Back-analysis of soil parameters of the Malutang II concrete face rockfill dam using parallel mutation particle swarm optimization

Deformation control is a central problem in earth-rockfill dam design. The finite element method (FEM) is the primary method used to analyze and predict the deformation of earth-rockfill dams. The parameters of the constitutive model of soil used in earth-rockfill dams determine the FEM analysis results. Using prototype monitoring displacements, the soil parameters of the Malutang II concrete face rockfill dam were back-analyzed using parallel mutation particle swarm optimization. The calculated displacements of the back-analyzed soil parameters are consistent with the prototype monitoring results. The parallel mutation particle swarm optimization has a high optimization rate and can be used in large-scale practical engineering applications. The back-analysis results indicate that the deformation moduli of rockfills in the Malutang II are affected by construction situ.     

水文地质参数反演的Hooke-Jeeves粒子群混合算法

水文地质参数寻优结果的好坏会直接影响到地下水数值模拟的精度,而参数寻优结果很大程度上取决于寻优方法的选择。粒子群算法是一种基于群智能的随机全局寻优方法,算法的缺陷是后期搜索效率低劣。基于随机寻优算法的混合策略,引入有效的约束处理手段和粒子群算法惯性因子的动态非线性调整技术,有机融合粒子群算法与Hooke-Jeeves方法,提出一种适用于水文地质参数反演的HJPSO混合算法。应用研究表明,HJPSO混合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。     

基于粒子群优化的岩土工程反分析研究

岩土工程优化反分析本质上看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,但由于优化反分析中多次调用正分析的特点使得整个算法的计算效率很低。为了提高优化反分析的计算效率,把一种计算效率更高的新型仿生算法--粒子群优化引入岩土工程反分析领域,提高反分析的计算效率。在此基础上,结合有限元数值分析技术,提出了一种新的岩土工程优化反分析算法--粒子群优化反分析。并通过一个简单算例验证了该法的有效性。     

小波降噪与粒子群优化综合回归爆破震动参数

爆破震动测试得到的数据常常具有较大的离散性,采用剔除错误数据和小波降噪对爆破震动检测数据进行预处理,以标准残差平方和作为爆破振动实测数据与萨道夫斯基公式拟合值偏差大小的判断依据,应用小波降噪对实测数据进行处理的方法,优化了粒子群算法对萨道夫斯基公式中的k和 的回归分析。研究结果表明,小波降噪和粒子群优化算法结合使用,能够较真实地反映爆破震动测试的真实情况,从而提高了对爆破震动测试模拟的精度。研究结果对爆破振动测试理论和工程实践具有一定的参考价值。     

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。     

Hybrid particle swarm optimization for first-order reliability method

A reliability analysis method based on the combination of the first-order reliability method (FORM) and hybrid particle swarm optimization (SACPSO) is presented for the reliability optimization calculation. The new reliability method, named as SACPSO-FORM, can be utilized for those complex reliability problems with correlated non-normal variables and implicit performance functions. Three examples are performed to verify its validation, and stability reliability analysis on the complicated rock foundation of a practical gravity dam is demonstrated. The results show that the proposed method is accurate, stable, flexible and efficient for reliability analysis in engineering applications.     

基于粒子群算法优化小波支持向量机的岩土力学参数反演

常用的确定岩土力学参数的方法有原位测试和室内试验两种,但都存在一定的局限性,参数选择的合理与否,对设计计算及数值模拟分析结果的有效性影响很大。支持向量机法在理论基础和求解算法方面都具有明显优势,为确保岩土力学参数取值的合理性,采用支持向量机法对岩土力学参数进行反演。先通过小波分析理论构造出支持向量机的核函数,再用粒子群算法(PSO)分别优化Morlet小波、Mexico小波和RBF函数的支持向量机模型参数,通过小波支持向量机模型建立反演参数与沉降值间的非线性映射关系。根据正交试验和均匀试验对需反演的岩土力学参数进行设计,结合有限元软件进行计算分析,得到学习样本和测试样本。分别采用Morlet小波、Mexico小波和RBF函数得出的预测结果和原始数据进行对比分析,发现采用Morlet小波核函数预测效果更佳。使用Morlet小波核函数预测的参数输入到Midas模型中计算建筑物最终沉降量,比较计算值与实际监测值,其相对误差不超过8.1%。研究结果表明,该方法在岩土工程参数的反演中具有良好的应用价值,对今后岩土力学参数的确定及校核提供了一种新方法。     

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。     

An improved classification of mineralized zones using particle swarm optimization: A case study from Dagh-Dali ZnPb (±Au) prospect,Northwest Iran

Classification of mineralized areas into different geochemical classes in terms of prospectivity is crucial in the optimal management of exploration risk and costs. Machine learning (ML) algorithms can be served as appropriate alternatives for separating ore-related anomalies due to avoiding the assumptions of statistical distribution and compatibility with the multivariate nature of geochemical features. By hybridizing the ML with a metaheuristic algorithm called particle swarm optimization (PSO), this contribution aims to provide an innovative approach to optimize the classification of geochemical anomalies within the study area. The algorithm, PSO, is inspired by simulating the social behavior of flocks of birds in search of food. The Dagh-Dali ZnPb (±Au) mineral prospect in northwest Iran was subjected as a case study to examine the integrity of the proposed method. Mineralization-related features were extracted by applying principal component analysis (PCA) on metallogenic elements analyzed in soil samples as PC1 and PC2 with elemental assemblages of AgAuPbZn and PbZn, respectively. The silhouette index was employed to estimate the number of underlying geochemical clusters within the adopted feature space. To constitute a comparative analysis, two k-means clustering and PSO-based learning (PSO-L) algorithms were implemented to classify the gridded data of PC1 and PC2 within the study area. The results indicated that the use of PSO has improved the cost function of the clustering problem (up to 4%). Adapting the mineralization classes with the metallogenic evidence demonstrated by boreholes drilled in the study area indicated that PSO-L was superior to the traditional k-means method, improving the accurate estimation of subsurface mineralization classes by 7%. By overcoming the drawbacks of conventional methods for trapping at the local optima, PSO-based learning possesses the potential to highlight weak mineralization signals that are numerically located in boundary conditions. The results show that the proposed approach can serve as an effective medium for optimal modeling of geochemical classes and management of detailed exploration operations.     

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。     

改进型粒子群算法及其在GPR全波形反演中的应用

探地雷达作为高精度的物探工作方法,其主要目的是反演解释地下结构的物性参数.笔者提出社会学习型粒子群优化反演方法,它以信号均方误差为目标函数,用时域有限差分方法作正演,并且针对反射波信号较弱、反演效果不佳的情况设计了对正演结果进行振幅补偿的方法,对反射波的振幅进行增益,以提高反演精度.通过与经典粒子群优化反演方法的结果对比,说明了该算法在准确度以及效率方面都有相当大的提高.经过分析多层介质仿真数据的一维反演结果,说明了该算法对多参数反演的有效性和良好的抗噪性.     

基于PSO-PP的围岩稳定性评价

围岩的稳定性评价是一个复杂的不确定系统问题。结合投影寻踪方法、粒子群算法和逻辑斯谛曲线函数,建立了围岩稳定性评价的粒子群优化投影寻踪(projection pursuit based on particle swarm optimization,PSO-PP)模型。该模型一方面采用粒子群算法优化投影指标函数及逻辑斯谛曲线函数参数,确保了模型的准确性;另一方面利用逻辑斯谛曲线函数建立投影值与经验等级之间的非线性关系。模型的测试结果显示了良好的精度,实例分析结果与实际状态完全一致,表明该模型在围岩稳定性评价中的可行性和有效性。     

粒子群算法改进及内变量本构模型参数反演

为了研究深埋煤矿巷道通常存在长时间、大变形问题,拓展岩土工程反分析的手段,改善岩土工程反分析的效率和精度,首先基于自然选择、自适应变惯性权重、异步变化学习因子的策略改进了粒子群算法并完成了程序实现,通过Sphere和Rastrigrin两函数测试了改进算法的优越性;其次以Matlab软件为平台,联合大型有限元软件ABAQUS,编制了岩土反分析程序GeoPSOInverse.m;最后应用所编程序反演了以不可恢复应变为变量的、不显含时间的泥岩蠕变模型参数。结果证实：改进的粒子群算法在岩土工程参数反演计算中体现出了可靠的反演能力和很快的收敛速度,可进行复杂采矿工程的实践应用。     

改进量子粒子群算法在水电站群优化调度中的应用

针对量子粒子群算法求解水电站群优化调度问题存在的早熟收敛、寻优能力欠佳等缺陷,从种群初始化、进化和变异等方面提出了改进量子粒子群算法。该方法引入混沌搜索增强初始种群质量;通过加权更新种群最优位置中心改善种群进化模式并提升收敛速度;利用邻域变异搜索增加种群多样性避免早熟收敛。同时依据问题特点设计了矩阵实数编码方式与复杂约束处理方法。乌江梯级综合对比分析表明所提方法能切实保证快速获得高质量优化调度结果,有效提高梯级水能利用率,如长序列模拟调度较逐步优化算法分别减少8.9%的弃水和72.3%的耗时,是一种适用于大规模水电站群优化调度的高效实用方法。     

基于粒子迁徙的粒群优化算法及其在岩土工程中的应用

受自然界物种迁徙的启发,提出了一种新的改进的粒群优化算法(MPSO)。算法初始化时,将粒子随机地划分为若干个子粒群,每个子粒群按照给定的策略独立演化,在演化中的指定时段进行粒子的随机迁徙和自适应变异,以保持整个种群的多样性,避免早熟收敛。基准测试函数的计算结果表明,MPSO算法的性能优于其他几种改进算法。堆石体幂函数流变模型,参数较多,具有很强的非线性,将MPSO算法应用到堆石体幂函数流变模型的参数反演中。计算结果表明,利用反演的流变模型参数计算的坝体流变变形与实测变形在发展规律和数值上均比较吻合,证明MPSO算法在多参数、强非线性的复杂模型参数反演中的优越性。     

粒子群优化复合形法求解复杂土坡最小安全系数

为提高复合形法的寻优成功率,对初始复合形以及第一次出现“最坏点映射失败”之复形的顶点进行变异粒子群优化算法操作,搜索得到较优解,并替换掉当前复形中的一个顶点。利用最大复形中心距替换准则,产生新的复合形。对新的复形继续进行基本复合形法的计算,构成了基于变异粒子群优化的改进复合形法。对两个复杂土坡的最小安全系数的搜索表明,改进的复合形法具有较强的全局搜索能力。     

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     

基于粒子群优化支持向量机的煤层底板突水量等级预测

为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。     

基于PSO-SVM的边坡稳定性组合预测方法研究

为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。     

Toward reliable calibration of aquifer hydrodynamic parameters: characterizing and optimization of arid groundwater system using swarm intelligence optimization algorithm

Despite advanced development in computational techniques, the issue of how to adequately calibrate and minimize misfit between system properties and corresponding measurements remains a challenging task in groundwater modeling. Two important features of the groundwater regime, hydraulic conductivity (k) and specific yield (S _y), that control aquifer dynamic vary spatially within an aquifer system due to geologic heterogeneity. This paper provides the first attempt in using an advanced swarm-intelligence-based optimization algorithm (cuckoo optimization algorithm, COA) coupled with a distributed hydrogeology model (i.e., MODFLOW) to calibrate aquifer hydrodynamic parameters (S _y and k) over an arid groundwater system in east Iran. Our optimization approach was posed in a single-objective manner by the trade-off between sum of absolute error and the adherent swarm optimization approach. The COA optimization algorithm further yielded both hydraulic conductivity and specific yield parameters with high performance and the least error. Estimation of depth to water table revealed skillful prediction for a set of cells located at the middle of the aquifer system whereas showed unskillful prediction at the headwater due to frequent water storage changes at the inflow boundary. Groundwater depth reduced from east toward west and southwest parts of the aquifer because of extensive pumping activities that caused a smoothening influence on the shape of the simulated head curve. The results demonstrated a clear need to optimize arid aquifer parameters and to compute groundwater response across an arid region.