Matlab遗传算法工具GUI率定马斯京根模型参数

本文针对传统及改进马斯京根洪水演算模型,利用简单易行的Matlab遗传算法工具(gatool)GUI进行模型参数最优估计,获得不同优化准则下的模型参数,并进行检验.结果表明用Matlab遗传算法工具GUI优选改进后的马斯京根模型参数,收敛能力强、计算时间短、所得演算流量更接近实际.     

马斯京根模型参数估计方法探讨

以演算出流量与实测出流量的误差平方和最小为判据，直接推求了流量演进系数的最优估计值，而后反算参数ｘ，Ｋ，以适应于不同时段的流量演算。以实例证明了该法的可行性和较高的演算精度。     

基于模拟退火粒子群算法的河道洪水反流向演算

简单介绍了洪水演算的几种常用方法,提出了洪水反流向演算的困难,提出了采用模拟退火粒子群优化算法与马斯京根算法相结合解决洪水反流向演算的策略,并用实例证明是可行而有效的。     

马斯京根方程参数确定及其程序化实现

常用的试算法在确定马斯京根方程参数时一般得不到最优结果,且计算较繁杂。正是针对这缺陷,尝试应用搜索法来确定其参数,并将方法程序化,在洪水预报实例应用中,该方法所确定的参数值较试算法更优,也更简便,从而实现了求参过程的优化和简化。     

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。     

扩域搜索遗传算法优化马斯京根参数及其应用

马斯京根法作为河道洪水预报的重要方法,参数和系数的率定是关键和难点,直接影响其预报精度。在详细阐述扩域搜索遗传算法基本思想和性能分析的基础上,以模拟结果与实测值的误差最小作为进化目标,直接搜索马斯京根法预报方程系数,获得河道上下游流量关系方程。对黄河下游夹河滩至高村的洪水过程进行研究,传统方法的平均绝对误差为240 m³/s,平均相对误差为0.13;遗传算法的平均绝对误差为95 m³/s,平均相对误差为0.05。结果表明：遗传算法精度明显高于传统方法。在实际应用中,对于河道洪水波的传播规律性变化较大的河道,应根据不同量级洪水来模拟洪水的传播规律,并对相应量级的洪水进行预报。     

基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。     

马斯京根洪水演算方程参数确定的最小二乘法

本文根据线性回归的最小二乘法原理，提出了一种由实测洪水资料直接确定马斯京根洪水演方程参数Ｃ０、Ｃ１、Ｃ２的方法。该方法与目前广泛采用的试错法相比，具有计算的参数精度较高，计算过程可以程序化等优点。     

利用混沌粒子群算法确定河流水质模型参数

将混沌寻优思想引入到粒子群优化算法中,提出了混沌粒子群算法,这种方法利用混沌运动的随机性、遍历性和规律性等特性对当前粒子群体中的粒子进行混沌寻优。通过这种处理使得粒子群体的进化速度加快,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。并将混沌粒子群算法应用于求解分析瞬时投放示踪剂情况下的一维河流水团示踪试验数据以及确定河流水质参数的函数优化问题,结果表明,混沌粒子群算法的收敛性能明显优于粒子群优化算法。     

Anchoring Parameters Optimization of Tunnel Surrounding Rock Based on Particle Swarm Optimization

In the highway tunnel project, due to the uncertainty and complexity of geotechnical parameters, it is difficult to design and optimize the anchorage parameters. In order to solve this problem, based on the Zhenfengling tunnel project as the research object, 3D tunnel model was established by ANSYS software, the model was imported into FLAC^3D software for numerical analysis and calculation for the displacement and stress of surrounding rock during construction, using orthogonal experiment methods to analyze factors affecting the stability of surrounding rock. The influence of anchor length, anchor spacing, anchor diameter, the thickness and elastic modulus of spray layer on the displacement of arch waist, arch crown and arch bottom of the tunnel was obtained by using range and variance analysis. The regression model of the relationship between arch surrounding rock displacements and anchorage parameters was determined by fitting regression. The particle swarm optimization algorithm was used to optimize the anchorage parameters in combination with the tunnel section cost formula, and the parameters were compared with those not optimized. Finally, the anchor length is designed as 3 m, the anchor spacing is designed as 1.4 m, the anchor diameter is designed as 21 mm, the thickness of spray layer is designed as 24 cm, and the elastic modulus of spray layer is designed as 24 GPa. The stability requirements can be met, and the economic efficiency is also greatly improved. The cost of support with optimized parameters is 19.4% lower than that of the original design parameters.

     

马斯京根法参数的一种数学估计方法

应用最小二乘原理进行了马斯京根法参数的最优估计。这种数学估计方法避免了常用的度错法的盲目性和不确定性,并具有确定模型参数快速、最优和唯一性等特点。在实际河道洪水演算中取得了较好的应用效果。     

基于投影寻踪和粒子群优化算法的洪水分类研究

洪水分类实际上是洪水强度大小辨别的优化问题。洪水分类不仅影响着水库的实时调度，而且也影响着洪水灾害危险评估。对利用降水预报进行洪水资源利用的水库来说，洪水分类对水库实时调度规则的建立有着重要的作用。因此，洪水分类是一个重要的理论和实践问题。本文以长江三峡水库代表性水文站——宜昌站为研究对象．基于投影寻踪方法建立了洪水分类的优化模型，并利用粒子群优化算法对所建模型进行求解。结果表明了投影寻踪方法和粒子群优化算法在洪水分类研究中的有效性和合理性．     

基于粒子群快速优化MP算法的多子波分解与重构

针对地震信号多子波分解与重构技术中匹配追踪算法能够根据地震信号自身特点进行自适应分解、但其计算量庞大的问题,笔者提出一种粒子群快速优化算法,用于快速搜索地震信号稀疏分解的最优匹配原子。即在迭代过程中,将搜索区域确定在高斯函数能量集中的部分,避免了搜索过程的"贪婪性",能有效降低稀疏分解复杂度。同时,在粒子群算法中引入了一种多项式变异算子,可以有效避免搜索最优解的过度集中。实验结果证明,此算法将匹配追踪的分解精度提高了67倍,更使计算效率提高了153倍。     

粒子群优化适线法在水文频率分析中的应用

水文频率分析就是给各种水利工程提供具有概率含义的水文设计数据,以确定工程的规模、投资和效益.传统的水文频率计算方法一般都是假定总体服从P-Ⅲ型分布,然后采用适线法根据样本估计参数,进而推求设计值.因此,在概率分布线型确定的前提下,水文频率计算实际上就是根据样本资料估算其中包含的参数.从充分利用样本信息、增强参数估计方法的精确性和减少人为因素影响等方面考虑,本文提出了基于粒子群优化算法的优化适线法,并将该方法应用到年最大流量频率分析中.为了进一步了解该方法的统计特性,还将其与传统参数估计方法(矩法、权函数法、概率权重矩法)作了比较.实例表明,该方法能快速的完成参数寻优过程,并较好的寻找出参数的全局最优解.     

基于粒子群优化支持向量机的矿区土壤有机质含量高光谱反演

为了监测复垦矿区土壤的有机质含量, 综合利用光谱分析、统计学习理论与方法以及智能优化理论与方法, 研究了矿区复垦土壤有机质含量与土壤光谱之间的关系, 在此基础上建立了土壤有机质含量高光谱反演模型, 实现土壤有机质含量定量检测.首先对原始土壤光谱数据进行预处理, 然后进行相关性分析, 提取450 nm、500 nm、650 nm、770 nm、1 460 nm和2 140 nm作为特征波段, 最后利用多元线性回归(multiple linear regression, MLR)、偏最小乘回归(partial least squares regression, PLSR)和粒子群优化支持向量机回归(particle swarm optimization support vector machine regression, PSO-SVM)方法建立了土壤有机质含量的高光谱定量反演模型, 并对模型进行验证.3种模型的验证结果如下: MLR、PLSR和PSO-SVM模型的R2分别为0.79、0.83和0.85, RMSE分别为5.26、4.93和4.76.实验结果表明, 无论从模型的稳定性还是预测能力上, PSO-SVM都要优于其他两个模型.      

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.     

基于ELMO-CNN-BiLSTM-CRF模型的地质实体识别

地质实体是地质文本中的关键和核心信息,对其准确识别是地质信息提取和挖掘的重要前提.设计了ELMO-CNN-BiLSTM-CRF模型,基于预训练字向量构建深层BiLSTM-CRF神经网络模型,通过添加词语动态特征以及词语字符级别的特征,弥补字向量特异性缺失的问题,提高对于地质文本中复杂多词义的识别水平和对地质实体局部特征...