种算法的BP网络学习算法．用育种算法替代传统BP算法中的梯度下降法，使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。该算法应用于径流预测的实验证明：这种算法能够明显减少迭代次数、提高收敛精度，其泛化性能也优于传统BP算法。     

基于人工智能方法的隧道塌方风险预测研究

为了对隧道塌方风险展开研究,整理246起隧道塌方事故案例,通过建立塌方风险评估指标体系,基于人工智能预测方法,分别采用随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型,对塌方风险进行预测。结果表明,随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型的塌方预测准确率分别为81.67%、83.33%、86.67%、93.33%,F₁值分别为0.645、0.642、0.5、0.833。粒子群算法优化BP神经网络模型预测准确率和F₁值均大幅提高,预测效果最好,大大减少了评估结果的主观性,为隧道塌方风险研究提供了新的研究思路。     

水流挟沙力研究的BP-GA方法

介绍了BP神经网络和遗传算法的基本原理,编制了计算程序,采用遗传算法优化了BP网络的初始参数。BP网络方法和BP-GA算法的实例分析结果表明:挟沙力影响因素可由水流流速、比降和颗粒沉速确定;BP-GA算法的结果明显优于单纯的BP网络方法。     

花授粉算法-BP神经网络模型及其在月径流预报中的应用

通过5个典型高维函数对一种新型群智能优化算法——花授粉算法(FPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比分析。针对BP神经网络初始权值、阈值参数难以确定的不足,利用FPA算法优化BP神经网络初始权值和阈值,提出FPA-BP预报模型,以清水江水文站12月月平均流量预报为例进行实例研究。结果表明:1FPA算法收敛精度优于PSO算法,具有较好的收敛速度和全局寻优能力;2FPA-BP模型对实例2001—2005年月平均流量预报的平均相对误差绝对值为2.38%(5次平均),预报精度优于PSO-BP、BP模型。利用FPA算法优化BP神经网络的初始权值和阈值,有效提高了BP神经网络的预报精度和泛化能力,且拓展了BP神经网络初始权值、阈值的优化方法,为相关预报研究提供了参考。     

Matlab仿真平台下大坝位移BP神经网络模型研究

基于人工神经网络的非线性映射能力,应用Matlab7.1网络仿真平台,结合辽宁省白石水库多年大坝位移实测数据,建立了3种不同改进BP算法的多层前馈神经网络模型。并通过LM算法、BR算法、GDX算法的BP网络模型的拟合、预报结果,对3种模型的应用效果进行了比较分析,得出了LM算法的BP网络更适合用于建立坝顶位移监控模型的结论,以实现对大坝位移实时、有效的监控。     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

地下水文预测中BP网络的模型结构及算法探讨

本文探讨了人工神经网络中不同BP网络结构和算法在区域地下水文预测中的应用，实例比较了不同层次结构、学习速率、隐层单元数及不同算法等对收敛效果、模拟预报结果的影响。提出了一些BP模型的设计应用技术，即学习速率的取值范围与BP网络层数有一定关系，层数多，稳定区间较小，一般学习速率取值为0.01～0.1。快速BP算法从训练速度，收敛精度等方面均优于普通BP算法，可作为改进BP算法之一。在此基础上根据黄河河套灌区多年的水文、气象和地下水信息，对灌区多年的年地下水埋深变化进行了模拟，预测了河套灌区节水工程实施后未来灌区地下水位下降的趋势，为大型灌区节水工程改造与BP模型在区域地下水文中的应用提供了参考。     

基于改进BP神经网络砾石土-滤层渗透破坏判别研究

针对BP人工神经网络具有易陷入局部极小、学习过程中常常发生振荡等缺陷,提出了在BP算法中引入动量因子,并采用自适应调整学习率的梯度下降算法,建立了砾石土渗透破坏判别的改进BP神经网络模型。根据砾石土渗透破坏的实测资料,分别对BP神经网络判别结果和改进的BP神经网络判别结果进行比较,结果表明后者比前者判别能力更佳。     

改进BP神经网络预测埋地金属给水管道外腐蚀速率的研究

针对埋地金属管道腐蚀影响因素多和腐蚀速率预测困难等问题,采用BP神经网络可建立腐蚀因素间复杂的非线性关系,进而预测腐蚀速率。分别采用标准BP算法和各种改进BP算法对埋地金属给水管道的外腐蚀速率进行预测,改进BP算法预测精度最高,且收敛速度最快,是腐蚀速率预测的有效工具。     

基于遗传算法的给水管网多工况优化设计

目前大多数基于遗传算法的给水管网优化设计在供水安全性和经济性方面都存在不足。本文针对这些不足,对优化设计的目标函数进行了改进,加入了流速约束,提出了流量已初分配的给水管网多工况的优化设计,并采用罚函数法予以实现。最后对青岛市出口加工区管网进行了优化求解,通过优化结果的对比,验证了该设计方法的实用性及其在供水安全性和经济性方面的优点。     

树状给水管网布置形式优化设计

以管网年费用折算值作为管段的权值建立目标函数,以基于破圈法及Mayeda-Seshu算法的列队竞争算法作为求解方法,用于进行树状给水管网系统的优化,并将该方法用于实例研究。结果表明:该算法既可以完全避免以往各种优化算法在进化过程中产生不可行解的弊端,又继承了普通列队竞争算法寻优速度快的优点,使得算法的计算效率显著提高,计算结果的准确性也得以保证。该优化算法的提出对树状给水管网布置形式优化设计具有重要意义。     

基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

CPSO-NN模型在大坝安全监控中的应用

针对大坝安全监控中传统BP神经网络模型由于采用最速下降法求解网络权值而存在的计算过程复杂、易陷入局部极值点等缺点,提出大坝安全监控神经网络权值的协同粒子群优化求解方法。该方法先把网络权值的计算问题转化为粒子群的寻优问题,然后通过粒子群协同寻优实现对网络权值的计算。工程实例分析结果表明:基于协同粒子群算法的神经网络模型计算简单、收敛速度快、拟合精度高,为大坝安全监控分析提供了一种有效的新方法。     

基于模拟退火遗传算法的自压树状管网优化

将遗传算法全局优化和模拟退火的良好局部搜索能力有机结合,构造出一种退火遗传算法用于自压树状管网的优化设计方法。假定管网中每一管段最多只能由两种管径的管道组成,建立了以管网造价为目标函数,以管长、标准管径为决策变量的自压树状管网优化数学模型。采用基于不可行度的退火算法处理约束条件,应用遗传算法进行优化计算。仿真实例结果表明,该模型与算法在求解自压树状管网优化问题上,具有良好的优化性能和求解效率。     

SCE-UA算法在水环境系统优化问题中的应用

把SCE-UA算法应用到水环境系统优化问题的求解中,通过对问题的预处理,求解3个典型的优化问题：①二维稳态水质模型横向扩散系数及流速推求;②排放口最优化处理;③水工建筑物优化调度。结果表明：SCE-UA算法不但能求解一元函数约束的优化问题,通过构造罚函数,还能够成功求解有多元函数约束的优化问题。认为该算法不依赖导数和优化问题的具体形式,所需参数极少,求解精度高,通用性较强,值得在环境系统优化中推广。     

基于EM算法的树状注水管网优化设计

针对油田系统中的树状注水管网的拓扑优化问题,以最小管网造价为目标函数,以站、间、井的隶属关系惟一性及服务能力等为约束条件,建立优化数学模型。尝试利用一种新型优化算法——类电磁机制算法对模型进行求解,该方法以站、间的空间位置作为带电粒子,在若干带电粒子形成的电场中,粒子受力移动以更新管网的拓扑结构及站、间规模,实现对管网造价的优化。运用实例进行优化验证,优化后的管网造价与原管网的布局造价相比降低了15.28%,充分表明了EM算法在油田树状注水管网拓扑优化方面的有效性。     

基于SCE-UA算法的河网水系水闸调度模拟

建立福州市江北城区内河水系水动力水质耦合模型,利用SCE-UA算法对水闸调度参数进行优化。结果表明,SCE-UA算法可用于水文模型参数的率定和河网水系水闸调度系统优化参数的识别。在待优化的区域单独建模,将生态补水规划模拟计算结果为优化区域提供边界,结果使模型计算时间大大减少。将优化后的参数代入原模型进行检验,效果令人满意。     

基于动态微粒群算法的神经网络模型及应用研究

通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。     

现代优化算法在岩土工程中的应用

以遗传算法、人工神经网络算法、模拟退火算法为代表的现代优化算法,凭借其解决复杂优化问题的有效性已广泛应用于边坡、基坑以及地下洞室等岩土工程领域。该论文在介绍现代优化方法基本原理的基础上,分析总结了各种优化方法在岩土工程中的应用情况,指出了存在的问题,为完善现代优化算法进一步在岩土工程中应用提出了建议。