粒子群算法在新安江模型参数率定中的应用

选用1997年中国水文预报竞赛中降雨、蒸发、径流数据,重点研究在应用粒子群优化算法(PSO)率定新安江模型参数时,PSO算法中惯性权重、加速度常数和种群规模3个参数对算法性能的影响,并优选出适合于该问题的最优PSO参数区间。在此基础上率定出与研究流域匹配的新安江模型参数,定量评价了降雨径流模拟效果的优劣。另外,对PSO算法的效率和稳定性进行了简要分析。研究结果表明,PSO算法率定新安江模型参数的收敛效率较传统方法明显提高,稳定性普遍较好。     

粒子群算法参数设置对新安江模型模拟结果的影响研究

合理的粒子群算法(Particle Swarm Optimization Algorithm,PSO)的参数设置,可以提高算法的优化效率、避免陷入局部最优值,但常用参数设置对于特定优化问题,如新安江模型模拟,不具普适性。为分析种群规模pop、惯性权重w、学习因子c1和c2以及速度位置相关系数m这5个粒子群参数对新安江模型模拟结果的影响,对每个参数取5个不同水平,应用L25(56)正交表,设计了正交试验。通过对试验结果进行分析,得出了参数对PSO算法性能的影响能力和最优的参数组合方案(pop=80,w=1.3~0.4线性递减,c1=1.85,c2=2.5,m=0.05)。通过极差分析和方差分析,得出参数pop和w对模型模拟结果具有高显著性,其他三个参数对模型模拟结果不显著。将不同PSO参数组合应用于新安江模型模拟,证明了合理的PSO算法参数设置可以有效提高新安江模型模拟精度。通过对各因素分别进行趋势分析,得到了因素取值变化趋势与模型结果变化趋势的相关关系。本文提出的方法为如何寻找某一特定应用情景下的PSO算法参数组合提供了一种借鉴。     

基于改进Tent映射的自适应变尺度混沌粒子群算法

为改善标准粒子群优化算法本身存在的缺陷,引入种群混沌初始化方法、参数自适应调整策略、早熟判断机制以及基于改进Tent映射的变尺度混沌局部搜索方法对原有算法进行改进,提出一种基于改进Tent映射的自适应变尺度混沌粒子群算法(Improved Adaptive Chaos PSO,IACPSO)。多种高维Benchmark函数的计算结果表明,IACPSO算法在计算精度、优化稳定性及收敛速度方面均明显优于其他改进粒子群优化算法。     

基于改进PSO算法的水轮机PID调速器的参数设计

为了提高水轮机PID调速器的控制质量,引入PSO算法优化PID控制器的部分参数,针对传统粒子群算法的不足,引入自适应惯性权重调整因子对粒子速率更新策略进行改进,同时结合微分进化算子提高种群多样性,扩大PSO算法搜索解空间的能力,仿真实例表明,改进后的PSO算法收敛速度快,稳定性好,复杂程度低,具有良好的全局搜索能力。经过该算法优化过的PID调速器对负荷扰动具有较强的鲁棒性。     

基于PSO与DE混合算法的水资源优化配置

基于公平性原则构建水资源优化配置模型,针对模型的特点,将模型的可行解进行粒子化处理。利用基于粒子群(PSO)和差分进化(DE)的混合算法(PSODE)对模型进行求解。该算法通过双种群间的信息共享机制,大大降低了求解陷入局部最优的风险。此外,还采用了一种粒子变异机制进一步提高PSODE算法的性能,并通过漳河流域四大灌区水资源配置实例表明PSODE算法比PSO和DE算法收敛速度更快、准确度更高。     

改进PSO法在马斯京根模型参数估计中的应用

提出了一种改进的粒子群算法(PSO),在保持基本粒子群算法进化原理基础上,考虑坏粒子即适应值最差的粒子在进化过程中所具有的有用信息,对部分粒子的进化模式进行改进.本方法丰富了粒子进化的多样性,能有效地克服基本粒子群算法易早熟的缺点.应用实例表明,同其他算法相比,该算法的计算精度较高,且编程易实现,因此可广泛应用于求解多种模型参数的优化问题,为准确估计非线性马斯京根模型参数提供了一种有效的方法.     

水库发电优化调度改进粒子群算法应用

为进一步提升粒子群算法在水库发电调度中的应用效果，应用粒子群算法建立水库发电优化调度模型，从初始种群生成、寻优模式、更新策略等方面对算法进行改进，将均匀设计理念和混沌理念分别引入粒子群算法并对惯性权重进行了非线性自适应设计。计算结果与标准粒子群算法以及传统的动态规划进行了对比。结果表明，粒子群及其改进算法在水库发电优化调度中应用效果良好，综合考虑算法收敛能力、稳定性及计算耗时等指标，改进粒子群算法具有较高的实用价值。     

基于改进粒子群算法的坝体位移监控模型

在基本粒子群算法的基础上,提出了一种基于以e为底的指数函数的惯性权重策略的改进粒子群算法。将粒子群算法引入大坝安全监控领域,并结合坝体位移的多元回归统计模型,建立基于改进粒子群算法的大坝安全监控模型,并应用于新安江大坝的安全监测。实际应用表明,改进粒子群算法与最小二乘法、基本粒子群算法相比,预报结果精度较高且收敛速度较快。     

粒子群算法在新安江模型参数率定中的应用：性能分析及参数选择

本文采用测试流域的实测降雨、蒸发、径流数据，重点研究在应用PSO算法率定新安江模型参数过程中，PSO算法本身参数的设定对整个率定过程的影响，并给出针对该问题的最优PSO算法参数区间。尽管PSO算法在各种不同问题的应用过程中并不存在普适的参数组合，本文找寻的最优参数组合也只是针对在应用PSO算法率定新安江模型参数过程中的一组性能较好的算法参数组合，但是本文为如何找寻适合特定应用情况下的PSO算法参数的做法给出了一种借鉴。另外，本文根据选取的适应于新安江模型参数率定的最优PSO算法参数将率定过程运行50次，以此分析了PSO算法的效率和算法的稳定性。     

基于改进粒子群算法的大坝监控加权统计模型

用于大坝安全监控的加权统计模型主要依据工程经验确定各因子的权重,这种求解方式易导致部分因子信息的缺失。根据大坝安全监测数据,应用粒子群算法可优化确定加权统计模型中各参数的最优解,但对于高维度优化问题,该算法存在收敛速度慢、易陷入局部最小等不足。针对这些不足,考虑粒子种群平均位置信息的影响,提出一种新的改进粒子群算法,利用单体与种群平均位置的距离信息确定两者之间的学习因子。土石坝工程实例分析结果表明:改进粒子群算法加强了种群跳出局部最小的能力,所得加权统计模型的权重符合工程实际情况。尤其在大坝运行初期,监测资料较少的情况下,基于改进粒子群算法的大坝监控模型具有较高的预测精度和预报能力,可为大坝监控领域提供一种新的数据分析方法。     

改进的粒子群算法在水库优化调度中应用

针对水库优化调度中存在的规模庞大、结构复杂,涉及大量的决策变量和复杂的约束条件,呈现出高维度、非线性、强约束特性,传统的优化方法难以直接求解或者计算效率低,存在早熟等问题。为了提高粒子群算法全局搜索能力和收敛性能,把下山搜索策略引入到粒子群智能算法中,提出了改进的粒子群算法。函数测试证明该方法改进了算法的鲁棒性,提高了算法求解效率。上述优化算法应用于水库优化调度模型求解中,计算结果表明:该方法易于实现,求解效率高,为水库优化调度模型求解提供了新的途径。     

Improved particle swarm optimization algorithm for multi-reservoir system operation

In this paper, a hybrid improved particle swarm optimization (IPSO) algorithm isproposed for the optimization of hydroelectric power scheduling in multi-reservoir systems. The conventional particle swarm optimization (PSO) algorithm is improved in two ways: (1) The linearly decreasing inertia weight coefficient (LDIWC) is replaced by a self-adaptive exponential inertia weight coefficient (SEIWC), which could make the PSO algorithm more balanceable and more effective in both global and local searches. (2) The crossover and mutation idea inspired by the genetic algorithm (GA) is imported into the particle updating method to enhance the diversity of populations. The potential ability of IPSO in nonlinear numerical function optimization was first tested with three classical benchmark functions. Then, a long-term multi-reservoir system operation model based on IPSO was designed and a case study was carried out in the Minjiang Basin in China,where there is a power system consisting of 26 hydroelectric power plants. The scheduling results of the IPSO algorithm were found to outperform PSO and to be comparable with the results of the dynamic programming successive approximation (DPSA) algorithm.     

基于分段粒子群算法的梯级水库多目标优化调度模型研究

提出了约束破坏向量、分段粒子群算法以及多目标分段粒子群算法,有效解决了在时间步长较小、计算时段数目较多时,传统智能优化算法解水库优化调度问题的寻优效率低下甚至无可行解的问题。该方法基于粒子群算法框架,引入约束破坏向量、分段操作和特殊变异操作来增强进化过程中的种群质量,从而提高算法的计算效率。闽江流域金溪梯级水库多目标优化调度的实例分析表明,在解时间步长较小、计算时段数目较多的水库优化调度问题时,分段粒子群算法、多目标分段粒子群算法相对其他算法具有明显优势。     

基于C-PSO算法的混凝土面板堆石坝断面优化设计

针对基本粒子群算法(PSO)寻优过程中存在收敛速度慢、易陷入局部最优和计算精度差等缺陷,采用分簇思想和碰撞策略,提出了一种改进的粒子群算法(C-PSO),在该算法中,粒子通过分簇并行搜索,有效避免了群体过度集中现象,极大地增强粒子全局搜索能力。将C-PSO算法应用于混凝土面板堆石坝断面优化设计中,优化结果表明,该算法对解决复杂的多变量多约束非线性问题具有较好的适应性,为复杂的混凝土面板堆石坝断面优化设计问题提供了新的解决思路。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

Multi-objective reservoir operation using particle swarm optimization with adaptive random inertia weights

Based on conventional particle swarm optimization(PSO), this paper presents an efficient and reliable heuristic approach using PSO with an adaptive random inertia weight(ARIW) strategy, referred to as the ARIW-PSO algorithm, to build a multi-objective optimization model for reservoir operation. Using the triangular probability density function, the inertia weight is randomly generated, and the probability density function is automatically adjusted to make the inertia weight generally greater in the initial stage of evolution, which is suitable for global searches. In the evolution process, the inertia weight gradually decreases, which is beneficial to local searches. The performance of the ARIWPSO algorithm was investigated with some classical test functions, and the results were compared with those of the genetic algorithm(GA), the conventional PSO, and other improved PSO methods. Then, the ARIW-PSO algorithm was applied to multi-objective optimal dispatch of the Panjiakou Reservoir and multi-objective flood control operation of a reservoir group on the Luanhe River in China, including the Panjiakou Reservoir, Daheiting Reservoir, and Taolinkou Reservoir. The validity of the multi-objective optimization model for multi-reservoir systems based on the ARIW-PSO algorithm was verified.     

基坑变形预测的改进供需优化算法-指数幂乘积模型

为提高基坑变形预测精度,提出改进供需优化算法-指数幂乘积基坑变形预测模型(ISDO-EPP模型)。通过6个标准测试函数和3个应用实例对ISDO算法的寻优能力进行验证,并与基本供需优化(SDO)算法、鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、蛾群算法(MSA)、粒子群优化(PSO)算法的寻优结果进行比较。以3个基坑沉降预测为例,通过自相关函数法和虚假最邻近法确定各实例延迟时间和嵌入维数,构造输入、输出向量对各模型进行训练和预测。结果表明,ISDO算法搜索能力优于SDO等5种算法,具有较好的寻优精度、全局搜索能力和稳健性能。ISDO-EPP模型对3个实例预测的平均相对误差绝对值分别为0.73%、3.36%和1.33%,均优于ISDO-SVM、ISDO-BP模型,表明ISDO算法能有效优化EPP模型参数,ISDO-EPP模型用于变形预测是可行和有效的。     

基于混合粒子群算法的梯级水电站多目标优化调度

提出多目标混合粒子群算法以解决梯级水电站多目标联合优化调度模型求解的难题。该算法采用混合蛙跳算法的分组－混合循化优化框架,增强算法全局搜索能力,在族群内通过粒子群算法高效灵活的飞行调整策略指导个体进化,同时,引入外部精英集,建立一种基于自适应小生境的外部精英集维护策略,提高算法的收敛性和非劣解集的多样性。最后将该算法应用于三峡梯级水电站多目标优化调度工程应用实例,结果表明,本文算法能够获得计算实时性强、分布均匀、收敛性好的调度方案集,并以此分析明确了调度目标间的耦合关系,为梯级电站的多目标调度决策提供了科学依据。     

混沌粒子群优化算法在确定含水层参数中的应用

以泰斯公式为例,将混沌粒子群优化算法应用于求解分析抽水试验数据,解决含水层参数的函数优化问题.通过在粒子群算法的初始化粒子位置及后续的细搜索过程中加入混沌序列,提高了算法的收敛速度和精度.数值实验结果表明:混沌粒子群算法能够有效地应用于求解含水层参数计算问题;粒子数的增多对混沌粒子群算法收敛性的影响不明显;待估导水系数选取不同的倍数均体现出混沌粒子群算法的收敛性明显优于粒子群优化算法.混沌粒子群算法应用于确定含水层参数是可行的.     

飞蛾火焰优化算法在承压含水层参数反演中的应用

通过10个典型低维函数对一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法进行仿真验证,并与粒子群优化(PSO)算法的寻优结果进行对比。以无界井流问题及直线隔水边界附近井流问题的解析解为基础,将MFO算法应用于分析抽水试验数据,进行反演承压含水层参数,并以2个实例对MFO算法进行验证。结果表明:MFO算法在低维函数极值寻优问题上具有较好的收敛精度和全局寻优能力,寻优精度较PSO算法提高了7个数量级以上。MFO算法对2个实例的反演精度较文献改进SA算法等提高了56.5%以上,具有较好的稳健性能、收敛速度和全局寻优能力。利用MFO算法对承压含水层参数进行反演,可获得比相关文献更高的反演精度,不但为精确估计承压含水层参数提供了有效方法,而且拓展了MFO算法在地下水模型参数反演中的应用,具有良好的应用价值和前景。