确定含水层参数的单纯形-混沌优化算法

以无限含水层和有直线隔水边界情况下的解析解为基础,将单纯形一混沌优化算法应用于分析抽水试验数据,求解含水层参数函数优化问题。针对混沌优化算法收敛速度较慢的缺点,文中将单纯形算法和混沌优化算法结合,构造了单纯形一混沌优化算法。数值实验结果表明：单纯形一混沌优化算法可有效地应用于求解含水层参数函数优化问题;待估参数初始取值范围对单纯形一混沌优化算法的收敛速度有一定的影响,但不会影响该算法最终的收敛性;与混沌优化算法相比较,单纯形一混沌优化算法具有收敛速度快和结果精度高的优点。     

混沌粒子群优化算法在马斯京根模型参数优化中的应用

针对目前马斯京根模型参数率定中存在的求解复杂、精度不高等问题,本文将混沌搜索机制引入粒子群优化算法中,构建混沌粒子群优化算法对马斯京根模型参数进行率定。这种方法利用混沌运动的遍历性,改善了粒子群优化算法的全局寻优能力,避免算法陷入局部极值,使得粒子群体的进化速度加快,提高了算法的收敛速度和精度。通过实例应用表明,混沌粒子群优化算法可以有效地估算出马斯京根模型参数,优化效果明显优于粒子群优化算法及试错法,因此该算法具有很好的实用性。     

利用单纯形-粒子群混合算法确定越流含水层参数

针对粒子群优化算法后期存在的收敛速度慢、早熟、易陷入局部极小等问题,将局部搜索能力强的单纯形算法和粒子群算法结合,构造单纯形-粒子群混合算法。以第一类越流系统情况下的非稳定井流问题的解析解为基础,将单纯形-粒子群混合算法应用于分析抽水试验数据,计算含水层参数的问题。数值实验结果表明:单纯形-粒子群混合算法能有效地应用于分析抽水试验数据,确定含水层参数,且具有局部搜索能力强、运算速度快和计算精度高等优点。     

基于TIPSO的水电站优化调度研究

针对水电站多目标联合优化调度问题,提出双层改进粒子群算法(TIPSO)。该算法通过动态廊道约束,提高粒子群算法中粒子初始解的质量;通过改进动态权重系数,增强粒子群算法在前期的全局寻优能力和后期的局部寻优能力,提高粒子群算法的收敛性。将该算法应用于求解河南省陆浑水电站多目标优化调度问题,计算结果表明双层改进粒子群算法具有较好的收敛性能;通过与动态规划算法计算结果对比,表明该算法求解高维、复杂、多约束问题的可靠性和有效性。     

利用单纯形2粒子群混合算法确定越流含水层参数

针对粒子群优化算法后期存在的收敛速度慢、早熟、易陷入局部极小等问题,将局部搜索能力强的单纯形算法和粒子群算法结合,构造单纯形-粒子群混合算法。以第一类越流系统情况下的非稳定井流问题的解析解为基础,将单纯形-粒子群混合算法应用于分析抽水试验数据,计算含水层参数的问题。数值实验结果表明：单纯形-粒子群混合算法能有效地应用于分析抽水试验数据,确定含水层参数,且具有局部搜索能力强、运算速度快和计算精度高等优点。     

利用单纯形-混沌优化算法确定河流水质模型参数

针对混沌优化算法收敛速度较慢的缺点,将单纯形算法和混沌优化算法结合,构造单纯形-混沌优化算法,并将该方法应用于分析一维河流水团示踪试验数据,求解河流水质模型参数的函数优化问题。结果表明,该算法可以有效确定河流水质模型参数,较单纯形法具有更好的收敛性、较混沌优化算法具有更快的收敛速度。     

粒子群优化算法在确定越流含水层参数中的应用

以第1类越流系统含水层中的非稳定流井流问题的解析解为基础,将粒子群优化算法应用于分析抽水试验数据、解决确定含水层参数的问题中,并就学习因子c1,c2及惯性权重系数ω等算法控制参数对算法搜索能力的影响进行数值试验。结果表明:①粒子群优化算法能够有效地应用于分析抽水试验数据、确定第1类越流系统的含水层参数,且结果精度不易受人为影响;②c1,c2和ω综合影响粒子群的搜索能力,当c1=c2=2.0,ω由0.9随迭代次数线性递减至0.4时,有利于粒子在个体极值和全局极值周围几率均衡地搜索,并有利于保持粒子的搜索能力。     

确定越流含水层参数的混沌序列优化算法

将混沌序列优化算法应用在第一类越流系统含水层非稳定流井流问题上,进行抽水试验数据的分析、含水层参数的求解,并就算法的搜索能力和结果与给定含水层各参数取值范围的关系进行探讨。结果表明:(1)求解越流条件下含水层参数的计算问题能用混沌序列优化算法得到很好的解决;(2)除越流因数上限取值会降低越流因数搜索结果的准确性外,储水系数、导水系数、越流因数上限取值对算法的搜索能力和搜索结果没有太明显的影响。相较于其他方法,混沌序列优化算法易于编程、运算简单、运算结果不被人为因素干扰等特点更为突出。     

混合粒子群算法在水库中长期发电优化调度中的应用

针对传统粒子群算法(PSO)早熟收敛、局部搜索能力不足等问题,提出一种混合粒子群算法(HPSO)求解水库优化调度问题。该算法引入混沌思想的遍历性特点生成初始解,提高初始种群质量;采用自适应惯性权重法平衡个体搜索行为,避免陷入局部最优。百色水库中长期发电优化调度实例研究表明,HPSO比PSO有更好的收敛性和优化结果,同时计算时间较传统动态规划方法大幅缩减,且优化结果相近,是一种水库优化调度可供选择的计算方法。     

改进粒子群算法在新安江模型参数优选中的应用

粒子群优化算法的原理较易理解，所需参数较少而易于实现，但在具体问题中仍存在如收敛性不稳定等不足。基于收缩因子改进的粒子群算法可以保证算法的收敛性，同时使得速度的限制放松。结合新安江模型参数的特点，将其应用于该模型参数的率定．并编程实现检验分析。实例应用结果表明，该优化算法可得到较为稳定的模型参数．提高模型在洪水预报中的效率。     

改进粒子群算法在确定含水层参数中的应用

通过分析抽水试验数据,为估计含水层参数提供新的方法。在粒子多样性方面对粒子群算法进行改进,提高了算法的收敛速度和精度。将改进的粒子群优化算法应用到含水层参数估计中,计算结果与其他方法进行对比,并对不同初始值范围下参数估计值进行分析探讨。结果表明:改进粒子群算法估计结果相对误差(7.3%和4.5%)小于其他方法,且目标函数值相对更小,达到0.335×10~(-5);对于不同初始参数范围,利用此算法均能达到满意结果且寻优率高。基于抽水试验数据估计含水层参数的改进粒子群优化算法计算结果有效且可靠,算法收敛速度快,寻优能力强,稳定性好。     

飞蛾火焰优化算法在承压含水层参数反演中的应用

通过10个典型低维函数对一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法进行仿真验证,并与粒子群优化(PSO)算法的寻优结果进行对比。以无界井流问题及直线隔水边界附近井流问题的解析解为基础,将MFO算法应用于分析抽水试验数据,进行反演承压含水层参数,并以2个实例对MFO算法进行验证。结果表明:MFO算法在低维函数极值寻优问题上具有较好的收敛精度和全局寻优能力,寻优精度较PSO算法提高了7个数量级以上。MFO算法对2个实例的反演精度较文献改进SA算法等提高了56.5%以上,具有较好的稳健性能、收敛速度和全局寻优能力。利用MFO算法对承压含水层参数进行反演,可获得比相关文献更高的反演精度,不但为精确估计承压含水层参数提供了有效方法,而且拓展了MFO算法在地下水模型参数反演中的应用,具有良好的应用价值和前景。     

异构多种群粒子群优化算法在水位流量关系拟合中的应用

通过8个复杂函数对一种异构多种群粒子群优化算法进行仿真验证,并与传统单种群粒子群优化算法进行对比。针对水位流量关系拟合中相关参数难以确定的不足,利用异构多种群粒子群优化算法优化水位流量关系相关参数,以云南省龙潭站、西洋站水位流量关系拟合为例进行实例研究,并与粒子群优化算法、最小二乘法拟合结果进行对比。结果表明:异构多种群粒子群优化算法收敛精度远远优于粒子群优化算法,具有较好的计算鲁棒性和全局寻优能力。该算法对龙潭站和西洋站水位流量关系拟合的平均相对误差绝对值分别仅为0.27%和0.50%,拟合精度优于粒子群优化算法和最小二乘法。利用异构多种群粒子群优化算法优化水位流量关系可以获得更好的拟合效果。     

基于改进ACMPSO 并行算法的土石坝本构参数反演

针对一般的优化算法进行土石坝本构参数反演时收敛速度慢,且容易陷入局部最优的问题,引入动态变异系数和OpenMP并行指令,对自适应混沌变异粒子群算法(ACMPSO)进行改进,并采用实例对改进算法进行了验证。实例验证结果表明,与一般优化算法相比,改进的ACMPSO并行算法能够有效避免算法陷入局部最优的问题,大幅降低计算耗时,具有收敛速度快、反演精度高、稳定性好等特点,适用于处理高维度、计算量庞大的复杂参数反演问题。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

鲸鱼优化算法在水库优化调度中的应用

为验证鲸鱼优化算法在水库优化调度求解中的可行性和有效性,采用4个典型测试函数对鲸鱼优化算法进行仿真验证,并与布谷鸟搜索算法、差分进化算法、混合蛙跳算法、粒子群优化算法、萤火虫算法和SCE-UA算法共6种算法的仿真结果进行对比分析;将鲸鱼优化算法与6种对比算法应用于某单一水库和某梯级水库中长期优化调度求解。结果表明:鲸鱼优化算法寻优精度高于其他6种算法8个数量级以上,具有收敛速度快、收敛精度高和极值寻优能力强等特点;鲸鱼优化算法单一水库和梯级水库优化调度结果均优于其他6种算法;鲸鱼优化算法应用于水库优化调度求解是可行和有效的。     

SSO-BP模型在水资源可再生能力评价中的应用

为评价区域水资源可再生能力,提出了水资源可再生能力评价指标体系和分级标准,构建了基于BP神经网络的评价模型,并以云南省文山州水资源可再生能力评价为例进行实例研究。首先,遴选出单位面积水资源量等10个指标,构建水资源可再生能力评价指标体系和分级标准;其次,针对BP神经网络初始权值和阈值难以确定的不足,利用一种全新的仿生群体智能算法--群居蜘蛛优化（SSO）算法优化BP神经网络初始参数,提出了SSO-BP评价模型,并通过6个高维复杂函数对SSO算法进行验证,且与粒子群优化（PSO）算法进行对比;最后,利用SSO-BP模型对实例进行水资源可再生能力评价。结果表明：① SSO算法具有较好的收敛精度和全局寻优能力,可有效提高BP神经网络模型的预测精度和泛化能力。② 文山州各评价区域2014年水资源可再生能力处于最强与中等之间,符合区域现状。     

基于系统微分响应的暴雨强度公式参数优化

暴雨强度公式参数的优化求解本质是一个高维非线性优化问题,目前常采用的优化求解方法是在以误差平方和为目标函数的基础上通过智能算法优化求解参数。为研究这类方法的合理性,通过随机抽样、参数空间网格化方法分析了常用暴雨强度公式参数求解方法的局限性,评价了常用智能算法的参数优化能力,进而提出了基于系统微分响应的暴雨强度公式参数优化方法。结果表明:以均方误差作为目标函数对非线性函数求解参数会增加额外参数解;在没有有效确定参数范围的情况下,随机抽样很难获得满足精度要求的参数样本,在有效确定参数范围后,目标函数的响应面上仍会存在无穷多个局部最优值,且很多局部最优的目标函数与全局最优近乎相同;以粒子群算法、SCE-UA算法为代表的随机搜索优化算法会因为参数初始取值范围过大、目标函数响应面局部最优参数解数量过多等问题而难以获得参数真值;提出的基于系统微分响应的暴雨强度公式参数优化方法能够快速寻找到参数真值,不仅效率高且能够避免陷入局部最优。