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。     

围岩力学参数反演的GSA-BP神经网络模型及应用

针对遗传算法（GA）存在早熟现象和局部寻优能力较差等缺陷,引入具有很强局部搜索能力的模拟退火算法（SA）,组成改进的遗传模拟退火算法（GSA）提高优化问题的能力和求解质量。针对BP神经网络容易陷入局部最小和收敛速度慢等方面的不足,应用改进的遗传模拟退火算法搜索BP神经网络的最优权值和阀值,提高BP神经网络的预测精度,建立了围岩力学参数反分析的GSA-BP神经网络模型。将该模型应用于乌东德水电站右岸地下厂房围岩力学参数的反演分析中,根据监测围岩变形数据反演围岩力学参数,反演所得参数应用到正计算分析中,得出的计算位移与实测值吻合较好,说明该方法的有效性和应用于该工程的可行性。     

基于遗传算法的BP网络在黄河三门峡年径流量预测中的应用

提出了一种基于遗传算法(genetic algorithms,GA)的BP神经网络模型来进行径流量预测。此模型融合了遗传优化算法的全局寻优能力和BP神经网络的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了预测结果的精确性。仿真实验结果表明:在黄河三门峡1950~1985年年径流量预测方面,GA-BP模型预测的平均相对误差为5.67%,标准BP算法的模型平均预测误差为11.05%,说明提出的GA-BP径流量方法行之有效。     

改进的BP神经网络在地震砂土液化预测中的应用

地震砂土液化的影响因素具有非线性关系,至今没有形成规范的预测标准。人工神经网络在砂土液化预测中有较好的应用,尤其是BP神经网络,但由于其本身存在缺陷:学习收敛速度慢,易陷入局部极小;遗传算法具有良好的搜索全局最优解的能力。探讨利用遗传算法优化BP神经网络权值和初始阈值来预测地震砂土液化,其效果比传统的BP网络有显著提高。     

基于GA-BP神经网络算法的高密度电法非线性反演

高密度电法技术在煤矿地质灾害勘探中发挥着重要的作用。近年来,以BP（Backpropagation）神经网络为代表的一类非线性反演方法被广泛运用到高密度电法的反演中。针对BP神经网络方法在高密度电法反演中存在的易陷入局部极小、收敛缓慢、反演精度差等问题,将BP神经网络算法与遗传算法（Genetic Algorithm,简称GA算法）联合演算,实现高密度电法的二维非线性反演。通过典型地电模型对该方法进行验证,结果表明遗传算法能有效优化BP神经网络的权值和阈值,提高了算法的全局寻优性。      

基于遗传算法和BP神经网络的矿井涌水量预测

为避免BP神经网络极易陷人局部解的问题,针对遗传算法具有全局寻优的特点,提出了用遗传算法优化BP神经网络预测方法,并以刘桥二矿为例,对其矿井涌水量进行了预测。首先选取刘桥二矿区的2005年3月至2006年12月的矿井涌水量数据进行分析,然后使用遗传算法优化BP网络的初始权值和阈值,最后使用BP神经网络进行训练。将其成果与纯BP网络算法进行比较,结果表明：遗传算法优化BP神经网络的预测方法的预测精度高于纯BP网络算法,将其应用于矿井涌水量预测是有效可行的。     

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。     

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.     

基于改进遗传算法的边坡可靠度分析

采用基于概率的可靠性分析方法来分析边坡的稳定性,以克服目前大多数分析方法以确定性安全系数为评判标准的弊端。对于每次搜索中给定的滑移面,结合拉格朗日乘子法提出边坡可靠度的计算模型;采用遗传算法搜索关键滑移面,提出边坡的适应度函数。为克服标准遗传算法在进化过程中无法调节全局搜索和局部搜索速度、且可能陷入次优解的缺陷,改进了子代中最佳个体的确定方法,来并以相邻两代的群体多样性特征值增量为导向,动态调节交叉概率和变异概率,以保持群体的多样性和搜索的有效性。实例分析结果表明,本文方法可以提高遗传算法的搜索能力和收敛速度,保证解全局最优;该法适用于边坡稳定可靠度分析,且前处理简单;在遗传操作前预优化可靠指标计算模型能大大减少遗传算法中的计算量,节约机时。     

遗传BP算法在洛带气田测井物性解释中的应用

应用遗传算法(GA)对BP网络进行了改进，并在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率等参数的神经网络模型为例，通过网络的学习、训练，建立了神经网络模型．应用此模型计算物性参数值，解释结果及精度均令人满意．     

基于遗传神经网络的锚杆极限承载力预测的研究

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的锚杆极限承载力预测的遗传神经网络模型。该模型以低应变动测的5个变量作为输入变量来对锚杆极限承载力进行预测,并与BP神经网络预测结果进行比较。数值算例表明,遗传神经网络在锚杆极限承载力预测中具有较高的计算效率和识别精度。     

基于遗传算法的BP神经网络计算岩溶水安全开采量

随着淮北市相山区岩溶水开采量不断增大,区内岩溶水水位降落漏斗范围不断增大,为保障岩溶水的安全开采与地质环境安全,进行本区岩溶水安全开采量计算十分必要。目前神经网络模型已被广泛应用于岩溶水水位动态计算,但由于网络全局寻优能力不理想,网络训练容易陷入局部极小值,导致网络泛化能力不理想。针对人工神经网络的不足,利用遗传算法(GA)对较为常用的BP神经网络权值、阈值进行优化,将此方法应用于相山区岩溶水水位动态的预测,并以该区岩溶水临界开采水位为控制条件,经模型计算得到相山区岩溶水多年平均安全开采量为3 001.7×10~4m~3。计算结果表明:与BP神经网络相比,GA-BP神经网络具有更高的预测精度,遗传算法可以有效提高BP网络的泛化能力。     

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。     

遗传模拟退火的BP算法在冲击地压中的应用

冲击地压的预测、预报的研究,大多数仍停留在简单的统计研究和单因素的预测方面,因而,结果也不十分理想。笔者采用多层前向网络对该问题进行数学建模,网络的训练算法采用基于遗传模拟退火的BP优化算法。该算法是在遗传算法中引入模拟退火机制,将其同BP算法结合,形成一个混合的优化算法。新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局随机搜索能力。同时,利用华丰矿冲击地压的实际监测数据,通过遗传算法的主要性能指标对新算法的参数进行了比较研究,得到优化后的一组参数。利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。最后,利用该模型对华丰矿冲击地压进行了短期最大震级的预报。预测结果的相对误差率平均为 7.84 %,预测效果比较理想。     

用遗传算法进行瑞利波反演

瑞利波反演属于非线性最优化问题,已有的局部线性化方法(如阻尼最小二乘法)常使解估计陷入目标函数的局部极小值之中,且严重地依赖初始模型.另外,目前被广泛应用的一些简单的瑞利波反演方法也存在明显的缺陷.全局优化法-遗传算法大大放松了对初始模型选择的要求,且不易陷入局部最优解中.本文用已有的简单宜行的反演解释方法获取初始模型,从而确定模型参数的搜索范围,再用遗传算法反演得到最终的介质模型,效果非常理想.     

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。     

混合加速遗传算法在流域模型参数优化中的应用

在实编码遗传算法中加入单纯形搜索算子和加速搜索算子,提出了混合加速遗传算法.通过实例对该法与其它一些遗传算法进行了比较.并在大坳流域模型的参数优选中得到成功的应用.结果表明,混合加速遗传算法具有直观、简便、快速及适用性强等特点,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优秀非线性优化方法.     

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。     

基于遗传算法优化的BP神经网络在密度界面反演中的应用

BP神经网络方法在二维密度界面的反演中取得了较好的效果,但在反演三维界面时,由于模型更复杂、参数更多,BP神经网络的收敛速度和反演精度都有一定程度的下降。为了改善反演效果,本文利用遗传算法对BP神经网络的权值、阈值选择过程进行优化,获得了更好的网络模型;并将此模型应用于密度界面模型的反演中,预测误差从上百米减小到数十米,同时迭代计算步数减少了近2/3,有效减少了计算时间,反演结果更准确。利用基于遗传算法优化的BP神经网络反演了法国某地区莫霍面深度,预测相对误差仅为1.8%,取得了较好的应用效果。基于遗传算法优化的BP神经网络在密度界面的反演中具有良好的应用价值和研究前景。