共查询到10条相似文献,搜索用时 15 毫秒
1.
水文地质参数的正确与否是构建地下水数值模型的根本,而参数寻优结果很大程度上取决于优化算法的选择。禁忌搜索算法是一种广泛应用于组合优化问题的启发式全局寻优算法,但在连续函数优化领域应用比较少。基于上述考虑,本文首先引入求解连续函数优化问题的连续禁忌搜索算法并对其进行改进,进而提出一种连续禁忌搜索改进算法(ICTS),最后将其与地下水模型耦合进行水文地质参数识别。算例研究表明,ICTS算法较其他算法(CTS,SGA,Micro-GA,PSO)求解效率提高1.87~4.64倍,求解精度提高1.08~12.86倍。因此ICTS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。 相似文献
2.
3.
应用并行PEST算法优化地下水模型参数 总被引:1,自引:0,他引:1
基于列文伯格-马夸尔特(Levenberg-Marquardt)算法的PEST参数优化程序具有寻优速度快、健壮性好的优点,在地下水模型参数优化研究中有许多成功的应用实例。但是,对于大尺度、高精度和高复杂性的大规模地下水模拟,使用PEST进行参数优化需要大量的计算时间,优化效率较低。本文应用OpenMP并行编程方法对PEST算法进行了并行化,使之可以在共享存储并行计算机上进行参数优化的并行计算。并将此方法应用于甘肃北山区域地下水模型的参数优化中,并行实验表明,使用并行化的PEST可以将地下水模型参数优化效率提高3.7倍。
相似文献
4.
《岩土力学》2016,(Z2):578-588
提出基于贝叶斯理论的抗剪强度参数最优Copula函数识别方法,首先简要介绍了基于Copula函数的岩土体抗剪强度参数相关结构表征方法,给出常用的识别最优Copula函数的最小平方欧氏距离法和AIC(akaike information criterion)准则。其次,采用蒙特卡洛模拟方法验证了贝叶斯理论识别最优Copula函数的有效性,比较了3种方法的最优Copula函数识别能力,并分析了影响贝叶斯理论识别精度的主要因素。最后,收集了实际工程共23组抗剪强度参数试验数据,研究了贝叶斯理论在抗剪强度参数最优Copula函数识别中的应用。结果表明,贝叶斯理论能够有效地识别表征抗剪强度参数间相关结构的最优Copula函数,且能有效考虑先验信息对识别结果的影响;与传统的最小平方欧氏距离法和AIC准则相比,贝叶斯理论的识别能力和识别精度都更高;抗剪强度参数的样本数目、相关性大小、真实Copula函数类型以及先验信息都对贝叶斯理论的识别精度具有重要的影响。此外,常用的Gaussian Copula函数并不总是表征抗剪强度参数间相关结构的最优Copula函数。 相似文献
5.
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。 相似文献
6.
渗透系数参数反演的本质是优化问题求解,遗传算法是一种基于自然选择和群体遗传机理的新的全局优化求解方法,可以较好地用于求解诸如渗透系数参数反演等复杂非线性组合优化问题。基于结构风险最小化原理的支持向量机具有逼近复杂非线性系统、较强的学习泛化能力,可以用来计算渗透系数参数反演过程中的测点水头值。实验表明,基于遗传算法-支持向量回归机的地下水渗透系统参数反演拟合效果良好,能大大提升区间搜索效率,避免出现局部最优解,其参数识别精度符合实际应用要求。 相似文献
7.
基于区域分解法的水文地质参数寻优研究 总被引:2,自引:0,他引:2
在建立地下水流模型的过程中,水文地质参数寻优一直是较为复杂的步骤之一,具体难点包括寻优方法的取用,为保持总体平衡所引起的参数峰值异常以及总体寻优需要大量的计算机时等问题。本文运用区域分解法(Domain Decomposition method,DDM)的基本思想,将整个区域的参数寻优问题分解为各参数分区内的子域问题求解,通过寻找整个区域上的Nash均衡最终获得各子域上的最优参数。实验算例及其结果证明应用该方法实现水文地质参数自动寻优,不但具有高度的可靠性,同时优化问题的规模减小。此举不但减少了求解过程所需要的CPU时间,而且提高了参数拟合度。 相似文献
8.
9.
10.
贝叶斯网络分类器,已经广泛应用于各种分类问题。对于固定的贝叶斯网络结构,可以通过生成参数和判别参数2种方法进行学习。生成参数学习效率较高但是分类精度较低,而判别参数学习与之相反。通过对数据集中参数出现频率计算来进行参数学习,并加入一个判别参数来加强实例属性与分类目标值之间的关联性,在此基础上提出了一种简单、快速、有效的判别频率估计(DFE)算法。实验结果表明:在油水层模式识别当中,这种判别频率估计方法相对于其他算法在分类精度上能够提高5%~10%。 相似文献