飞蛾火焰优化算法在马斯京根模型参数优化中的应用

通过10个典型二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。利用该算法优化马斯京根模型参数,并以相关文献中的3个实例进行验证。结果表明:MFO算法在二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。利用MFO算法优化马斯京根模型参数,可以获得比相关文献更高的模拟精度,为精确估计马斯京根模型参数提供了有效方法。     

新型蝙蝠算法在承压含水层参数反演中的应用

通过6个典型测试函数对一种新型蝙蝠算法(NBA)进行仿真验证,并与基本蝙蝠算法(BA)的寻优结果进行对比。利用NBA算法对承压含水层参数进行反演,并以2个实例进行分析研究。结果表明:NBA算法寻优精度优于BA算法15个数量级以上,具有较好的收敛精度和全局寻优能力,能有效避免基本BA算法陷入局部最优;NBA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,获得了较好的反演效果。利用该算法对承压含水层参数进行反演,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NBA算法在地下水模型参数反演中的应用,具有良好的前景。     

黄金正弦算法在水文地质参数优化中的应用

为提高水文地质参数求解精度,利用黄金正弦算法(Gold-SA)优化求解泰斯(Theis)公式导水系数和储水系数2个关键参数。选取6个标准测试函数对Gold-SA算法进行仿真验证,并与粒子群优化(PSO)算法的仿真结果进行比较。以2个抽水试验资料为例,利用Gold-SA优化求解Theis公式导水系数和储水系数,求解结果与PSO算法、配线法和文献方法作对比。结果表明,Gold-SA算法对所选6个标准测试函数的寻优精度高于PSO算法,具有较好的寻优精度和全局搜索能力;对2个实例导水系数和储水系数参数的求解精度优于PSO算法、配线法和文献方法。将Gold-SA算法用于水文地质参数优化求解是可行和有效的。     

基坑变形预测的改进供需优化算法-指数幂乘积模型

为提高基坑变形预测精度,提出改进供需优化算法-指数幂乘积基坑变形预测模型(ISDO-EPP模型)。通过6个标准测试函数和3个应用实例对ISDO算法的寻优能力进行验证,并与基本供需优化(SDO)算法、鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、蛾群算法(MSA)、粒子群优化(PSO)算法的寻优结果进行比较。以3个基坑沉降预测为例,通过自相关函数法和虚假最邻近法确定各实例延迟时间和嵌入维数,构造输入、输出向量对各模型进行训练和预测。结果表明,ISDO算法搜索能力优于SDO等5种算法,具有较好的寻优精度、全局搜索能力和稳健性能。ISDO-EPP模型对3个实例预测的平均相对误差绝对值分别为0.73%、3.36%和1.33%,均优于ISDO-SVM、ISDO-BP模型,表明ISDO算法能有效优化EPP模型参数,ISDO-EPP模型用于变形预测是可行和有效的。     

群居蜘蛛优化算法在水文频率曲线参数优化中的应用

利用一种新型群体智能仿生算法——群居蜘蛛优化算法(SSO)优化水文频率曲线参数,以云南省丽江仁里站和总管田站年径流量数据为例进行实例研究,分别将离差平方和准则(OLS)、离差绝对值和准则(ABS)以及相对离差平方和准则(WLS)作为SSO算法最优适应度函数对皮尔逊Ⅲ型分布参数进行优化,优化结果与粒子群优化算法(PSO)、矩法进行对比。结果表明:利用SSO算法优化仁里站和总管田站得到的OLS、ABS、WLS均优于PSO算法及矩法,比矩法提高了11%以上。SSO算法具有收敛速度快、全局寻优能力强等特点,基于SSO算法的优化适线法能够降低水文频率的分析误差,有效提高理论频率曲线与实测数据的拟合精度,是一种可行的水文频率分析方法。     

改进WOA-指数幂乘积模型在基坑变形预测中的应用

为提高基坑变形预测精度,提出基于拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化的指数幂乘积(EPP)基坑变形预测模型。选取4个标准测试函数对LXWOA进行仿真验证,并与基本鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、正弦余弦算法(SCA)、粒子群优化(PSO)算法的仿真结果进行比较。利用LXWOA对EPP模型的指数参数进行优化,构建LXWOA-EPP变形预测模型,并构建WOA-EPP、GWO-EPP、SCA-EPP、PSO-EPP模型与LXWOA-SVM、LXWOA-BP模型作对比,以文献基坑监测数据为例进行实例研究,分别利用自相关函数法和虚假最邻近法确定实例延迟时间和嵌入维数,构建模型输入、输出向量,利用实例前15期和后3期监测数据对各模型进行训练和预测。结果表明:LXWOA搜索能力优于WOA、GWO、SCA和PSO算法,具有较好的寻优精度和全局搜索能力。LXWOA-EPP模型对实例预测的平均相对误差绝对值、平均绝对误差、均方根误差分别为0. 18%、0. 008 mm、0. 009 mm,均优于WOA-EPP等6种模型和文献预测精度,表明LXWOA能有效优化EPP模型参数,LXWOA-EPP模型用于变形预测是可行和有效的,模型及方法可为其他相关预测研究提供参考。     

群居蜘蛛优化算法在水位流量关系拟合中的应用

针对水位流量关系拟合中相关参数难以确定的不足,利用一种新型群体智能仿生算法——群居蜘蛛优化算法(SSO)优化水位流量关系的相关参数,以云南省丽江仁里站和总管田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(PSO)、最小二乘法(LSM)拟合结果进行对比。结果表明:SSO算法对仁里站和总管田站水位流量关系拟合的平均相对误差绝对值分别为0.57%、0.53%,拟合精度优于PSO、LSM算法。SSO算法具有收敛速度快、全局寻优能力强等特点,利用SSO算法优化水位流量关系可以获得更好的拟合效果。     

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。     

WPA-BP神经网络模型在枯水期月径流预测中的应用

通过8个高维复杂函数对一种新型仿生群体智能算法——狼群算法(WPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权阈值参数难以确定的不足,利用WPA算法优化BP神经网络初始参数,提出WPA-BP径流预测模型,以云南省龙潭站枯水期月径流预测为例进行实例验证,并与PSO-BP及BP模型进行比较。结果表明:1WPA算法收敛精度远远优于PSO算法,具有较好的计算鲁棒性和全局寻优能力;2WPA-BP模型预测精度优于PSO-BP及BP模型,具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和阈值,可有效提高BP神经网络的预测精度和泛化能力。     

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。     

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。     

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。     

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。     

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。     

基于LBA-PP模型的年径流丰枯分类

针对年径流丰枯特性同时取决于径流本身大小和年内时程分配的特点,利用一种基于Lévy飞行策略改进的蝙蝠算法(Lévy Bat Algorithm,LBA)搜索投影寻踪模型(Projection Pursuit,PP)最佳投影方向a,提出LBA-PP年径流丰枯分类模型,并构建粒子群优化(Particle Swarm Optimization,PSO)算法-PP模型,与LBA-PP年径流丰枯分类模型对比,以云南省西洋站为例进行实例研究。结果表明LBA算法寻优能力优于PSO算法,具有较高的收敛精度、较好的稳健性能和全局寻优能力。利用LBA算法寻优PP模型最佳投影方向a,不但提高了PP模型的分类精度,而且为PP模型最佳投影方向的选取提供了新的途径和方法。LBA-PP模型同时考虑了年径流大小及年内时程分配信息,其分类结果较常规方法更科学、客观。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

混沌粒子群优化算法在确定含水层参数中的应用

以泰斯公式为例,将混沌粒子群优化算法应用于求解分析抽水试验数据,解决含水层参数的函数优化问题.通过在粒子群算法的初始化粒子位置及后续的细搜索过程中加入混沌序列,提高了算法的收敛速度和精度.数值实验结果表明:混沌粒子群算法能够有效地应用于求解含水层参数计算问题;粒子数的增多对混沌粒子群算法收敛性的影响不明显;待估导水系数选取不同的倍数均体现出混沌粒子群算法的收敛性明显优于粒子群优化算法.混沌粒子群算法应用于确定含水层参数是可行的.