多维连续参数的随机试验蚁群算法优化反演分析

针对一般蚁群算法难以求解优化反演中的多维连续参数优化问题,借鉴进化思想,提出随机试验蚁群算法求解多维连续参数全局优化问题的方法。该方法主要运用随机试验求出每个参数的任一水平对目标函数的影响度,以此影响度为蚂蚁选择下一个参数水平的能见度,从而确定参数水平被选中的概率。同时考虑到当参数被划分的水平很多时目标函数收敛较慢的缺点,提出用方差分析法来确定参数的水平对目标函数的影响是否显著,将对目标函数影响不显著的参数水平其信息素设置为很小的值,从而加速目标函数的收敛。通过对一个岩土工程优化实例,表明了该算法的有效性。     

Pareto强度指标遗传算法求解地下水模拟-优化模型

针对地下水模拟-优化模型约束优化的特点,本文结合最小代数代沟模型和Pareto强度指标概念,引入一种求解地下水模拟-优化模型的新型实数编码遗传算法,该算法将罚函数法求解约束优化问题的目标函数和违反约束条件的程度函数的权组合方式改为向量组合形式,从而将约束优化问题转化为两目标优化问题进行求解。通过经典地下水算例与其他优化方法的比较分析表明了新算法的可靠性、通用性和稳健性。     

基于差分进化算法的微震定位

针对传统基于走时微震定位方法存在的定位精度依赖于走时精度问题,提出了改进定位目标函数的差分进化微震定位方法。基于传统微震P波走时定位方法,在定位目标函数中加入了误差加权系数,通过降低初至拾取精度低的微震信号道对定位误差的影响,减弱了初至拾取精度对微震定位的影响;利用差分进化算法,通过种群初始化、变异、交叉和选择等操作,求解改进的微震定位目标函数,实现微震定位;对模型数据和实测数据进行试处理,结果表明:改进的目标函数能明显降低误差较大分量对总误差的贡献;提出的改进定位目标函数的差分进化微震定位方法,在部分微震信号道走时拾取误差较大甚至错误的情况下,能很大程度减弱拾取误差对定位精度的影响,可以获得较好的定位结果。      

基于粒子群优化算法的未知波速声发射定位数值模拟

针对岩石力学试验中基于时差定位算法中声发射定位精度受岩石波速等诸多因素的影响问题,提出基于粒子群优化的未知波速声发射定位算法。该算法将岩石波速作为未知值,根据拾取到的时差建立基于最小二乘法原理的目标函数,利用粒子群优化算法,求解目标函数,寻得目标位置和波速。权重系数是影响该算法精度及其稳定性的重要因素,首先通过数值试验模型确定最优权重系数为0.729 8,可以满足算法精度及其稳定性。数值仿真结果表明,由选取的权重系数最后计算精度高于传统已知波速算法。为验证该算法的实际应用效果,进行断铅试验,结果表明该算法优于传统已知波速算法。     

二维大地电磁正则化共轭梯度法反演算法

针对大地电磁二维反演中目标函数收敛速度慢而且解的稳定性较差等问题,提出了大地电磁数据的正则化共轭梯度法反演算法(Regularized Conjugate Gradient Algorithm,RCGA)。此算法在构建目标函数时引入正则化的思想,利用共轭梯度法求解最优化问题。在每次迭代过程中根据目标的收敛情况更新正则化因子,有效地解决了迭代时目标函数发散的问题。最后对两个典型模型进行了试算,对其收敛速度及解的稳定性进行了分析,并与传统反演方法的计算结果进行了对比,结果都表明RCGA具有收敛速度快、精度高、结果稳定等优点。     

仿生算法在地下水模型反演中的应用现状与展望

求解地下水逆问题是水文地质学研究的重要内容,传统的基于非线性优化技术的求解地下水逆问题的方法存在收敛速度慢,寻优效率低,易陷入局部最优的缺点。基于模仿生物功能和习性而开发的人工神经网络、遗传算法、蚁群算法、粒子群算法、入侵杂草算法、免疫算法、混合蛙跳算法、人工蜂群算法、萤火虫算法、蝙蝠算法、布谷鸟算法和果蝇优化算法、蚊子算法、螳螂算法、人工鱼群算法、捕鱼策略算法等仿生算法具有很强的优化能力和寻优效率。人工神经网络、遗传算法、蚁群算法、粒子群算法等4种仿生算法在求解地下水逆问题的应用实践表明,这些方法可以按较大的概率找到全局最优解,且收敛速度较快。确定适当的目标函数转换形式和算法参数,其它仿生算法也完全可以用于地下水模型反演。从这些算法的理论和已应用于其它领域的实践来看,仿生算法在求解地下水逆问题中具有广阔前景。     

地下水管理模型求解方法综述

地下水管理模型求解方法的研究是目前地下水管理领域的热点问题。本文从地下水管理模型传统优化算法和现代智能优化算法等方面进行了评述,着重讨论了目前应用较广泛的求解非线性地下水系统的优化算法,如遗传算法、模拟退火算法、人工神经网络算法等;阐述了地下水监测网优化设计研究以及多目标地下水管理模型的求解方法。最后指出应加强地下水动态规划管理模型和地下水系统随机管理模型的求解技术的研究。     

地下水污染监测网多目标优化设计模型及进化求解

采用模拟-优化方法建立了一个用于地下水污染监测网设计的多目标优化模型,该模型包括最小化监测费用、污染物质量评估误差、污染羽一阶矩评估误差和二阶矩评估误差等4个目标函数,以充分揭示减少地下水污染监测费用与提高污染监测精度之间的权衡关系.将改进小生境Pareto遗传算法与地下水流模拟程序和污染物运移模拟程序相耦合用于求解地下水污染监测网多目标设计模型.算例研究表明,采用进化算法求解监测网的多目标模型,能真实地反映各个目标函数间的权衡关系,并且不用考虑传统方法中惩罚因子的影响.与单目标优化模型相比,多目标优化模型可在较短的时间内得到优化问题的一系列Pareto权衡解,以利于相应条件下决策者选择最为经济有效的地下水污染监测方案.     

基于整体稳定性分析法的边坡临界滑动面搜索

临界滑动面搜索是边坡稳定分析中很重要的内容,针对现有方法的不足,提出了一种新的搜索方法。基于边坡稳定性的整体分析法,建立了确定临界滑面的非线性优化模型。该模型将滑面离散点的纵坐标和安全系数都视为独立变量,目标函数取为安全系数本身,约束条件是平衡方程组和滑面凸性。由于目标函数是线性函数,约束条件至多是二次多项式,非线性程度较低,可采用经典优化算法和常见的非线性优化工具求解,比如Matlab。通过实例分析并与传统的滑面搜索方法进行对比表明,所建议的方法在数值稳定性及收敛性方面均具有优势。     

基于潘氏极大值原理的边坡稳定性的整体分析法

基于整体分析法和潘家铮最大值原理,建立了求解给定滑面安全系数的非线性优化模型。该模型将安全系数和滑面法向应力视为独立变量,目标函数就是安全系数本身,约束条件包括平衡方程、滑面法向应力和条间推力不负,以及推力线位于滑体之内。由于目标函数又仅是线性函数,且约束函数至多是二次多项式函数,所以该模型的非线性程度较低,具有良好的收敛性,可利用经典的优化算法进行求解。     

隧洞围岩损失位移估计的智能优化反分析

隧洞开挖过程中围岩监测断面的布置一般滞后于掌子面开挖,监测断面布置前围岩已发生的位移称为损失位移。采用优化反分析思路求取损失位移,该思路将损失位移的求解转化为以实测位移与计算位移的误差作为目标函数、岩体力学参数作为决策变量的全局优化反分析问题。针对该全局优化反分析问题是一类高度非线性多峰值且计算代价较高的优化问题,将性能优异的粒子群优化算法与高斯过程机器学习方法相融合,结合FLAC3D数值计算程序,提出隧洞围岩损失位移优化反分析的粒子群-高斯过程-FLAC3D智能协同优化方法。算例研究表明,该方法是可行的,不仅能获得可靠的损失位移预测结果,而且可获取合理的围岩计算模型力学参数,具有全局性好、计算效率高的特点,克服了传统优化反分析方法容易陷入局部最优或过于依赖初始学习样本的局限性。将该方法应用到锦屏二级水电站辅助洞BK14+599断面的损失位移反分析,获得了该断面围岩的损失位移和力学参数,其中,损失位移较大,原因在于岩体开挖后在短时间内弹性变形大。因此,对于地下工程,特别是深部地下岩体工程,在围岩稳定性评价与围岩参数反分析中,损失位移不可忽视,应给予足够重视。     

基于融合算法的土石混合体斜坡稳定性预测

土石混合体是物理力学性质较为复杂的地质材料,因此该类斜坡的稳定性评价是工程地质领域的重要课题。为提高斜坡稳定性预测的能力,本文将粒子群算法和果蝇优化算法相互耦合,形成融合算法,并结合机器学习模型,使用决定系数、均方误差和平均绝对误差3个评价指标,构建并评价土石混合体斜坡稳定性的预测模型,最终采用基于融合算法的梯度提升决策树模型对输入参数进行了重要性分析。结果表明:(1)相比于粒子群和果蝇优化算法,融合算法能够有效优化机器学习模型的参数,从而较为明显地提升模型预测精度。(2)基于融合算法的梯度提升决策树模型预测精度最高,达到93.33%,明显优于融合算法下的决策树模型和Stacking模型。(3)影响土石混合体斜坡稳定性的结构因素,其重要性从高到低分别为基覆面倾角、含石率、总体坡角、坡高。     

紫金山金铜矿初始地应力场反演分析

初始地应力是影响工程边坡、硐室和地基岩体稳定性的重要因素之一,也是工程设计需要的基本指标之一。根据紫金山矿区地应力的实测资料,利用支持向量机和模拟退火算法对初始地应力场进行反演分析,一方面用支持向量机代替有限元计算,提高了计算分析速度;另一方面用模拟退火算法代替传统的优化算法,避免优化过程中目标函数陷入局部极小值而无法继续寻优的状态,提高了反演的效率精度。通过实测点的计算应力值与现场实测值的比较,两者在量值和方向上接近,表明该方法较合理地反映了初始地应力场的分布规律,能够满足矿区设计和研究的需要。     

A multiobjective steepest descent method with applications to optimal well control

Multiobjective optimization deals with mathematical optimization problems where two or more objective functions (cost functions) are to be optimized (maximized or minimized) simultaneously. In most cases of interest, the objective functions are in conflict, i.e., there does not exist a decision (design) vector (vector of optimization variables) at which every objective function takes on its optimal value. The solution of a multiobjective problem is commonly defined as a Pareto front, and any decision vector which maps to a point on the Pareto front is said to be Pareto optimal. We present an original derivation of an analytical expression for the steepest descent direction for multiobjective optimization for the case of two objectives. This leads to an algorithm which can be applied to obtain Pareto optimal points or, equivalently, points on the Pareto front when the problem is the minimization of two conflicting objectives. The method is in effect a generalization of the steepest descent algorithm for minimizing a single objective function. The steepest-descent multiobjective optimization algorithm is applied to obtain optimal well controls for two example problems where the two conflicting objectives are the maximization of the life-cycle (long-term) net-present-value (NPV) and the maximization of the short-term NPV. The results strongly suggest the multiobjective steepest-descent (MOSD) algorithm is more efficient than competing multiobjective optimization algorithms.     

A study of soft computing models for prediction of longitudinal wave velocity

Genetic algorithm (GA) and support vector machine (SVM) optimization techniques are applied widely in the area of geophysics, civil, biology, mining, and geo-mechanics. Due to its versatility, it is being applied widely in almost every field of engineering. In this paper, the important features of GA and SVM are discussed as well as prediction of longitudinal wave velocity and its advantages over other conventional prediction methods. Longitudinal wave measurement is an indicator of peak particle velocity (PPV) during blasting and is an important parameter to be determined to minimize the damage caused by ground vibrations. The dynamic wave velocity and physico-mechanical properties of rock significantly affect the fracture propagation in rock. GA and SVM models are designed to predict the longitudinal wave velocity induced by ground vibrations. Chaos optimization algorithm has been used in SVM to find the optimal parameters of the model to increase the learning and prediction efficiency. GA model also has been developed and has used an objective function to be minimized. A parametric study for selecting the optimized parameters of GA model was done to select the best value. The mean absolute percentage error for the predicted wave velocity (V) value has been found to be the least (0.258 %) for GA as compared to values obtained by multivariate regression analysis (MVRA), artificial neural network (ANN), adaptive neuro-fuzzy inference system (ANFIS), and SVM.     

支持向量机在遥感数据分类中的应用新进展

支持向量机是一种基于统计学习理论的新型机器学习算法,它通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.随着应用面的不断扩大,支持向量机在遥感领域也得到了广泛关注.该算法已经成功的应用于遥感数据的土地覆盖、土地利用分类,多时相遥感数据的变化检测,多源遥感数据信息融合等,并且在高光谱遥感数据处理中得到了广泛应用.综述了支持向量机算法在遥感数据分类中的应用.首先对支持向量机的理论进行简要介绍,进而综述了该算法在不同遥感问题中的应用进展,最后阐述了新型支持向量机算法的发展以及在遥感中的应用.     

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。     

白山抽水蓄能泵站地下厂房的岩体力学参数反演

根据白山抽水蓄能泵站地下厂房开挖过程中的变形观测数据,提出了一种基于响应面法的岩体力学参数反演方法。该方法利用响应面函数建立了岩体力学参数与围岩变形之间的非线性关系。通过有限元数值模拟确立了响应面函数中的系数。定义参数反演的目标函数,将参数反演问题转化为优化问题。分别采用拟牛顿优化算法和遗传算法求解参数反演的目标函数,得到了地下厂房的岩体力学参数。根据反演确定的岩体力学参数,对地下厂房围岩的开挖变形进行了数值模拟,研究表明,有限元模拟的地下厂房与现场观测值基本一致,验证了反演方法的有效性。     

Well placement optimization with the covariance matrix adaptation evolution strategy and meta-models

The amount of hydrocarbon recovered can be considerably increased by finding optimal placement of non-conventional wells. For that purpose, the use of optimization algorithms, where the objective function is evaluated using a reservoir simulator, is needed. Furthermore, for complex reservoir geologies with high heterogeneities, the optimization problem requires algorithms able to cope with the non-regularity of the objective function. In this paper, we propose an optimization methodology for determining optimal well locations and trajectories based on the covariance matrix adaptation evolution strategy (CMA-ES) which is recognized as one of the most powerful derivative-free optimizers for continuous optimization. In addition, to improve the optimization procedure, two new techniques are proposed: (a) adaptive penalization with rejection in order to handle well placement constraints and (b) incorporation of a meta-model, based on locally weighted regression, into CMA-ES, using an approximate stochastic ranking procedure, in order to reduce the number of reservoir simulations required to evaluate the objective function. The approach is applied to the PUNQ-S3 case and compared with a genetic algorithm (GA) incorporating the Genocop III technique for handling constraints. To allow a fair comparison, both algorithms are used without parameter tuning on the problem, and standard settings are used for the GA and default settings for CMA-ES. It is shown that our new approach outperforms the genetic algorithm: It leads in general to both a higher net present value and a significant reduction in the number of reservoir simulations needed to reach a good well configuration. Moreover, coupling CMA-ES with a meta-model leads to further improvement, which was around 20% for the synthetic case in this study.     

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。