改进PSO算法在水位流量关系拟合中的应用

粒子群算法(PSO)是一种基于群智能的全局优化方法。将改进PSO算法应用于水位流量关系拟合优化问题,通过对结果的比较分析,验证了改进PSO算法在提高精度方面的有效性,说明了改进PSO算法在水位流量关系拟合中应用的可行性。     

基于Kriging算法的三棱柱地质体三维可视化实现

采用了一种基于Kriging算法的三棱柱三维可视化方法对地质体进行了可视化,其基本思想是首先用Kriging算法将空间任意的离散的数据点生成规则的点数据,将点数据划分成多个三棱柱,然后以三棱柱为基本单元进行地质体可视化。本系统是在Visual C++/OpenGL平台上开发而成,具有精度高、交互好的特点,经过实践运行,切实可行。     

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。     

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。     

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。     

深埋隧道衬砌稳定可靠度的Kriging插值法与遗传算法协同优化求解法

首先利用遗传算法(GA)的全局优化能力,解决了Kriging插值预测算法中相关参数的精确求解问题。针对衬砌结构力学状态表征量与基本参数是高度非线性关系而无法明晰表达的难题,建立了基于Kriging插值预测法的状态表征量等代显式通用模型。以抗拉强度控制参量为例,提出了采用拉丁抽样等代显式通用模型的具体隧道工程衬砌结构力学状态方程构造程序。基于以状态方程为约束条件建立的可靠度指标计算模式,构建起Kriging与GA协同优化的隧道衬砌稳定可靠度求解方法。实例应用对比表明,该方法与精确解的相对误差为4.8%,计算工作量仅为其2.5%。与目前已有的同类方法相比,具有明显的优越性。     

多重分形与Kriging插值在地层模型生成中的应用

为了建立三维数字地层,采用钻孔信息构建三棱柱,以适合工程地质和岩土工程特点。钻孔数据具有局部的、随机的、异常的特征,另外,钻孔数据具有一定的结构特点。传统的数理统计方法无法很好地解决空间样本点的选取、空间估值和2组以上空间数据的关系等问题,借鉴地质统计学的Kriging方法给出全局区域内一种距离加权插值算法,先根据空间数据得到统计特征,再根据统计特征进行插值,并引入多重分形理论弥补Kriging方法的滑动加权平均缺陷,度量区域化变量的局部奇异性。通过对地层模型插值结果的观察,得出该算法可以获得良好的全局和局部特征插值效果     

参数优化LSSVM的巷道围岩松动圈预测研究

最小二乘支持向量机方法(LSSVM)在处理小样本、高维数、非线性的问题时,具有求解速度快、易于描述非线性关系的优良特性。但是,该方法得到的模型拟合精度和泛化能力依赖于其相关参数,因此,提出基于粒子群优化算法(PSO)的LSSVM参数优选方法。最后,用该模型对巷道围岩松动圈进行了预测研究。结果表明,PSO优化的LSSVM模型具有收敛速度快、计算精度高的特点,说明该模型是合理、有效的。     

Kriging插值方法在地层模型生成中的应用

为了建立三维数字地层,采用了一种适合城市工程地质和岩土工程特点的地层数据模型-基于钻孔信息的3棱柱模型。由于钻孔之间的距离稀疏程度、方向、数据值存在差异,钻孔以外未知的地质特性需要插值和推断,传统的数理统计方法无法很好地解决空间样本点的选取、空间估值和2组以上空间数据的关系等问题。借鉴地质统计学的Kriging方法给出一种距离加权插值算法,即先根据空间数据得到统计特征,再根据统计特征进行插值。通过对地层模型插值结果的观察,得出该算法可以获得良好的插值效果。     

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.     

水文地质参数识别的连续禁忌搜索改进算法

水文地质参数的正确与否是构建地下水数值模型的根本,而参数寻优结果很大程度上取决于优化算法的选择。禁忌搜索算法是一种广泛应用于组合优化问题的启发式全局寻优算法,但在连续函数优化领域应用比较少。基于上述考虑,本文首先引入求解连续函数优化问题的连续禁忌搜索算法并对其进行改进,进而提出一种连续禁忌搜索改进算法(ICTS),最后将其与地下水模型耦合进行水文地质参数识别。算例研究表明,ICTS算法较其他算法(CTS,SGA,Micro-GA,PSO)求解效率提高1.87～4.64倍,求解精度提高1.08～12.86倍。因此ICTS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。     

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。     

基于钻孔数据的滑坡三维地质建模研究

对现有建模方法进行分析,结合千将坪滑坡地质特点,首先进行钻孔数据处理,然后提出引入虚拟钻孔,再利用GOCAD软件提供的Kriging插值技术建立滑坡界面和实体模型.该方法不但为滑坡三维地质建模提供了参考,也为区域性、地质状况复杂、钻孔资料欠缺地区的三维地质建模提供了借鉴.     

PSO-LIBSVM在钾盐矿层识别中的应用研究

钾盐的紧缺严重制约了中国农业的发展,加大钾盐的勘探开发力度有助于提高我国钾盐的自给自足能力。四川盆地钾盐资源丰富,是我国目前重要的钾盐勘探开发研究区域之一。杂卤石作为四川盆地最重要的固态钾盐矿物,常夹杂在硬石膏、岩盐和白云岩等岩层中。针对常规测井解释方法难以精确识别杂卤石的问题,因此,提出一种新的基于粒子群算法(PSO)优化的支持向量机(SVM)杂卤石识别方法开展四川盆地杂卤石的分类识别研究。以PSO和SVM理论为基础,结合测井解释方法,选择对杂卤石测井响应灵敏的有效数据作为输入样本,随机产生训练集和测试集,并采用PSO优选出径向基核函数参数,建立杂卤石分类预测模型。与录井结果对比,基于PSO的SVM模型识别准确率达到了97.5758%,在识别精度和速度上明显优于交叉验证方法优化的SVM模型。结果表明,该模型在四川盆地钾盐勘探中具有广阔的应用前景。     

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型，参考自适应控制系统的控制器，把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数，通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化。仿真实例结果表明，基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高，有较好的网络的泛化和适应能力，能够很好地控制系统的输出跟随参考模型的输出。     

基于钻孔数据的三维可视化快速建模技术的研究

为了实现三维建模过程的智能化以及自动化,以及使复杂地质体三维建模过程变得简单,针对CAD图形资料编写了能够直接将地表、钻孔等地质信息读入到数据库的DXF接口程序,提出了一种利用GA-Kriging插值手段对地层属性进行插值并最终实现三维可视化快速建模的方法,并且在此基础上基于VTK图形库实现了三维建模、等值线绘制、钻孔显示、切片以及特定地层的提取以及体积的计算等功能。在编写Kriging插值算法时,为了实现块金常数、变程等常数取值的自动化、最优化,应用GA智能算法求解。最后,通过地铁隧道的一个工程实例,对建模方法以及相应的算法模块进行了验证,表明方法具有一定的优越性。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法（PSO）优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于PSO和LSSVM的边坡稳定性评价方法

提出了基于粒子群算法（PSO）和最小二乘支持向量机（LSSVM）的边坡稳定性评价方法。该模型既利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,同时也利用了粒子群算法快速全局优化的特点。粒子群算法用于搜索最小二乘支持向量机模型的最优参数,然后将模型用于预测边坡的安全系数。计算结果表明,该方法是合理的、有效的。     

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。      

地层特性随机场插值方法应用研究

地质勘探中钻孔的数量常是有限的,钻孔以外未知的地质特性需要进行插值或推断。实践中一般假定两钻孔之间的地质特性为线性分布,用直线连接。线性连接方法简单,但精度难以保证。因此,有必要进一步研究简便且精度高的插值方法。对常用的空间插值数学方法作一简要评价,认为Kriging法更适用于地质特性随机场的插值。并尝试将Kriging法应用于南水北调穿黄工程砂土地基标准贯入击数及液化范围的空间插值,采用合适的变差函数以反映砂层的空间相关特性,由插值结果得到地基砂层标贯击数及液化范围的沿线分布,从而可以更好地了解地层特征的变化情况。