基于多目标蚁狮优化算法的微震震源定位数学模型组合北大核心CSCD

通过多目标智能优化算法研究微震震源定位存在的模型组合合理性未阐明、易陷入局部最优解、定位结果波动性较大等问题。为解决这些问题,首先在到时差模型与到时差商模型基础上设计4个不同的微震震源定位数学模型,两两组合构建6个多目标优化定位模型;再设计3组基于不同台网形状(三维多面体、二维长方形、一维直线型)的微震震源正演仿真实验和1组工程数据验证实验,并引入多目标蚁狮优化(multi-objective ant lion optimization,MOALO)算法求解这些模型;最后采用多个统计指标评判各个模型组合定位效果的优劣。结果表明,数学模型组合(TDA-P1,TDQA)结合MOALO算法的多目标优化定位策略能够得到较高的微震震源定位精度,且模型稳健性较好,优于其他模型组合和传统多目标定位方法,在微震监测领域具有一定的应用价值。     

土地利用配置的混沌蚁群优化算法研究

土地利用优化配置是促进土地可持续发展的重要举措,然而现有研究缺乏有效求解土地利用优化配置模型的新型混合式智能优化算法。本文结合蚁群算法和混沌模型,形成混沌蚁群优化（Chaos Ant Colony Optimization,CACO）算法,并以广州市增城区为研究区,对土地利用现状进行优化配置;然后在数量结构、目标函数值、空间布局等方面将优化结果与土地现状及标准蚁群算法优化结果进行对比分析。结果表明：① CACO算法能在满足多种约束条件下,有效解决多目标土地利用优化配置问题;② 与标准蚁群算法相比,CACO算法能增加土地利用的经济效益7.18亿元、生态效益0.33亿元、社会效益1.13%,同时降低地类转换成本1.15%;③ CACO算法能使土地利用现状空间分布多样性和均匀性的下降控制在1.30%以内,同时缩减地块数量8.86%,并使平均斑块大小增加9.77%,从而提升土地集约利用水平,更合理地配置各现状地类的空间分布,为研究区土地利用的科学规划与决策提供支持。     

大冶金山店铁矿区地震监测与成因类型探析

收集、整理了大冶金山店铁矿区近几年微震活动的监测记录,并通过震中精定位和地震波形、频谱、震源机制解等综合性研究,认为该矿区的地震活动与矿山开采有密切关系,其成因类型属采矿诱发的地震活动,简称矿震.     

基于改进果蝇算法的非线性模型参数估计方法

在对基本果蝇优化算法的寻优流程进行深入分析的基础上,提出一种单方向搜索处理的改进果蝇优化算法（IFOA）。该方法可以对极值点为非零非负的非线性函数进行优化处理,将其应用于非线性模型参数估计。实例表明,IFOA方法在参数估计精度上优于线性近似法与非线性迭代方法;与以遗传算法为代表的智能搜索方法相比,其估计精度相当,并具有参数设置少、寻优过程简单、易于程序实现等优点。     

利用混沌粒子群算法确定河流水质模型参数

将混沌寻优思想引入到粒子群优化算法中,提出了混沌粒子群算法,这种方法利用混沌运动的随机性、遍历性和规律性等特性对当前粒子群体中的粒子进行混沌寻优.通过这种处理使得粒子群体的进化速度加快,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度.并将混沌粒子群算法应用于求解分析瞬时投放示踪剂情况下的一维河流水团示踪试验数据以及确定河流水质参数的函数优化问题,结果表明,混沌粒子群算法的收敛性能明显优于粒子群优化算法.     

改进的粒子群优化算法

针对粒子群优化算法易陷入局部最优并难以跳出的缺陷,提出了一种改进的算法。算法在采用自适应惯性权重基础上,引入粒子群局部收敛判断机制,对陷入局部最优的粒子采取新的进化模型以增加群体的多样性,进而降低了群体早熟收敛。通过新进化模型的粒子群优化算法对4个基准函数反复试验,仿真结果表明改进的粒子群算法具有更好的收敛精度并且可以有效避免早熟收敛问题,寻找到全局最优解。     

基于蚁狮优化算法的瑞雷波频散曲线反演

反演瑞雷波频散曲线获得横波速度剖面,是近地表瑞雷波勘探中最重要的步骤之一;瑞雷波频散曲线反演是一个多极值、高度非线性问题,为此引入蚁狮优化算法求解该类问题。蚁狮优化算法是一种群智能算法,是模仿蚁狮设置陷阱捕食的行为建立的全局优化算法,该算法收敛速度较快且降低了不同的参数设置对结果产生的影响。通过使用蚁狮优化算法对典型的理论地质模型进行了频散曲线反演,反演结果表明蚁狮优化算法能够运用在瑞雷波频散曲线反演中且精度较高,在实测资料中与传统非线性方法进行了对比,验证了基于蚁狮优化算法频散曲线反演的优势与实用性。     

断层三维滑动速率反演的算法对比

将微粒群优化算法与位错理论模型相结合,采用模拟重力测量数据反演断层三维滑动速率,并比较了该算法与蒙特卡洛法和蚁群算法的反演结果。利用河西地区2001~2004年的GPS数据,对祁连山断层的三维滑动速率进行反演,并与蚁群算法进行比较。结果表明,微粒群优化算法可有效求解断层的三维滑动速率,收敛快、精度高。     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明：引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

基于SSA-Adam-BP神经网络模型的堰塞坝稳定性预测

现有的堰塞坝稳定性预测模型多为线性模型, 无法充分考虑堰塞坝稳定性与其形态特征和水域条件之间的复杂非线性关系。鉴于此, 结合反向传播神经网络模型和樽海鞘优化算法, 提出了一种新型的堰塞坝稳定性预测模型SSA-Adam-BP。该模型通过网格搜索法选取确定模型结构的最佳超参数组合, 进而利用交叉验证和绘制ROC曲线的方式分别对采用不同优化算法的模型进行评估。使用开源数据库中的全球153例堰塞坝数据对模型的实际应用进行了说明及验证。与传统线性模型的对比表明神经网络模型预测准确率较高, 具有较低的误报率。将SSA与Adam优化算法结合提高了BP模型的全局搜索能力, 其平均交叉验证准确率达到了91.73%, 能够使用较少的参数实现对堰塞坝稳定性快速准确的预测。SSA-Adam-BP模型对近年来典型工程的稳定性能够准确预测, 具有一定的实用性和系统平台推广应用价值。      

粒子群优化的半监督入侵检测算法

为解决无监督入侵检测算法检测率低,有监督的入侵检测不能有效的检测未知攻击的问题,提出了一种粒子群优化的半监督入侵检测算法,算法对少量的约束信息进行基于密度的扩展获得潜在约束得到聚类模型,以此指导未标记数据聚类,对仍没有确定类别的未标示数据使用粒子群优化的K均值算法进行聚类实现对异常的检测。改进的算法检测率达到83.7%,误报率减少至3.13%,总体效果优于无监督和有监督学习的入侵检测算法。     

人工蜂群算法及其在土地资源优化中的应用研究

设计了应用于土地资源优化的人工蜂群算法,实现了将人工蜂群算法应用于土地资源优化问题;解决了ABC算法应用于多目标优化的两个难题:过早老化的问题和收敛速度慢的问题;以许昌市为例,进行多目标土地利用优化配置应用研究。研究结果表明:优化模型得到的土地利用格局、算法的适应度和收敛速度的均有明显提高。     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

空间数据库中的三种查询优化方法

查询优化是数据库系统设计和实现所采用的一项重要技术,也是影响数据库系统性能的一个重要因素.文章对最新的几种空间数据库的查询优化方法如基于线性四叉树的快速邻域查询算法,大规模高维向量空间的快速范围查询法和基于柱子群算法的数据库查询优化,进行了对比概述,总结了其优缺点.     

基于克隆选择算法的冲压工艺机器人结构优化研究

冲压上下料机器人的结构优化设计,通常涉及多个优化参数,采用传统的优化方法往往由于优化目标函数的复杂性不能得到理想的效果。提出基于克隆选择算法的机器人本体结构优化方法,依托有限元ANSYS Workbench平台得到上下料机器人关键零部件的全局最优本体结构。通过与ANSYS Workbench自带优化算法的比较可知:在不增加结构质量的情况下,能获得更高的刚度和强度,从而有效提高机器人的机械性能。实验测试证明了该方法有效可行。     

基于改进RANSAC算法的复杂建筑物屋顶点云分割

屋顶模型重建影响到建筑物完整模型重建质量,屋顶面点云分割质量对屋顶模型重建具有重要意义。针对传统RANSAC算法在屋顶点云面片分割时易产生错分割、过分割等问题,本文顾及点云位置信息,提出一种对点云重新分配的改进RANSAC点云分割算法。算法暂时剔除非平面内点,选取平面内点集中3个点作为初始样本,平面拟合判定邻域是否有效,从有效邻域中选取标准差值最小的3个点为初始模型。利用RANSAC算法对屋顶点云进行分割。利用K近邻算法统计误分类点与面片的距离降低误分类,优化过分割面片并进行连通性分析,利用距离及法向量一致性检验的方法重分配非平面内点。为验证本文算法有效性,选取芬兰Helsinki地区的3栋相互独立的复杂建筑物屋顶以及上海某小区的6栋建筑物群屋顶作为实验数据。在2组数据中,本文提出的改进RANSAC算法分割屋顶面片的平均准确率分别为92.17%、87.82%,78%的建筑物屋顶不存在过分割。在第2组数据中,所有分割面片上的点与其对应的最佳拟合平面的距离的标准差的平均值为0.030 m。实验结果表明,本文算法分割建筑物屋顶面片的准确率较高,较好的抑制了过分割现象,且抗噪能力强。     

基于全局人工鱼群算法的函数优化

基本人工鱼群算法将基于鱼群行为的人工智能思想引入到解决函数优化的问题中,根据自然界中鱼类寻找食物的行为特点,推演出人工鱼的四种行为模型:随机行为、觅食行为、聚群行为、追尾行为。该算法具有对初值参数选择不敏感、鲁棒性强、简单易实现等优点。本文的全局人工鱼群算法是针对基本人工鱼群算法运算速度慢、求解精度低和容易陷入局部极值的缺陷而提出的。该算法在觅食、聚群、追尾行为中用历史全局最优人工鱼的位置和感知区域内较优位置的和向量代替感知区域内较优位置。这样不仅缩短了人工鱼向最优解移动的时间,也提高了求解最优值的精度和速度。仿真结果表明,该算法在函数优化方面的优化性能高于基本人工鱼群算法。     

基于SAFA-FDGM(1,1)模型的BDS钟差预报

为建立高精度的BDS钟差预报模型,提出一种基于改进的萤火虫算法优化的分数阶离散型灰色系统SAFA-FDGM(1,1)钟差预报模型。为避免萤火虫算法陷入局部最优解,提高萤火虫算法的优化能力,本文引入惯性权重因子,同时对吸引力因子、步长因子进行改进;利用改进的萤火虫算法自动优化选取FDGM(1,1)分数阶因子来提高FDGM(1,1)数据拟合精度。分别采用C02(GEO)、C09(IGSO)、C12(MEO)三种不同类型卫星的钟差数据进行实验分析,结果表明,本文预报模型优于传统二次多项式模型与GM(1,1)模型,其中3~6 h预报误差小于1 ns,9~12 h预报误差优于2 ns,对建立高精度的BDS卫星通用钟差预报模型具有重要参考价值。     

利用AO-SVR模型预测PM2.5浓度

针对支持向量回归(support vector regression, SVR)模型无法主动选取最优参数和核函数等问题,采用天鹰算法(aquila optimizer, AO)对其进行优化,构建天鹰算法优化支持向量回归模型(AO-SVR)。分别构建AO-SVR、SVR、灰狼算法优化支持向量回归(GWO-SVR)、鲸鱼算法优化支持向量回归(WOA-SVR)4种模型,使用2020-01-01～30拉萨、乌鲁木齐、长春、武汉、上海5市的大气污染物、气象因素以及天顶对流层延迟(zenith tropospheric delay, ZTD)的小时数据,分别预测5市2020-01-31的PM_2.5浓度变化。结果表明,AO-SVR模型的适用性更好,其中,上海的预测值最贴近实际观测值。     

GIS网络分析在矿山中的应用

随着GIS的广泛应用,数字矿山作为一门新学科领域得到了广泛重视.本文在阐述地理网络分析的基础上,将矿山巷道网络作为一种地理网络实体进行研究,分析了构成巷道网络的基本元素,简述了网络分析的基本算法一Dijkstra与Floyd算法,并对这几种算法进行了比较.进而,总结了巷道网络路径分析方法与步骤.