基于自适应粒子群优化算法的波阻抗反演方法

针对地震勘探资料依赖线性优化方法进行波阻抗反演不易得到全局极值的问题,提出一种改进的粒子群优化算法-自适应粒子群优化算法进行波阻抗反演。自适应粒子群优化算法是以群智能优化理论为基础,通过3种可能移动方向的带权值组合进行全局寻优。该方法搜索速度较快,且具有较强的全局寻优能力。通过函数测试和波阻抗反演的应用,结果表明,自适应粒子群优化算法是一种适应能力较强的全局优化算法,用该方法进行波阻抗反演是可行有效的。      

基于二阶段禁忌算法的边坡安全模型的识别

识别岩土力学经验模型的关键是如何寻找到一个全局最优解。禁忌虎法是一种寻找全局最优解的算法。针对常规禁忌算法处理连续问题时搜索范围小，对初始点的依赖性强等不足，对算法进行了改进，并将禁忌算法的离散化过程进行了修改，提出了二阶段禁忌算法。用该算法对圆弧和楔体破坏边坡数模型中的参数进行了搜索。结果表明，该方法是一种行之有效的全局优化算法。     

GA解决多参数超大解空间优化问题的启发式搜索方法

遗传算法(GA)作为一种有效的全局寻优算法,由于其计算原理简单、搜索能力强、对搜索空间要求低等特点,在许多优化问题中得到了广泛地应用。这里讨论了遗传算法(GA)对多参数超大解空间优化问题的求解方法,重点探讨了提高GA搜索速度的方法,给出了几种启发式搜索策略,并应用于地震波反演这个典型的多参数超大解空间优化问题中,有效地提高了GA的搜索能力,加快了收敛速度。     

遗传算法在水电站优化调度中的应用

将遗传算法用于求解水电站优化调度问题。与经典优化算法不同的特点在于,遗传算法是从多个初始点开始寻优,沿多路径搜索实现全局或准全局最优。计算过程中不需要存储状态或决策变量离散点,大大减少了计算机内存,不必求导运算,编程简单,是一种有效的自适应随机搜索算法。     

基于MPSO的RBF耦合算法的桩基动测参数辨识

变异粒子群优化算法（MPSO）是一种基于群体智能的改进全局优化技术,其优势在于减小陷入局部极值的机率,增加全局搜索能力。将变异粒子群算法与径向基函数（RBF）神经网络结构进行结合,建立了变异粒子群神经网络（MPSO-RBF）耦合算法,充分发挥了MPSO算法的全局寻优能力和RBF算法的局部搜索优势。数值计算结果表明,所建立的方法能够对桩基动测进行多参数的识别和非线性优化问题的求解,具有良好全局收敛能力,是一种行之有效的智能算法。     

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。     

地震反演与非线性随机优化方法

地震反演问题常常需要一些非线性全局最优化的方法。近年来，基于生物学、物理学、人工智能和一些非线性科学而发展了一些具有全局优化性能且通用性强的随机搜索算法，如：遗传算法、模拟退火、禁忌搜索和混沌搜索等。作者主要针对地震勘探反演问题的应用综述了这四种非线性随机优化方法的原理和特点，并对它们的性能作了一定的分析和比较。     

生物遗传算法在速度参数反演中的应用

遗传算法是一种新发展的优化算法，具有全局搜索、适应解各类问题的特点。本文应用遗传算法求取最佳叠加速度和反演层速度，不仅可保证精度，还比常规方法减少一倍多的计算时间，获得了较高的计算效率。     

电阻率层析成像的二维改进粒子群优化算法反演

粒子群优化算法(PSO)是通过模拟鸟群觅食过程中的社会行为而提出的一种基于群体智能的全局随机搜索算法,已有研究学者证明PSO算法是一种有效的地球物理反演方法,不依赖初始模型。此次在研究常规粒子群算法的基础上,针对常规粒子群优化算法易于陷于局部极值,后期收敛速度慢,反演精度不高等缺点,提出了一种改进的充分混沌振荡粒子群优化算法。针对粒子群算法的特点,改进速度更新公式,使粒子更快获取与当前全局最好位置的差异,增强粒子的学习能力,并用此算法在matlab2012b编程环境中对均匀半空间电阻率层析成像异常体理论模型进行了二维数值试验。结果表明,此种算法反演时不依赖初始模型,搜索空间增大,实现全局搜索,在准确性上优于标准PSO反演,成像质量优于Levenberg-Marquardt法反演。     

混合遗传算法在大地电磁一维反演中的应用

遗传算法是近些年来产生和发展的一种模拟生物进化过程的自适应启发式全局优化的搜索算法。它不完全依赖于初始猜测,且具有全局收敛的特点,可以被用来解决各种复杂的实际问题,如工程优化设计,人工智能和决策系统,以及地球物理反演等。尽管遗传算法是一种效率很高的全局优化算法,但许多仿真结果表明,它具有计算时间长,局部搜索能力弱的缺点。而共轭梯度法属于非启发式全局优化搜索方法,收敛速度快,但容易陷入局部极值,且严重依赖初始猜测。根据遗传算法和共轭梯度法的特点,这里提出了一种混合遗传算法,用来进行地球物理反演。该算法既具有遗传算法的全局收敛性,又有共轭梯度法的快速收敛性,经实际应用,取得了良好的效果。     

基于综合的混沌优化算法估计地震子波

作者从随机化合局搜索的思想出发，利用混沌运动具有的遍历性，随机性，规律性等特点进行大范围的全局优化搜索，再结合遗传算法的杂交算子和小领域的局部搜索，从而提出了一种综合的混沌优化方法，通过对地震记录子波估计的理论模型试验，结果表明这种浊沌的优化算法比单一的随机优化方法具有有很好的实际效果和应用前景。     

进化策略及其改进算法在深基坑支护优化设计中的应用研究

进化策略是一种新的求解全局最优问题的方法,应用该方法对深基坑支护结构进行了优化设计的初步研究。针对进化策略在处理非线性函数的优化问题及高维优化问题时在收敛速度和收敛性方面存在的不足,将禁止搜索与有向搜索相结合,提出了一种快速进化策略算法,有效地克服了传统进化策略的缺点。工程实例分析研究表明,进化策略不受设计空间的可微性、连续性等限制,特别适合于求解支护工程这类具有离散设计变量和非确定性因素的工程设计问题;改进的进化策略具有更好的收敛性,有极强的避免局部极值的全局优化能力。     

地震优化非线性反演方法及应用研究

地震优化非线性反演方法是一种集遗传算法和人工神经网络技术的优势于一体的新技术，它采用混合智能优化学习方法，这种优化学习方法是将BP算法作为一个算子嵌入到自适应遗传算法中，以概率Pbp的方式进行搜索运算，从而，快速而精确地找到全局最优解。在嘉陵江组的实际反演研究中，由井点出发构造测井资料与井旁地震道的非线性映射关系，并自适应地更新这种非线性映射关系和自适应外推，以获得嘉陵江组的高分辨率反演剖面，这种高分辨率剖面清晰而详细地反映出嘉陵江组在纵横方向上的变化特征，有效识别这种薄储层，获得了很好的储层预测效果，并为钻井所证实，在嘉陵江组储层中获得高产工业气流。因此，地震优化非线性反演方法具有广阔的应用前景。     

基于粒子群算法与混合罚函数法的有限元优化反演模型及应用

岩土工程优化反分析是一个典型的复杂非线性函数优化问题,采用全局优化算法是解决这个问题的理想途径。针对常规反演方法应用于岩土工程参数反演时搜索效率低的缺点,结合粒子群算法和遗传算法的特点,充分考虑二者的互补性,提出一种效率较高的全局优化算法,以测点的实测值与计算值建立一种新的评价函数,将多目标优化问题转化为单目标优化问题,用混合罚函数法将约束问题变为无约束问题,构建了一种新的目标函数,将有限元程序ABAQUS作为一个模块嵌入到优化算法程序中,编制了有限元优化反演分析程序。并给出了应用实例验证了该法的有效性和实用性,是一种可行的参数反演方法,可应用于实际工程中复杂岩土介质初始应力场反演、渗流场以及位移反分析     

混沌优化算法在土质边坡稳定性分析中的应用

确定边坡最危险滑动面并计算与之相对应的安全系数是边坡支护的重要任务。本文结合简化Bishop法,用一种新的智能优化算法混沌优化算法来搜索全局最优解。该方法利用混沌运动本身具有遍历性、随机性、规律性等内在特点,能在一定范围内按其自身规律不重复地遍历所有状态,易于跳出局部最优解,具有很强的全局搜索能力。通过坡高为12.3m的某电厂三层土质边坡的典型算例分析,并和遗传算法、枚举法计算结果对比可知,计算结果超于一致,其差值接近于0,因此混沌优化算法能在很高精度下搜索到全局最优解,能很好地解决边坡稳定性分析中的优化问题。     

基于GA-SVR的渗透系数参数反演方法

渗透系数参数反演的本质是优化问题求解,遗传算法是一种基于自然选择和群体遗传机理的新的全局优化求解方法,可以较好地用于求解诸如渗透系数参数反演等复杂非线性组合优化问题。基于结构风险最小化原理的支持向量机具有逼近复杂非线性系统、较强的学习泛化能力,可以用来计算渗透系数参数反演过程中的测点水头值。实验表明,基于遗传算法-支持向量回归机的地下水渗透系统参数反演拟合效果良好,能大大提升区间搜索效率,避免出现局部最优解,其参数识别精度符合实际应用要求。     

遗传算法在边坡抗震稳定性分析中的应用

根据遗传算法的思想和拟静力瑞典法基于圆弧滑动面的假定，提出一种用遗传算法搜索最危险滑动面及其对应的最小安全系数的方法。该方法模拟了生物遗传进化过程，克服了传统方法容易陷和局部极小值的缺点，是一种全局优化算法。并通过一个工程实例对其进行了验证。     

遗传算法在磁异常反演中的应用

遗传算法是一种约束随机优化方法。它与传统的确定性优化方法相比较,具有全局收敛,不计算目标函数偏导数等优点；与传统的随机优化方法相比较,具有搜索效率高以及隐含并行计算等优点。本文首先讨论了遗传算法的基本原理和迭加机算步骤,其次讨论了该方法在磁化强度约束反演问题中的应用效果。     

基于HPSO算法的CFG桩复合地基优化设计

复合粒子群优化(HPSO)算法是一类随机全局优化技术,具有搜索能力强、收敛速度快、搜索精度高的优点。针对水泥粉煤灰碎石桩(CFG桩)复合地基设计中的优化问题,利用FLAC软件自带的fish语言实现了HPSO算法对CFG桩复合地基多个设计参数的优化辨识。该方法从设计参数的随机值出发,以CFG桩施工时所需混合料方量作为目标函数来评价参数的品质,利用HPSO算法规则实现设计参数的进化,搜索出全局最优的设计参数值,从而实现了CFG桩复合地基设计参数的自适应辨识。利用该方法对某工程CFG桩复合地基进行了多参数优化设计。结果表明,HPSO算法用于CFG桩复合地基优化设计是有效的,能在满足设计及相关规范的前提下有效降低工程成本,提高经济效益。     

禁忌搜索在边坡稳定分析中的应用

在禁忌搜索和极限平衡分析的基础上,提出了全局确定边坡最小安全系数的禁忌搜索方法,并建立了响应的模型;该方法是一种启发式的全局搜索方法,可以搜索出全局最小安全系数,同时还能确定出与之对应的最危险滑动面。将该方法应用于不同几何形状和土层信息的边坡稳定分析中,结果表明,提出的方法能够避免局部最小解,并能搜索到全局最小安全系数。