基于APSO__WLSSVM算法的Hammerstein ARMAX模型参数辨识

提出了一种新的使用粒子群算法改进最小二乘支持向量机(adaptive particle swarm optimization,APSO-WLSSVM)的复合算法,应用进化状态估计技术和变异操作改进粒子群算法,使得算法快速收敛于优化目标,具有良好的辨识效果。将所提出的方法与鲁棒最小二成向量机、最小二成相量机方法进行数值例子比较研究,结果证明了所提出的APSO-WLSSVM方法的有效性。     

基坑支护设计优化研究

基坑支护设计优化一项重要而又复杂的问题,通过将支持向量机与微粒群算法结合,提出了基坑支护设计优化的新方法,并详细叙述了其实施过程;该方法用支持向量机表示支护设计参数与基坑安全系数之间的复杂非线性映射关系,提高了优化过程中基坑稳定性评价的效率,用微粒群算法作为优化工具,优化过程实施比较简单,并且具有很好的全局优化能力,最后,通过一个工程实例说明了该方法的有效性.     

动态环境下基于SVR-PSO的多机器人气味源定位方法

研究具有风速变化的动态环境下气味源定位问题,提出一种基于支持向量回归和微粒群优化的多机器人气味源定位方法。以当前时刻机器人的位置为输入,以机器人所测的气味浓度值为输出,利用支持向量回归,建立机器人所在位置气味浓度的预测模型;采用改进微粒群优化方法定位气味源时,以气味浓度最大的机器人所在的观测窗内,基于预测模型得到的气味浓度最大值的所在位置作为微粒的全局极值,以当前机器人的位置作为微粒的个体极值,完成微粒的更新;根据机器人所测的气味浓度值,定位气味源。将所提方法应用于2个气味源定位场景,实验结果表明所提方法能够在短时间内成功定位气味源。     

粒子群优化支持向量机的交通量预测方法

为了准确预测交通流量,为实施交通疏导提供参考依据,提出了一种基于小生境粒子群优化高斯小波核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数,使用高斯小波核函数取代了经典支持向量机的高斯核函数。同时在支持向量机的学习算法上引入了小生境粒子群优化算法,基于小生境粒子群的多样性的优势,使得支持向量机的参数得到最优解。最后进行了预测仿真,结果表明本文方法的预测精度高于传统方法。为交通流量的预测方法提供了一种参考。     

冲击地压预测的PSO-SVM模型

冲击地压是一种复杂的非线性动力学现象,其发生机制非常复杂,而在监测数据的基础上对其进行分析预测,是冲击地压的一个重要研究方法,但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系,其中采用时间序列进行预测是一个重要的研究方向。针对这一问题,将冲击地压看作一时间序列过程,采用支持向量机建立冲击地压序列之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用微粒群算法对支持向量机参数进行优化选择,从而提出冲击地压预测的PSO-SVM模型,提高支持向量机的推广预测能力,并对一具体算例进行研究分析。研究结果表明,该方法是科学可行的,并具有很好的精度。     

冲击地压预测的PSO-SVM模型

 冲击地压是一种复杂的非线性动力学现象，其发生机制非常复杂，而在监测数据的基础上对其进行分析预测，是冲击地压的一个重要研究方法，但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系，其中采用时间序列进行预测是一个重要的研究方向。针对这一问题，将冲击地压看作一时间序列过程，采用支持向量机建立冲击地压序列之间的非线性关系；同时，考虑到支持向量机参数对预测效果的影响，采用微粒群算法对支持向量机参数进行优化选择，从而提出冲击地压预测的PSO-SVM模型，提高支持向量机的推广预测能力，并对一具体算例进行研究分析。研究结果表明，该方法是科学可行的，并具有很好的精度。     

基于粒子群算法优化支持向量机的岩爆预测研究

由于地下工程的复杂性,岩爆的发生受到多种因素的影响,目前尚没有一种可靠的预测方法来对其进行预报,进而有针对性地进行工程灾害的风险控制。笔者提出将应力强度比(σ_θ/σ_c)、脆性系数(σ_c/σ_t)和弹性能量指数(Wet)作为影响岩爆的主要指标,并根据粒子群优化算法的参数选取和收敛速度快的优势及支持向量机的小样本、高维度、非线性的特性,提出了用粒子群优化算法对影响支持向量机分类性能的两个主要参数进行优化,进而获得优化的支持向量机分类器。利用PSO-SVM对在建二广九标茅田界隧道深埋变质砂岩岩爆发生情况进行预测,定量地判断该标段不存在岩爆现象,预测结果与茅田界隧道的实际情况基本相符。     

大坝变形非线性智能组合预测方法研究

为同时利用不同大坝变形预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化一支持向量机(PSO-SVM)的大坝变形非线性智能组合预测模型.选取几种不同原理的建模方法建立预测模型并预测,利用其预测结果建立组合预测模型,组合函数的拟合采用混合核函数支持向量回归算法.为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数.实例分析表明,该模型较好地整合了不同建模方法的特征信息,避免了单一方法的偶然性,较单一预测模型、加权组合预测模型具有更高的预测精度和更小的峰值误差,为更准确地进行大坝安全监控提供了一种新的途径.     

基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

多介质边坡弹性模量位移反分析模型与优化算法

利用开挖扰动实测位移，提出了求解边坡各介质弹性模量的反分析模型。同时针对目标函数的多极值性、收敛结果与初值相关等问题，提出了一种反分析优化算法。该方法一方面利用线弹性问题的尺度特性减少了一个优化变量；另一方面通过递归技术将多变量优化问题转换为一系列的单变量优化问题，并使收敛结果与初值无关。算例验证了方法的适用性。     

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。     

滑坡综合集成智能分析方法研究进展

本文综合课题组在滑坡方面的研究,以具体的滑坡工程为实例,详细介绍了滑坡现场监测、基于GIS的滑坡三维可视化、综合集成智能滑坡分析方法,包括滑坡变形预测的进化支持向量机建模、加固方案优化设计的进化神经网络-数值方法、基于动态聚类的进化神经网络危险性分区、滑体参数反演的进化支持向量机-有限元方法、滑动面搜索的免疫连续蚁群-极限平衡分析、滑动面参教反演的粒子群优化算法等。结果表明,所提出的滑坡研究综合集成智能分析方法是适用、科学和合理的。     

基于支持向量机和模拟退火算法的位移反分析

提出了一种基于支持向量机和模拟退火算法的位移反分析方法,一方面用支持向量机代替有限元计算提高计算分析速度,另一方面用模拟退火算法代替传统的优化算法,避免优化过程中目标函数陷入局部极小值而无法继续寻优的状态,从而提高反演的效率精度。应用该方法对边坡的岩体力学参数进行反演,反演结果验证了模型的可行性。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

索风营水电站地下洞室岩体力学参数的位移反分析

利用支持向量机和模拟退火算法对索风营地下洞室岩体的力学参数进行位移反分析,一方面支持向量机代替有限元计算提高了计算分析速度,另一方面用模拟退火算法代替传统的优化算法,避免优化过程中目标函数陷入局部极小值而无法继续寻优的状态,提高了反演的效率精度。利用反演得到的岩体力学参数进行有限元正分析所得位移与现场实测结果更加接近。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

位移反分析的进化支持向量机研究

将支持向量机与遗传算法相结合，提出了一种用于位移反分析的进化支持向量机方法。这种方法基于试验设计和有限元计算获得学习样本和检验样本，用遗传算法搜索最优的支持向量机参数，用获得的最优模型进行学习，从而获得岩体的力学参数与位移之间的非线性映射关系，再用遗传算法从全局空间上搜索，进行岩体力学参数的识别。给出的两个算例结果是令人满意的。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析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。     

高地应力下大型地下洞室群开挖顺序 与支护参数组合优化的智能方法

 针对高地应力下围岩变形破坏的特殊性以及大型地下洞室群开挖支护优化计算量大的特点,在三维弹塑性数值计算的基础上,采用反映高地应力下脆性岩石变形破坏特点的新本构模型,提出基于弹性释放能、塑性区体积、洞室周边位移与支护费用的地下洞室群开挖顺序与支护参数组合方案的综合优化新指标,综合集成粒子群与支持向量机的智能技术,提出高地应力下地下洞室群开挖顺序与支护参数的智能优化新方法。该方法通过典型施工方案的数值计算构建学习样本,采用支持向量机方法对样本进行学习与预测,建立起施工方案与综合优化指标之间的非线性映射关系,在具有一定约束条件的全局空间下,通过粒子群优化算法搜索出开挖顺序与支护参数的全局最优组合方案。将该方法应用于高地应力区黄河拉西瓦水电站地下厂房洞室群的开挖顺序和支护参数优化分析,结果表明该方法的可行性。