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。     

水环境模型参数识别的一种新方法

通过在格雷码遗传算法进化过程中加入单纯形搜索算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了水环境模型参数识别的一种新方法——格雷码混合加速遗传算法(GCHAGA),给出了实施该算法的详细步骤。对GCHAGA的收敛性和全局优化性进行了理论和实例分析,并在确定河流横向扩散系数等参数识别问题中,GCHAGA得到了精度较高的全局最优解。与格雷码遗传算法(GCGA)和常规优化方法相比,GCHAGA具有精度高、速度快和适用性强等特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性优化方法,可广泛应用于各种水环境优化问题中。     

新场气田开发方案寻优的遗传优化神经网络模型

在深入剖析遗传算法GA和BP神经网络优势的基础上,提出了改进的遗传优化BP神经网络模型(简称GABP模型).该原理是利用遗传算法(GA)对BP神经网络的结构和连接权进行全局优化学习,从而获取最佳的网络模型.经前人大量研究表明:遗传算法的适应性好,对搜索空间没有任何特殊要求,且全局优化能力强,可以有效地在整个解空间寻优,但遗传算法存在局部调节能力较弱、容错性较差的不足.而神经网络的容错性较强,具有自组织、自适应和分布式储存的特点,它可以通过学习乖训练,进行模型结构的自组织,适应不同信息或信息模糊,以及推理规则不明确问题的处理,但神经网络方法又有搜索能力较差,容易陷入局部解之中的缺点.从上述二种方法的优缺点出发,按照取其所长,克己所短的原则,将二种方法有机地结合起来,构建了GABP模型及其算法.通过对新场气田开发方案优选的决策应用,表明该模型的评价结果准确合理,可为类似研究借鉴参考.     

复合遗传算法在爆破震动测试参数确定中的研究

阐述了遗传算法的基本原理,针对遗传算法在参数确定中局部搜索能力不强等问题,把单纯形加速法引入到遗传算法中,提出了复合遗传算法并对复合搜索理论进行了阐述,通过工程实例进行验证。数值计算结果表明,在爆破震动测试参数确定中,复合遗传算法对加大局部搜索速度、提高计算精度具有明显效果。     

瞬变电磁反演中的非线性规划遗传算法

经典非线性规划算法的局部搜索能力较强,遗传算法采用选择、交叉和变异算子进行搜索,全局搜索能力较强,而局部搜索能力较弱。结合两种算法的优点,文中提出了一种非线性规划遗传算法(NPGA)。经过函数测试证明,该算法提高了遗传算法的搜索性能。设计了多个不同的地电模型,将该算法应用于瞬变电磁地电模型数据反演计算中,结果表明该算法具有较快的收敛速度和较高的计算精度,反演效果较好。     

基于并行遗传算法的地震属性优化研究

系统介绍了遗传算法各步的改进策略。首先,产生多样化的初始群体,引入五进制的编码策略提高搜索速度,然后采用无退还随机选择机制防止收敛早熟,采取两点交叉及多点变异方案以扩大模型空间的搜索范围和保持个体的多样性。另外,为了保证算法的收敛,使用了代间隙技术。最后,按照并行算法设计原则给出改进后的并行遗传算法的算法描述,并通过运用改进的并行遗传算法解决了非线性、多参数、多极值的地震属性优化的实际问题。     

用遗传算法反演一维声波介质

局部线性化的反演方法不仅在初始模型远离真值时收敛速度慢,而且往往易陷入局部极大值中,而遗传算法(GA)便能解决这一问题,它是一种全局搜索法。虽然它同模拟退火法一样利用转移概率进行搜索,但其收敛速度一般比模拟退火法快。本文引进了多个目标函数进行综合评价和灾变过程,用单道地震道对一维声波介质的速度和密度同时进行了反演,并反演了加噪地震道和含薄层介质模型,取得了满意的效果。     

大地电磁实码广义遗传反演算法研究

大地电磁反演问题通常表述为目标函数最优化,难点是多参数、非线性和不适定性,局部和全局方法都不能实现快速全局优化[4].针对局部线性方法易使解陷入局部极值,严重依赖初始模型,而传统的遗传算法在优化应用中存在局部搜索能力弱、早熟收敛等问题.这里引进一种求解一维大地电磁测深反演问题的实数编码广义遗传算法.该算法利用拟网格法初始种群和综合交叉策略,克服了早熟收敛现象,从而提高了遗传寻优的效率.理论模型反演与其它方法比较,结果说明遗传算法具有不依赖初始模型,不容易陷入局部极小,多点多路径概率搜索,以及隐合并行性等优点.     

基于ν-SVR和GA的初始地应力场位移反分析方法研究

基于一种改进的支持向量机(ν-SVR)和改进的遗传算法(GA),提出一种初始地应力场位移反分析方法。该方法通过正交设计方法安排较少次数的正分析方案,用ν-SVR对正分析中测点位移值与参数构成的样本集进行学习,建立参数取值与观测点测值的非线性隐式方程;采用确定性或随机反分析的思路确定反分析的优化目标函数,并利用GA搜索最优参数取值。采用ν-SVR方法建立的参数取值与位移量测点测值的非线性隐式方程,能够以很高的精度拟合和预测不同参数取值时的观测点测值,因此,可以用该隐式方程代替正分析,减少计算量;采用改进的GA方法能够准确搜索到最优参数;搜索到的最优参数值与理论值相当吻合。算例表明,基于ν-SVR和GA的初始地应力场位移反分析方法是一种行之有效的初始地应力场位移反分析方法,可以广泛用于初始地应力场确定性反分析和随机反分析。     

基于SAGA-FCM的煤与瓦斯突出预测方法

为提高模糊C-均值聚类（Fuzzy C-Means Clustering Algorithm,FCM）算法在煤与瓦斯突出预测中的准确度,提出一种将模拟退火算法（Simulated Annealing Algorithm,SA）与遗传算法（Genetic Algorithm,GA）相结合用于模糊C-均值聚类分析的煤与瓦斯突出预测方法。该方法综合了模拟退火算法全局搜索、高精度的优点和遗传算法强大的空间搜索能力,将经遗传模拟退火算法优化后的初始值赋给FCM,避免了由于聚类中心初始值选择不当造成FCM算法收敛到局部极小点上。结合典型突出矿井数据进行分析,结果表明:遗传模拟退火算法优化后的FCM算法较单一,预测准确度高。      

Nonlinear Inversion of Potential-Field Data Using an Improved Genetic Algorithm

The genetic algorithm is useful for solving an inversion of complex nonlinear geophysical equations. The multi-point search of the genetic algorithm makes it easier to find a globally optimal solution and avoid falling into a local extremum. The search efficiency of the genetic algorithm is a key to producing successful solutions in a huge multi-parameter model space. The encoding mechanism of the genetic algorithm affects the searching processes in the evolution. Not all genetic operations perform perfectly in a search under either a binary or decimal encoding system. As such, a standard genetic algorithm (SGA) is sometimes unable to resolve an optimization problem such as a simple geophysical inversion. With the binary encoding system the operation of the crossover may produce more new individuals. The decimal encoding system, on the other hand, makes the mutation generate more new genes. This paper discusses approaches of exploiting the search potentials of genetic operations with different encoding systems and presents a hybrid-encoding mechanism for the genetic algorithm. This is referred to as the hybrid-encoding genetic algorithm (HEGA). The method is based on the routine in which the mutation operation is executed in decimal code and other operations in binary code. HEGA guarantees the birth of better genes by mutation processing with a high probability, so that it is beneficial for resolving the inversions of complicated problems. Synthetic and real-world examples demonstrate the advantages of using HEGA in the inversion of potential-field data.     

板状体磁异常数据反演的PSO算法

粒子群优化(PSO)算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的算法,是一类随机全局优化技术,它通过粒子间的相互作用搜索复杂空间中的最优区域,其优势在于效率高,且又简单易实现。本文讨论了PSO算法用于板状体磁异常数据反演的方法,并与遗传算法(GA)进行了比较。理论和实测磁异常数据反演的结果表明,PSO算法具有更高的找寻最优解效率,是一种很有潜力的位场反演工具。     

蚁群算法与遗传算法融合及其在边坡临界滑动面搜索中的应用

临界滑动面搜索是边坡稳定性分析中一项非常重要的内容。相对于圆弧滑动面的确定,只需要圆心和半径3个未知量,非圆弧滑面的确定则需要找出若干个控制点,是一个多维空间的优化问题。非圆弧滑动面优化搜索问题相当复杂,常规优化算法往往达不到要求。改进了蚁群算法,使其具备在连续空间的搜索能力,并与遗传算法融合,形成优势互补,克服了遗传算法的无反馈能力导致无用的冗余迭代、求解效率低以及蚁群算法初期信息素匮乏导致算法速度慢的不足。通过与商用软件GEO-SLOPE的算例求解结果对比,来说明本算法的有效性。     

多参数测井地层划分的遗传最优分割法及其在济阳坳陷中生界中的应用

将遗传算法、Fisher最优分割和边缘检测算法相结合, 设计了一种适用于多参数测井地层划分的遗传最优分割算法.该算法以测井测点号为基因, 以有序测点号组为染色体, 由测点的边缘隶属度和段间/段内离差总和的比值共同构成综合优化指标(适应度), 采用锦标赛选择机制, 通过MonteCarlo抽样进行交叉(通过两两染色体比较设定抽样区间), 采用灾变变异和精英保持策略, 利用多参数测井数据求取最优化地层分界线.在济阳坳陷中生界地层划分中的实际应用, 表明该方法的自动分层结果符合地质实际, 且计算速度很快.该方法对于没有露头、岩心稀少、地震勘探分辨率低和地球物理测井数据量大情况下的深部隐伏地层划分有很好的适用性.      

双种群进化粒子群算法求解地下水管理模型

为避免粒子群算法(PSO)早熟的缺点,设计了一种双种群进化粒子群算法(DE-PSO)。DE-PSO是基于PSO,引入选择、交叉及差分变异操作,并结合合理有效的粒子评价方法及越界处理方法之后形成的。将DE-PSO应用于两个地下水管理模型算例,第一个算例DE-PSO解的总抽水量分别比遗传算法(GA)、模拟退火算法(SA)和PSO减少了64、256、207 m3/d,第二个算例DE-PSO解的总治理成本分别比GA、SA和PSO减少了57.74、151.93、76.59万元。两个算例中DE-PSO都表现出稳定的进化趋势,寻优效率好于GA、SA和PSO,可以有效求解地下水管理模型问题。     

改进人工鱼群算法在边坡稳定性分析中的应用

人工鱼群算法是一种新的智能仿生算法。以瑞典条分法作为边坡稳定性分析模型,利用模拟退火算法对人工鱼群算法进行改进,提出了一种搜索边坡最危险滑动面及对应的最小安全系数的求解方法。该方法克服了传统优化方法容易陷入局部极值点的缺点,具有较高的计算精度,适用性强,搜索的最优解更具有全局性。最后通过工程实例进行计算,并与基本的人工鱼群算法、传统的计算方法以及GA算法进行对比分析,结果令人满意。      

地铁深基坑支护的遗传神经网络位移反分析

针对目前已有的各种位移反分析方法存在的缺陷,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,提出了一种基于遗传神经网络进行深基坑支护的位移反分析方法。该方法改变了BP算法依赖梯度信息的指导来调整网络权值的方法,而是利用遗传算法全局性搜索的特点,寻找最合适的网络连接权和网络结构等来达到优化的目的。结合地铁深基坑支护位移计算,应用该方法对某一地铁深基坑土体的力学参数进行了反演。结果表明：将位移观测值作为网络输入数据,土体力学参数作为输出数据,在较大的解空间内,该位移反分析方法收敛速度快、解的稳定性好、反演结果精度高,是一种理想的位移反分析方法。最后,采用该软件结合一个工程实例实现了应用遗传神经网络进行的基坑支护位移反分析。     

Statistical inverse analysis based on genetic algorithm and principal component analysis: Applications to excavation problems and pressuremeter tests

This study concerns the identification of constitutive models from geotechnical measurements by inverse analysis. Soil parameters are identified from measured horizontal displacements of sheet pile walls and from a measured pressuremeter curve. An optimization method based on a genetic algorithm (GA) and a principal component analysis (PCA), developed and tested on synthetic data in a previous paper, is applied. These applications show that the conclusions deduced from synthetic problems can be extrapolated to real problems. The GA is a robust optimization method that is able to deal with the non‐uniqueness of the solution in identifying a set of solutions for a given uncertainty on the measurements. This set is then characterized by a PCA that gives a first‐order approximation of the solution as an ellipsoid. When the solution set is not too curved in the research space, this ellipsoid characterizes the soil properties considering the measured data and the tolerate margins for the response of the numerical model. Besides, optimizations from different measurements provide solution sets with a common area in the research space. This intersection gives a more relevant and accurate identification of parameters. Finally, we show that these identified parameters permit to reproduce geotechnical measurements not used in the identification process. Copyright © 2009 John Wiley & Sons, Ltd.     

基于谐振子遗传算法的高效地下水优化管理模型

在传统遗传算法和模拟谐振子算法的基础上,结合两者的优点,提出了一种新型快速高效的谐振子遗传算法。通过一个理想的水资源管理模型的算例和一个华北平原典型区地下水资源优化的实际算例,从寻优结果和寻优效率两个方面对谐振子遗传算法、传统遗传算法和模拟谐振子算法进行了对比分析。在两个地下水管理模型中,与传统的遗传算法和模拟谐振子算法相比,新型的谐振子遗传算法搜索效率达到模拟谐振子算法搜索效率的2倍以上,得到的最优解比遗传算法所得到的最优解分别增加供水量1.1×10³ m³/d和0.47×10⁸ m³/a,说明谐振子遗传算法具有更强的全局搜索能力和更好的寻优效率。