基于模拟退火神经网络模型的岩质边坡稳定性评价方法

 针对BP神经网络收敛速度慢、易陷入局部极小的缺点,将具有全局搜索能力的模拟退火（SA）算法引入到神经网络的权值优化中。并且在SA算法中引入状态接受过程和退火过程的自适应措施,增加了对当前状态最优解的"记忆能力",避免了当前最优解的遗失,提高了算法的搜索效率。通过对XOR问题求解的比较,显示出SABP算法具有全局收敛且精度高的优越特性。最后基于实际工程的边坡数据建立了一个SABP算法模型,成功解决了具有高度非线性特点的边坡稳定性评价问题。     

基于改进混合蛙跳算法的梯级水库优化调度

针对混合蛙跳算法在寻优过程中出现的早熟收敛问题,利用混沌技术的遍历性优势对子群最优个体进行变异操作,形成局部精细搜索策略;根据蛙群相对多样性参数来判断算法是否陷入局部最优,进而对蛙群最优个体进行扰动以提高全局寻优能力,形成全局激励调节策略。耦合2种策略,提出了一种改进混合蛙跳算法。将其应用于李仙江梯级水库优化调度中,结果表明所提算法具有寻优质量高、收敛速度快的特点,有效地克服了标准混合蛙跳算法的早熟缺陷,为水库调度模型的求解提供了一种新方法。     

多策略集成萤火虫算法

为解决萤火虫算法易陷入局部最优、收敛速度慢等问题,提出一种多策略集成萤火虫算法。该算法首先在位置更新公式中引入基于注意力机制的惯性权重,帮助萤火虫跳出局部最优,从而有效提升算法的收敛速度;其次提出一种步长调整机制,为萤火虫算法评估次数设定某一阈值,提高算法的局部开发能力;最后引入改进的邻域搜索策略,充分利用每只萤火虫的历史最优位置信息,使当前待优化粒子有机会搜索到更优解,可有效改善算法迭代后期探索能力下降的问题。12个基准测试函数和22个复杂测试函数的实验结果表明,所提算法具有良好的收敛速度和优化精度。     

梯级水电站发电优化调度研究

针对传统优化算法在求解高维、复杂梯级水电站发电调度时易出现"维数灾",或陷入局部最优解的缺陷,本文提出了免疫蛙跳算法(ISFLA)。该算法将克隆选择算法嵌入到混洗蛙跳算法框架中,对混合之后的蛙群构造子群体执行免疫克隆选择操作,同时使用改进的最差解更新方式提高其局部搜索能力。应用实践表明,通过将ISFLA与标准混洗蛙跳算法、粒子群算法以及逐步优化方法对比,ISFLA在求解梯级水电站发电优化问题时具有明显的优越性。     

基于免疫蛙跳算法的小波神经网络的水稻需水量预测

为了避免传统小波神经网络采用基于负梯度方向的BP算法学习训练过程中存在收敛速度慢、易陷入局部最小的缺点,采用改进的免疫蛙跳算法对传统的小波神经网络中各个参数进行优化,提高小波神经网络模型的收敛速度和预测精度,提出了基于改进免疫蛙跳算法优化小波神经网络的预测模型,将该模型应用于水稻需水量的预测中,研究结果表明：该耦合模型优于传统的小波神经网络,对水稻需水量有良好的预测性能。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

基于自适应混合蛙跳算法的水库调度研究

针对传统混合蛙跳算法存在的问题,对SFLA的局部搜索策略进行改进,提出一种结合自适应局部搜索机制的改进混合蛙跳算法(MSFLA),并应用于水库优化调度研究中。通过将MSFLA与SFLA、DP对比,优化结果证明MSFLA在求解非线性、高维的水库优化调度问题中具有较好的有效性与优越性。     

基于改进二进制粒子群算法的配电网故障恢复

鉴于现有的配电网故障恢复算法普遍存在着计算速度慢或难以搜索到全局最优解的问题，提出了一种基于改进二进制粒子群算法的配电网故障恢复算法。首先采用等效负荷模型简化网络;在确定目标函数时，引入了层次分析法求解各指标的权重值，较之传统的经验确定法更符合实际;然后从惯性权重和学习因子的选取及粒子相似性控制2个方面对基本二进制粒子群算法进行了改进。算例分析表明，文中所提出的方法计算速度快，易收敛到全局最优解，能有效地求解配电网故障恢复问题。     

一种加权变异的粒子群算法

针对粒子群算法易于陷入早熟、收敛速度慢及收敛精度低的问题,提出了加权变异的WVPSO(Weighted Variation Particle Swarm Optimization)粒子群算法。根据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;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算法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。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。