凌汛开河历时预测模型研究

将小波函数作为BP神经网络隐含层节点的传递函数,提出了预测冰凌开河历时的小波神经网络模型。实例应用结果表明:该模型具有收敛速度快、预测精度高等特点,克服了单一BP神经网络在预测中极易陷入局部极小点等缺点,模型预测结果更接近实际值,其相对平均误差比单一BP神经网络和模糊神经网络分别降低了2.24%和4.83%。     

基于改进粒子群算法优化BP神经网络的西江水质预测研究

为了提高西江水质预测的精度,提出一种改进粒子群算法优化BP神经网络的水质预测模型。首先,为提高PSO算法的收敛速度并避免其陷入局部最优,PSO算法种群被划分为普通子群、优良子群和较差子群,提出一种云模型改进PSO惯性权重的云模型粒子群算法;其次,针对BP神经网络存在收敛速度慢和局部最优的问题,运用云模型粒子群算法迭代寻优获取BP神经网络的最佳初始权值和阈值;再次,将影响地表水质等级的主要因素作为CPSO-BP的输入,水质等级作为CPSO-BP的输出,建立CPSO-BP的水质等级预测模型。以西江2011年-2018年的水质监测数据为研究对象,与PSO-BP、GA-BP、DE-BP和BP模型进行了对比,研究结果表明,CPSO-BP水质预测的精度最高,且具有更快的收敛速度。     

基于粒子群最优化下BP神经网络的短期电价预测(英文)

根据电力市场的相关历史数据准确地预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义.在建立了一种粒子群优化(PSO)下的BP神经网络电价短期预测模型的基础上,采用PSO进化算法,反复抽取训练子集样本,通过对应的验证样本预测误差寻找近似最有代表性的训练子集,解决了模型的训练样本参数难以设置的问题.实验验证了该预测模型的有效性,结果表明处理好预测模型样本参数的选择问题,能够提高模型的稳定性及预测精度.     

利用水位变化的黑龙江开河方式和开河日期预报

天然河道发生武开河时容易产生冰塞冰坝,造成凌汛灾害。在分析破冰水位和实测日水位的基础上,提前准确预报开河方式和开河日期并及时采取相应防范技术,是防凌减灾的一项重要非工程措施。基于冰盖挠度破坏原理,在利用水位变化判断开河模式的研究基础上将一维冰厚模型的度日法进行优化,计算河道冰厚变化,预报2015—2018年黑龙江开河方式及开河日期。结果表明:开河日期预报除2017年预报值和实测值误差1天,其余年份均完全相同;开河方式预报除因2018年开河水位过低导致水动力不足影响到预报的准确度外,其余年份预报值和实测值相同。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

基于遗传粒子群算法的水闸底板优化设计

为获得最佳的水闸底板设计方案,降低建造材料用量,对水闸底板尺寸进行优化设计。首先,以水闸底板总截面积为目标函数,底板抗滑稳定、底板基底应力为约束条,以底板尺寸为优化变量建立水闸底板尺寸优化数学模型;其次,提出了一种耦合粒子群优化算法和遗传算法的遗传粒子群算法,用于优化求解水闸底板尺寸优化数学模型。选取狮子山水闸为分析对象,计算结果表明：遗传粒子群算法对狮子山水闸底板尺寸的优化率为11.44%,其对于狮子山水闸底板尺寸的优化效率明显优于粒子群优化算法和遗传算法。     

黄河内蒙古段开河日期预报模型及应用

对黄河内蒙古段的冰情特点进行分析,选用1970—1971年度至2007—2008年度共38个冬季的冰情资料,提取合适的预报因子,分别采用人工神经网络模型和多元线性回归模型,对黄河内蒙古段的开河日期进行预报。结果表明,神经网络模型和多元线性回归模型预报样本合格率分别为86.7%和80.0%,神经网络模型的预报精度高于多元线性回归模型,更适用于黄河内蒙古段开河日期预报。     

基于粒子群算法的BP模型在地下水位埋深预测研究中的应用

地下水水位埋深是影响河套灌区生态环境的主要因素,开展地下水位埋深预测研究对灌区远景发展规划与用水管理具有现实指导意义。本文采用基于粒子群算法的BP神经网络模型(PSO-BP),对河套灌区永济灌区地下水位埋深进行了预测模拟,相对于传统BP模型纳什效率系数NSE (0.791), PSO-BP模型NSE(0.887)提高了12%。表明, BP神经网络可以有效处理地下水位埋深与其影响因素之间的复杂非线性问题,同时粒子群算法可以提高模型的预测精度。     

基于粒子群算法优化BP神经网络的沙颍河流域需水预测

需水预测作为水资源供需分析中的重要环节,准确的需水预测能够为水资源管理政策制定、区域水资源配置、流域水资源调度等提供科学依据。以沙颍河流域为研究对象,基于粒子群优化算法的神经网络模型,对沙颍河流域需水进行预测,以期为流域需水预测提供参考。     

黄河头道拐站开河日期预测的LSSVM方法

根据实测冰情数据分析发现,可将冰盖厚度演变过程作为预测头道拐站的开河日期的主要依据,同时还应考虑封冻期气温、流量等对冰盖厚度的持续性和累积性影响。据此提出了一种应用数据挖掘技术和LSSVM进行头道拐站开河日期预测的新方法。应用LSSVM模型对头道拐站2010年、2011年和2012年开河日期的预测结果表明,可在封冻期内任一冰盖厚度测量日期利用上述方法对该站的开河日期进行预测,有效延长了预见期,且在3月6日前的预测值均满足许可误差合格率的要求。根据LSSVM模型预测误差呈波动性变化的特点,提出了预测开河日期的均值法,可使开河日期预测精度得到显著提高。     

基于动态微粒群算法的神经网络模型及应用研究

通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。     

基于神经网络理论的开河期冰坝预报研究

在北方高寒地区的天然河道,开河期冰坝形成和导致凌汛的机理复杂,目前的冰水动力学模型难以模拟和预报其发生、发展和溃决的过程,可用的冰坝预报多采用传统的统计学方法和经验判别式法,为应对严重的防凌形势,迫切需要找到冰坝预报的新方法。本文在对开河期冰坝成因及机理研究的基础上,建立了基于神经网络理论的冰坝预报模型,并将其应用到黑龙江上游凌汛灾害频发的漠河江段冰坝预报中。通过神经网络聚类法预报冰坝是否发生,神经网络聚类法预报精度为85%,高于传统统计学的几率分析法62%的预报精度。通过预报开河日期实现了对冰坝发生时间的预报,开河日期预报平均预见期为10天,最大误差2天,预报合格率100%。该模型提前准确预报2017年黑龙江漠河江段开河冰坝发生情况。及时、准确的冰坝预报能为提前制订主动防凌方案和采取必要防凌措施提供重要的依据。     

基于BP神经网络和遗传算法的丰满水库洪水预报模型研究

根据丰满水库的流域特性,尝试使用BP神经网络模型进行洪水预报。针对随机生成网络权重的盲目性,采用遗传算法进行初始权重优化。通过历史洪水检验,证实此模型在丰满水库的洪水预报中有很高的预报精度和应用价值。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于整数编码粒子群算法的树状供水管网优化

以管网年费用折算值为目标函数,以管网布置形式及管径为优化参数,建立了树状供水管网的优化设计模型.利用基于整数编码的粒子群算法对这一模型进行了求解,该方法以某一管网连接状态及各管段管径作为粒子群个体,采用整数编码,通过不断地更新粒子的位置来搜索最优的管网结构及管径值,实现了对管网布置形式及管径的同时优化.优化过程中,对进化过程中产生的不可行解进行处理,提高了优化效率.实例表明,将粒子群算法应用于树状管网优化设计中可以获得更好的优化结果和效率.     

基于文化粒子群算法的水库防洪优化调度

针对水库防洪调度具有多约束、高维、非线性和不易求解的特点,在粒子群算法(PSO)的进化机制中引入文化算法(CA),利用文化算法的信仰空间对粒子群的进化进行指导,建立了文化粒子群算法(PSO-CA)。该算法在种群空间中采用PSO算法,在信仰空间中利用从种群空间中提炼出来的群体经验所形成的形势知识对群体的"早熟"现象进行监视,利用规范化知识对粒子加以限定,提高了算法计算效率。实例验证,该算法能较好地克服粒子群算法易陷入局部最优的缺点,并加快其收敛速度,可以有效解决水库防洪调度问题。     

鸡群优化算法-投影寻踪洪旱灾害评估模型

利用15个复杂函数对鸡群优化算法进行仿真验证,并同狼群算法、粒子群算法、鱼群算法和遗传算法进行对比。利用鸡群优化算法搜寻投影寻踪模型最佳投影方向,建立鸡群优化算法-投影寻踪洪旱灾害评估模型。以文山州1990—2013年洪旱灾害评估为例,分别选取受灾人口等5个洪灾评估指标及农作物受灾面积等4个旱灾评估指标,利用洪旱灾害投影系列均值及标准差构造洪旱灾害评估分级标准对实例进行评估。结果表明:鸡群优化算法具有较好的计算鲁棒性和全局寻优能力。将该算法用于投影寻踪模型最佳投影方向的选取,可有效提高评估精度,避免最佳投影方向寻优结果变化范围过大的缺陷。     

基于文化粒子群算法的水库防洪优化调度

针对水库防洪调度具有多约束、高维、非线性、不易求解的特点,在粒子群算法（PSO）的进化机制中引入文化算法（CA）,利用文化算法的信仰空间对粒子群的进化进行指导,建立了文化粒子群算法（PSO-CA）。该算法在种群空间中采用PSO算法,在信仰空间中利用从种群空间中提炼出来的群体经验所形成的形势知识对群体的“早熟”现象进行监视,利用规范化知识对粒子加以限定,提高了算法计算效率。实例验证,该算法能较好地克服粒子群算法易陷入局部最优的缺点,并加快其收敛速度,可以有效解决水库防洪调度问题。     

基于粒子群优化算法的灌溉渠道配水优化模型研究

本文对定流量、变历时运行的渠道轮灌优化配化模型进行了改进,应用粒子群优化算法(Particle Swarm Optimization,PSO)进行了配水渠道流量最优化的0-1整数规划模型求解。PSO算法采用二维数组编码方法,构造了相应的适应度函数,编制相应的计算机求解程序。计算结果表明,本文采用PSO算法的优化配水模型所得出的轮灌组引水持续时间均匀性略优于现有其他方法。     

基于粒子群算法的水文模型参数多目标优化研究

在改进的粒子群算法基础上通过引入存档群体和拥挤距离机制,建立了基于粒子群算法的多目标算法,并将该算法应用于新安江模型参数多目标优化计算中,得到了最优解的Pareto集合.通过多目标距离函数法从Pareto集中求出一组单一解.将多目标优选的结果与单目标优化结果进行比较分析.结果表明,多目标参数优选方法综合考虑了水文过程的各种要素,比单目标优选结果具有更高的模拟精度.