基于改进粒子群算法CHPSO-DS的面板 坝堆石体力学参数反演

面板堆石坝堆石体力学参数反演优化问题是一个多变量、多约束的混合非线性规划问题,当正演过程用神经网络模拟器替代后,高效快捷的优化算法成为解决问题的关键.提出一种用以解决这一复杂优化问题的混合算法--混沌直接搜索粒子群(CHPSO-DS)算法.在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻粒子初始位置的选择对算法优化性能的影响;利用直接搜索法克服了粒子群算法后期搜索效率降低的缺陷,提高算法局部搜索能力.为证明该算法的优越性,同时将该算法与遗传算法(GA)用于水布垭面板堆石坝堆石体力学参数的位移反分析计算中.实践证明,利用CHPSO-DS算法搜索时能快速收敛到全局最优解,且算法具有较强的鲁棒性;两算法对比结果也表明,不论是优化精度还是收敛时间,CHPSO-DS算法都较GA有明显提高.最后利用CHPSO-DS算法反演的堆石体力学参数进行测点沉降预测,结果表明各个测点的计算位移值与监测值吻合较好,说明CHPSO-DS算法在复杂岩土工程位移反分析中具有良好的实际应用价值,值得进一步研究和推广.     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

基于均匀设计及遗传神经网络的大坝力学参数反分析方法

将均匀设计理论、BP神经网络和遗传算法三者结合起来,应用于大坝力学参数反分析中。首先对基本遗传算法进行改进,使得改进后的遗传算法具有很好的全局和局部寻优能力,将它作为BP神经网络的学习算法,形成遗传神经网络。然后利用均匀设计方法设计大坝坝体和坝基的材料力学参数样本,通过有限元正分析得到坝体的计算位移样本,训练遗传神经网络映射坝体计算位移值与材料力学参数之间的复杂非线性关系。最后将实测位移值输入训练好的遗传神经网络,即可得到各参数的反演值。本文以清江隔河岩水电站重力拱坝为例,反演分析了坝体混凝土的弹性模量、线膨胀系数以及坝基主要岩体的弹性模量等参数。经检验、评价与对比验证,结果表明该方法可以大大地缩短反分析时间,提高反分析效率和准确性。     

基于改进GA-SVR算法的隧道工程三维弹塑性模型参数的智能辨识

将支持向量回归（SVR）算法引入岩土工程数值计算模型参数的辨识中可以充分发挥SVR算法的小样本、泛化性好和全局最优化的优点。但现阶段标准的SVR算法只能解决一维输出变量的回归问题，这就使其在反分析领域的应用受到限制。引入一种改进的SVR算法，这种算法通过将多维输出变量回归转化为多层标准一维输出变量回归来解决这个问题，并与十进制编码的遗传算法相结合，形成改进的GA-SVR算法，用遗传算法搜索最优的SVR模型参数以建立最优的待辨识参数与位移之间的非线性映射关系，然后用遗传算法进行待辨识参数的最优辨识。为对比这种改进GA-SVR算法的效果，将遗传算法与BP神经网络相结合，形成GA-BP算法且编制相应的计算程序。将这两种算法运用于同样的隧道工程三维弹塑性模型参数的智能辨识，数值算例表明改进的GA-SVR算法较GA-BP算法可以取得更高的辨识精度和更好的计算效率，可运用于类似岩土工程计算参数的辨识。     

以云计算资源为基础实现粒子群算法的优化

本文全面研究了RBF神经网络及粒子群优化的算法,以云计算资源为基础实现了粒子群算法的优化,并且和标准粒子群算法、自组织选取中心算法实现性能对比。通过对比结果表示,改进粒子群优化算法的收敛速度在不断地加快,并且降低迭代次数,而且还能够使函数摆脱局部极值点。将其在RBF神经网络训练中的效果更加明显,能够提高网络优化能力和效果,提高网络在处理非线性问题时候的能力,促进最优解的收敛。     

GASA初始化对太阳辐射预测小波网络性能的改善

针对太阳辐射预测小波网络对初始参数过分依赖,易陷入局部最优的缺点,本文把遗传算法和模拟退火算法两种全局优化算法作适当改进并相融合,引入太阳辐射预测小波网络的初始化。在此基础上对澳门气象站的太阳逐日总辐射建立了遗传模拟退火(GASA)优化太阳逐日总辐射预测小波网络模型,编制了计算机程序,在建模中还应用遗传算法来确定隐含层小波基的个数。该模型输出精度较高,与未采用GASA初始化的情况相比,性能有较大改进。     

一种基于翻转角度的二进制粒子群优化算法

为了提高二进制粒子群优化的收敛速度和收敛效果,提出一种新的改进二进制粒子群优化算法,该算法利用翻转角度作为进化条件,利用局部翻转因子和全局翻转因子来决定粒子群的收敛速度。实验证明,该方法具有更快的收敛速度和更佳收敛值。     

滑坡加固方案优化的并行进化神经网络方法研究

提出了一种新的滑坡治理优化设计方法。首先在极限平衡法结合有限单元法的基础上，初步设计出数十种不同的加固方案的设计参数，并分别分析其治理后的稳定性以及防治工程造价；继而运用进化神经网络建立设计参数与稳定性及加固方案造价之间的非线性映射关系；最后以此关系模型输出的造价为目标函数，以预测的安全系数大于某一要求值为约束条件，再利用并行遗传算法在全局范围内快速地搜索出最优的设计参数，优化选择合理的滑坡加固方案。该方法已应用于三峡库区滑坡防治工程中，并取得了良好的经济效益和社会效益。     

岩石边坡松动区与位移反分析

 首先分析了三峡工程船闸边坡有限元计算和现场监测的位移成果, 说明岩石边坡位移反分析必须考虑岩体的松动因素, 本构模型可以使用弹性模型;其次介绍了松动区的有关物理力学性质, 以及在计算模型中的考虑方法;最后以基于BP 网络和遗传算法的位移反分析模型反演了永久船闸边坡岩体及其松动区的弹性模量。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

三峡永久船闸高陡边坡整体稳定性的多因素综合评价

三峡永久船闸高陡边坡工程是1个开放的复杂巨系统,对其整体稳定性的评价需要综合考虑地质资料、数值分析计算成果以及监测数据等多源信息,基于多因素优化融合的思想,采用定性与定量综合集成的方法。基于系统工程的观点,借助可拓学理论,依据菱形思维模式和物元的可拓性,建立了三峡永久船闸高陡边坡工程整体稳定性的多指标分层次综合评价体系。采用物元的概念将研究对象、评价指标和量值结合为一体,应用物元变换建立整体稳定性评价的物元模型,从而实现对三峡永久船闸高陡边坡整体稳定性的质与量的综合描述,并结合其随时间的变化趋势,可以完成对高陡边坡整体稳定性的三维动态评估。另外应用优化理论,进行了评价指标的主、客观组合赋权。经计算得出边坡整体稳定性属1级,特征值为1.86,介于优与良之间。同时,所述方法亦可应用于大坝健康性态整体评价、岩体质量评估、大坝老化评估等其他领域。     

Modeling non-linear displacement time series of geo-materials using evolutionary support vector machines

Evaluation of the non-linear deformation behavior of geo-materials is an important aspect of the safety assessment for geotechnical engineering in complex conditions. This paper presents a novel machine learning method, termed support vector machine (SVM), to obtain a global optimization model in conditions of large project dimensions, small sample sizes and non-linearity. A new idea is put forward to combine the SVM with a genetic algorithm. The method has been used in the analysis of the high rock slope of the permanent shiplock of the Three Gorges Project and the horizontal deformation at depth in the Bachimen landslide in Fujian Province, China. The 92 non-linear SVMs in total were constructed with their kernel functions and the parameters were recognized using a genetic algorithm. The results indicate that the established SVMs can appropriately describe the evolutionary law of deformation of geo-materials at depth and provide predictions for the future 6–10 time steps with acceptable accuracy and confidence.     

基于粒子群优化算法的城市日用水量预测模型

结合城市日用水量影响因素的特点和变化规律，建立了城市日用水量预测模型，采用粒子群优化算法优化BP人工神经网络的连接权值，以求解该预测模型。经优化后的BP人工神经网络运算速度快、泛化能力强、预测精度高。实例验证结果证明该日用水量预测模型和求解方法是可行的。     

基于PSO-RBF 神经网络的项目招标评标应用研究

根据我国目前在招标投标过程中评标方式存在的缺陷,运用组合优化思想,将经过粒子群算法优化过的径向基神经网络模型（PSO-RBF）运用到招标评标的实践中。该模型作为一种新型的评标方法,先是利用粒子群优化算法对单纯的径向基神经网络参数进行优化,进而训练和测试优化后的RBF 神经网络。通过对比分析单纯的RBF 神经网络和经过参数优化后的RBF 神经网络模型,结果表明后者比前者在性能和效率上更加优越,在招标投标系统中更加合理、科学。最后指出了该模型还存在的缺陷有待进一步的研究。     

三峡永久船闸高边坡安全监测

在深入分析永久船闸高边坡安全问题的基础上，提出了安全监测设计的基本原则；针对三峡船闸高边坡中的稳定性问题，提出了具体的监测要求：最后给出了具体的监测部位(断面)及监测项目和仪器的优化布置方案。实践表明，该方案是可行的，系统提供的监测数据能相互协调，互相印证。     

岩土工程参数反演的一种新方法

介绍了新近提出的一种模拟进化算法——粒子群算法,相对于其他进化算法,粒子群算法的优势在于简单、易实现且收敛快。把该算法引入岩土工程参数反演领域,同时为了克服粒子群算法后期搜索效率降低的缺陷,把单纯形法嵌入到粒子群算法中,提出岩土工程参数反演的一种新方法——基于粒子群算法和单纯形法的混合算法。算例表明,混合算法在参数反演计算中体现出良好的优化性能和很快的收敛速度,是一种新颖可行的参数反演方法。