拉格朗日乘子法在水位流量关系拟合中的应用

针对传统方法在水位流量关系拟合中线性化后存在的不足以及未考虑拟合函数的显著性水平的局限性,以流量残差平方和最小为目标函数,以显著性水平为约束条件,结合拉格朗日乘子法对水位流量关系进行优化处理。通过算例对比分析了水位流量关系在传统算法、自适应加速遗传算法及本文优化算法下的拟合结果。计算结果表明:提出的优化理论能更精确地模拟实际工程中水位流量关系,其基本思想可为类似的水文分析提供借鉴作用。     

基于改进群搜索优化算法的变差函数拟合

群搜索优化算法是一种群智能优化算法,通过研究群搜索优化算法的优劣以及其改进的方法,并将改进的群搜索优化算法应用于变差函数的高斯、指数和一阶及多阶球状模型的最优拟合。实例表明,群搜索优化算法能够有效地应用于变差函数拟合。     

电阻率层析成像的二维改进粒子群优化算法反演

粒子群优化算法(PSO)是通过模拟鸟群觅食过程中的社会行为而提出的一种基于群体智能的全局随机搜索算法,已有研究学者证明PSO算法是一种有效的地球物理反演方法,不依赖初始模型。此次在研究常规粒子群算法的基础上,针对常规粒子群优化算法易于陷于局部极值,后期收敛速度慢,反演精度不高等缺点,提出了一种改进的充分混沌振荡粒子群优化算法。针对粒子群算法的特点,改进速度更新公式,使粒子更快获取与当前全局最好位置的差异,增强粒子的学习能力,并用此算法在matlab2012b编程环境中对均匀半空间电阻率层析成像异常体理论模型进行了二维数值试验。结果表明,此种算法反演时不依赖初始模型,搜索空间增大,实现全局搜索,在准确性上优于标准PSO反演,成像质量优于Levenberg-Marquardt法反演。     

自适应加速遗传算法及其在水位流量关系拟合中的应用

分析了传统水位流量关系曲线拟合过程中存在的精度不高等问题,在此基础上提出了自适应加速遗传算法,直接拟合水位流量关系。通过实例应用对该法与传统优化方法进行了比较。结果表明,该法具有直观、简便、快速,适用性强等特点,是一种优秀的全局优化方法。     

基于粒子群优化算法的多元线性拟合方法研究及其应用

实际测井中,密度曲线最易受扩径的影响。为了消除这种影响,在多元线性拟合方法中引入了粒子群优化算法(Particle Swarm Optimization,PSO),提出了基于粒子群优化算法的多元线性拟合方法,粒子群优化算法是对目标函数优化具有自适应控制的智能进化算法。这里将粒子群优化算法与多元线性拟合法结合,选取井眼环境好,且与扩径层段有相同的岩性、物性的井段作为参考层,利用受井眼环境影响相对小的测井曲线(伽马、电阻率和声波时差),建立更加精确的多元线性拟合模型;再运用这个模型在扩径层段重构密度曲线;最后将重构密度曲线与原始密度曲线、Gardner公式计算的密度曲线进行对比分析。研究结果表明,提出的基于粒子群优化算法的多元线性拟合法重构的密度曲线的合成地震记录与井旁地震道相关系数可达0.86,说明该方法能够更有效提高密度测井曲线的质量。     

参数优化LSSVM的巷道围岩松动圈预测研究

最小二乘支持向量机方法(LSSVM)在处理小样本、高维数、非线性的问题时,具有求解速度快、易于描述非线性关系的优良特性。但是,该方法得到的模型拟合精度和泛化能力依赖于其相关参数,因此,提出基于粒子群优化算法(PSO)的LSSVM参数优选方法。最后,用该模型对巷道围岩松动圈进行了预测研究。结果表明,PSO优化的LSSVM模型具有收敛速度快、计算精度高的特点,说明该模型是合理、有效的。     

多方案加权模型在拟合复杂水位流量关系中的

目前,水位流量关系受单一因素影响的拟合,已有了比较成熟的方案,但对于受多因素影响的水位流量关系的拟合,尚没有理想的方案。多方案加权模型就是基于多因素影响的水位流量关系而建立的,本文运用了系统理论方法和数理统计理论对多方案加权模型从理论上进行了分析,并通过对湖南省朗梨水文站的实测水位流量资料的拟合,对其有效性进行了探讨。     

BP神经网络模型拟合受回水影响的水位流量关系研究

对受回水影响的水文测站的水位流量关系采用核水文渊站的水位及其与下游形成回水处的水文测站之间的落差作为输入建立BP神经网络模型进行拟合.结果表明,BP神经网络对受回水影响的水位流量关系拟合效果好,可以进行推广应用.     

基于粒子群算法的水资源优化配置

本文基于可持续发展理论,以社会、经济和环境的综合效益最大为目标,建立了区域水资源优化配置模型.根据模型的特点,采用粒子群算法(PSO)对模型进行求解.针对粒子群算法的迭代原理,通过对粒子编码方法、适应度函数构造和约束条件处理等环节的改进,构成了用于多目标有约束条件模型求解的粒子群优化算法.不仅拓展了粒子群优化算法的应用领域,同时也为复杂多目标模型的求解提供了一种新途径.本文以北京市为例,借助本文提出的模型,得到了该市2010、2020和2030年三个水平年在50%保证率下的水量配置方案.优化结果表明,该算法应用于水资源优化配置中是合适的.     

板状体磁异常数据反演的PSO算法

粒子群优化(PSO)算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的算法,是一类随机全局优化技术,它通过粒子间的相互作用搜索复杂空间中的最优区域,其优势在于效率高,且又简单易实现。本文讨论了PSO算法用于板状体磁异常数据反演的方法,并与遗传算法(GA)进行了比较。理论和实测磁异常数据反演的结果表明,PSO算法具有更高的找寻最优解效率,是一种很有潜力的位场反演工具。     

水文地质参数反演的Hooke-Jeeves粒子群混合算法

水文地质参数寻优结果的好坏会直接影响到地下水数值模拟的精度,而参数寻优结果很大程度上取决于寻优方法的选择。粒子群算法是一种基于群智能的随机全局寻优方法,算法的缺陷是后期搜索效率低劣。基于随机寻优算法的混合策略,引入有效的约束处理手段和粒子群算法惯性因子的动态非线性调整技术,有机融合粒子群算法与Hooke-Jeeves方法,提出一种适用于水文地质参数反演的HJPSO混合算法。应用研究表明,HJPSO混合算法在参数反演计算中求解精度高、收敛速度快、寻优性能强,是一种值得推广的水文地质参数识别方法。     

改进型粒子群算法及其在GPR全波形反演中的应用

探地雷达作为高精度的物探工作方法,其主要目的是反演解释地下结构的物性参数。笔者提出社会学习型粒子群优化反演方法,它以信号均方误差为目标函数,用时域有限差分方法作正演,并且针对反射波信号较弱、反演效果不佳的情况设计了对正演结果进行振幅补偿的方法,对反射波的振幅进行增益,以提高反演精度。通过与经典粒子群优化反演方法的结果对比,说明了该算法在准确度以及效率方面都有相当大的提高。经过分析多层介质仿真数据的一维反演结果,说明了该算法对多参数反演的有效性和良好的抗噪性。     

基于微粒群算法的大坝材料参数反分析研究

将微粒群算法应用于大坝参数反分析，同时分析了群体规模对算法的搜索效率和搜索质量的影响以及微粒群反分析算法的数值稳定性。对算例的分析结果表明，基于微粒群算法的大坝参数反分析方法简便易行，收敛精度高，且具有很好的抗噪音能力，是一种新的有效、可靠的参数反分析方法。     

位移反分析的粒子群优化-高斯过程协同优化方法

针对采用随机全局优化技术进行岩土工程位移反分析存在数值计算量大、效率低的问题,将粒子群优化算法与高斯过程机器学习技术相结合,提出了位移反分析的粒子群优化-高斯过程协同优化方法。该方法利用全局寻优性能优异的粒子群优化算法进行寻优的基础上,采用高斯过程机器学习模型不断地总结历史经验,预测包含全局最优解的最有前景区域,通过提高粒子群搜索效率并降低适应度评价次数,进而有效地降低位移反分析过程中的数值计算工作量。多种测试函数的数学验证和工程算例的研究结果表明该方法是可行的,与传统方法相比较,可显著地降低位移反分析的计算耗时。     

Application of a particle swarm optimization algorithm for determining optimum well location and type

Determining the optimum type and location of new wells is an essential component in the efficient development of oil and gas fields. The optimization problem is, however, demanding due to the potentially high dimension of the search space and the computational requirements associated with function evaluations, which, in this case, entail full reservoir simulations. In this paper, the particle swarm optimization (PSO) algorithm is applied for the determination of optimal well type and location. The PSO algorithm is a stochastic procedure that uses a population of solutions, called particles, which move in the search space. Particle positions are updated iteratively according to particle fitness (objective function value) and position relative to other particles. The general PSO procedure is first discussed, and then the particular variant implemented for well optimization is described. Four example cases are considered. These involve vertical, deviated, and dual-lateral wells and optimization over single and multiple reservoir realizations. For each case, both the PSO algorithm and the widely used genetic algorithm (GA) are applied to maximize net present value. Multiple runs of both algorithms are performed and the results are averaged in order to achieve meaningful comparisons. It is shown that, on average, PSO outperforms GA in all cases considered, though the relative advantages of PSO vary from case to case. Taken in total, these findings are very promising and demonstrate the applicability of PSO for this challenging problem.     

基于粒子群优化的岩土工程反分析研究

岩土工程优化反分析本质上看是一个典型的复杂非线性函数优化问题,采用全局优化算法是解决这个问题的理想途径,但由于优化反分析中多次调用正分析的特点使得整个算法的计算效率很低。为了提高优化反分析的计算效率,把一种计算效率更高的新型仿生算法--粒子群优化引入岩土工程反分析领域,提高反分析的计算效率。在此基础上,结合有限元数值分析技术,提出了一种新的岩土工程优化反分析算法--粒子群优化反分析。并通过一个简单算例验证了该法的有效性。     

矿山边坡地表变形的PSO-ELM预测模型

为提高矿山边坡地表变形预测模型的精度,从矿山边坡地表变形影响因素角度考虑,建立了基于粒子群优化（PSO）极限学习机（ELM）的矿山边坡地表变形预测模型。结合经典的粒子群优化算法和极限学习机方法,提出矿山边坡地表变形影响因素同地表变形数值之间的耦合关系;采用中煤平朔安家岭露天矿区矿山边坡地表变形及影响变形因素的采集数据,应用ELM建立预测模型,并应用PSO对ELM预测模型的输入层与隐含层的连接权值、隐含层阈值进行优化,以提高其预测精度。研究表明,经过PSO的优化,将预测模型的最大相对误差（4.705×10-8）、均方误差（6.243×10-5）及均方根误差（0.008）等预测误差参数分别降低到1.516×10-8,1.158×10-5和0.003,说明PSO-ELM预测模型具有更高的预测精度,该预测模型可在后续研究中进一步应用于矿山边坡地表变形预测中,以期提升矿山生产安全。      

基于仿生原理的粒子群算法求解江安校区水动力弥散系数

水动力弥散系数是研究地下水溶质运移的一个重要参数。为了解污染物在地下水中的运移规律,利用基于仿生学原理的粒子群算法,求解四川大学江安校区弥散试验场中的潜水含水层天然流场下的水动力弥散系数,并与最小二乘法和标准曲线对比法的计算结果相比较。研究结果表明,标准曲线法的计算结果受人为主观影响误差较大;最小二乘法计算结果与实测数据拟合较好,但计算过程相对复杂;粒子群算法的求解精度最高,计算更快,具有良好的收敛性,是一种可靠的求解方法。      

基于平均线性粒子群算法的人工神经网络在径流预报中的应用

人工神经网络具有很强的非线性处理能力,能够有效地模拟复杂的非线性径流预报过程。传统的基于BP训练算法的人工神经网络具有训练时间较长,容易陷于局部最优值等缺陷,本文对训练算法加以改进,分别使用平均线性粒子群,粒子群和BP算法来优化人工神经网络的各项参数,首先使用标准函数测试了3种算法的全局优化性能,然后用它们对三峡水库的入库径流进行预报,以比较它们的预报性能。结果表明,在3种算法中,平均线性粒子群算法全局寻优的速度最快,稳定性最高,基于平均线性粒子群算法的人工神经网络的径流预报的精度也最高。