大坝安全监测的遗传—偏回归(GA-PLSR)模型研究及应用

基于在大坝监测中常用的偏回归模型的基础上引入了遗传算法,充分利用其强大的自适应全局优化概率型搜索功能,采用改进的遗传算法对偏回归系数进行寻优重估,建立大坝安全监测的遗传-偏回归模型。从而达到对偏回归模型优化的目的,以同时解决和改善常规大坝安全监测回归模型中存在的因子多重相关性干扰和模型欠拟合问题,进一步提高大坝监控模型的拟合和预测精度。     

递阶偏最小二乘回归在大坝安全监测中的应用

偏最小二乘回归能有效地消除因子间的多重相关性,但从其算法特点和实际应用来看,也存在不足.例如,在算法方面,偏最小二乘提取的主成分不一定能同时保证方差和相关程度最大;在应用方面,含有较多自变量的偏最小二乘回归模型的可解释性不高.递阶偏最小二乘回归是偏最小二乘回归后续研究的成果之一,在一定程度上克服了上述不足.算例表明,递阶偏最小二乘回归模型较其他回归模型的可解释性强,较为合理.     

基于偏最小二乘回归的大坝位移混合模型研究

介绍了偏最小二乘法的建模基本思路和交叉有效性判别方法,编制了偏最小二乘回归程序,与弹性力学有限元联系,建立了基于偏最小二乘回归的大坝位移混合模型。算例分析表明,建立的模型有较好的拟合和预报功能。     

偏最小二乘回归的应变统计模型研究

在应变监控模型中,各因子之间存在着多重相关性,将会严重影响参数估计、扩大模型误差、破坏模型的稳健性,为了克服多重相关性对模型的干扰.引入了能辨别系统信息与噪声的偏最小二乘回归.研究分析表明,与普通的最小二乘回归相比,偏最小二乘回归模型具有很好的稳定性.     

基于新偏最小二乘回归法的系列水文资料分析

在实际问题中,经常会碰到海量数据或者样本点较少,自变量较多的数据。对此可以利用递阶偏最小二乘回归来建立线性模型。但是一个直接的问题是如何对自变量进行分组。由此提出了基于聚类分析的递阶偏最小二乘回归方法,在对解释变量分组时引入聚类分析。通过对长江宜昌段水沙观测数据作实证分析后发现,基于聚类分析的递阶偏最小二乘回归方法是有效可行的,而且用该方法建立的回归模型比一般的偏最小二乘回归模型拟合能力更强。     

新农村建设饮水设计方案

在应变监控模型中,各因子之间存在着多重相关性,将会严重影响参数估计、扩大模型误差、破坏模型的稳健性,为了克服多重相关性对模型的干扰,引入了能辨别系统信息与噪声的偏最小二乘回归.研究分析表明,与普通的最小二乘回归相比,偏最小二乘回归模型具有很好的稳定性.     

将偏最小二乘回归模型应用于非点源负荷预测

介绍了偏最小二乘回归的基本原理,建模思路和方法,将偏最小二乘回归模型应用于泾河流域非点源污染年负荷量预算,对计算结果的代表性和有效性进行了分析,并将其与最小二乘的多元回归模型预测结果进行了对比.实例计算分析结果表明,偏最小二乘回归分析对于反映因变量与多个相关性自变量之间的关系有较高的精度.     

五强溪水电站大坝变形预测模型研究

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络，构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据，基于可靠的监测数据，构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型，根据五强溪大坝坝顶J23测点2006年～2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验，选定的LSTM模型包括2个LSTM层，激活函数采用整流线性单元函数，输入序列长度为20。训练集数据取2006年～2017年的监测值，2018年～2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知：3种模型在沉降曲线的预测效果均较好；偏最小二乘回归法能合理地解释各分量；训练数据足够时，LSTM循环神经网络的预测精度非常高；采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。     

基于PLS和GA的大坝变形神经网络预测模型

针对大坝安全监控模型中各因子间的多重共线性和非线性,利用偏最小二乘回归法解决了多重共线性,用经遗传算法优化的RBF神经网络解决了非线性,建立了PLS-GARBF大坝水平位移预测模型.实例应用结果表明:PLS-GARBF模型的预测精度优于独立使用RBF或GARBF的精度,更适合大规模的数据建模.     

偏最小二乘回归在大坝安全监控中的应用

针对统计回归计算中出现的水压因子难以入选和入选以后计算结果不合理的困难，本文应用偏最小二乘回归建立坝顶水平位移的统计模型。计算结果表明，相对于逐步回归和多元回归，基于偏最小二乘法的回归模型，取得较合理的结果。     

Optimizing Hydropower Reservoir Operation Using Hybrid Genetic Algorithm and Chaos

Genetic algorithms (GA) have been widely applied to solve water resources system optimization. With the increase of the complexity and the larger problem scale of water resources system, GAs are most frequently faced with the problems of premature convergence, slow iterations to reach the global optimal solution and getting stuck at a local optimum. A novel chaos genetic algorithm (CGA) based on the chaos optimization algorithm (COA) and genetic algorithm (GA), which makes use of the ergodicity and internal randomness of chaos iterations, is presented to overcome premature local optimum and increase the convergence speed of genetic algorithm. CGA integrates powerful global searching capability of the GA with that of powerful local searching capability of the COA. Two measures are adopted in order to improve the performance of the GA. The first one is the adoption of chaos optimization of the initialization to improve species quality and to maintain the population diversity. The second is the utilization of annealing chaotic mutation operation to replace standard mutation operator in order to avoid the search being trapped in local optimum. The Rosenbrock function and Schaffer function, which are complex and global optimum functions and often used as benchmarks for contemporary optimization algorithms for GAs and Evolutionary computation, are first employed to examine the performance of the GA and CGA. The test results indicate that CGA can improve convergence speed and solution accuracy. Furthermore, the developed model is applied for the monthly operation of a hydropower reservoir with a series of monthly inflow of 38 years. The results show that the long term average annual energy based CGA is the best and its convergent speed not only is faster than dynamic programming largely, but also overpasses the standard GA. Thus, the proposed approach is feasible and effective in optimal operations of complex reservoir systems.     

混合智能算法及其在供水水库群优化调度中的应用

将遗传算法中的进化思想和蚁群算法中的群体智能技术有效地耦合,提出了一种基于两者的混合智能算法,应用于供水水库群系统的优化调度研究中。算法利用蚁群算法的并行性、正反馈性以及良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的进化思想,利用杂交、变异算子来进行局部寻优,使其能快速搜索到全局最优点。在种群随机搜索过程中嵌入确定性的模式搜索,使得算法同时具有随机性和确定性。结合模拟退火思想,构造了罚因子处理约束条件,使该算法对水库优化调度问题以及其他优化问题具有一定的通用性。通过实例验证,并与大系统聚合分解经典算法进行比较,结果表明该算法是可行的和有效的。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。     

边坡稳定极限分析斜条分上限法的全局优化方法

边坡稳定极限分析斜条分上限法需要寻求最小安全系数对应的临界滑动模式。由于待优化变量中包含了滑裂面位置与条块界面倾角,问题的自由度与非线性程度明显增加,寻找安全系数的整体极值变得十分困难。本文建立了任意形状滑裂面通过与不通过软弱夹层两种情况下斜条分上限法滑动模式优化的数学模型。为保证在随机搜索过程中生成合理的滑动模式,引入一系列约束条件,将临界滑动模式的搜索问题转化为一个有界约束的数学极小值问题,并结合遗传算法和粒子群算法两种全局优化方法,对多个典型算例进行对比分析。研究表明,提出的模型可以解决优化过程中生成不合理滑动模式的问题,不仅极大地提高了优化效率,而且可以避免数值计算不收敛的麻烦;将模型与全局优化算法相结合,在大多数情况下能够得到一个合理的、与极限平衡解十分接近的上限解,具有较好的全局收敛性。     

差分进化算法在马斯京根模型参数优选中的应用

针对马斯京根模型参数最优估计中求解复杂、精度差等问题，结合绝对残差绝对值之和最小准则，提出应用差分进化算法（Differential Evolution Algorithm）直接优选模型参数。同其它算法相比，实例分析表明该算法具有较强的全局搜索能力和较高的计算精度。为更好地优选马斯京根模型参数提供了一种更为有效的新方法。     

偏最小二乘回归在大坝位移资料分析中的应用

介绍了偏最小二乘回归的基本原理、建模基本思路和交叉有效性判别方法，编制了偏最小二乘回归程序；指出偏最小二乘回归可以很好地应用于大坝位移监测中。通过算例分析表明：建立的模型有很好的拟合和预报功能。     

结合广度搜索的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度搜索算子结合的算法,同时为保证水库优化调度搜索全局最优提供了一定保障。针对遗传算法容易陷入局部最优的缺点,引入正弦函数取随机数的广度搜索与遗传算法相结合的算法。通过分析比较单独使用自适应遗传算法或者广度搜索算法以及结合算法在实际水库优化调度中效果,结果显示,优化结果要比自适应遗传算法以及广度算法的结果更理想。充分证明了结合算法的高效全局搜索能力,避免了自适应遗传算法陷入局部最优,同时在一定程度上克服了广度搜索很难收敛的缺点,在一定收敛条件下得到了更接近全局最优的结果。     

改进遗传算法的研究现状分析

遗传算法是全局优化自适应概率搜索算法,它有智能寻优、鲁棒性等优点,但也存在早收敛、结果不精确等不足。因此许多学者提出了一些改进措施来弥补遗传算法的缺点。本文对近些年来出现的改进遗传算法进行了简要介绍,并对其优缺点进行了评述。     

基于改进遗传算法的渗压分析

针对具体工程情况，建立了渗压的回归分析模型，用改进遗传算法进一步对模型的各项系数进行了全局寻优。通过与解析法所得模型的比较，证明了该改进遗传算法的有效性。