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。     

基于粒子群算法的重力张量反演研究

重力梯度张量的定义是对重力位求二阶导数,相比于传统的布格重力异常,它在反映地下密度异常分布上有着更高的灵敏度,且能够进一步准确直接地反映目标体的边界.但对单个张量分量作反演时,可能会丢失一部份有用的信息,从而造成反演结果的误差.而全张量反演是将重力的五个梯度张量联合起来进行反演,这样做可以综合更丰富的场源信息.相比于传统做法中的布格重力异常反演和单重力张量分量反演,得到的反演结果不仅有了更高的分辨率,在识别目标体特征上也有更好的效果.粒子群算法是一种基于群体智能的优化迭代算法,这里利用粒子群算法对重力张量单分量、布格重力异常和全张量分别进行反演,并对结果进行简要分析.     

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。     

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。     

粒子群算法在磁测资料井地联合反演中的应用

粒子群优化算法是一种新兴的高效并行优化算法,目前被广泛应用于各领域,但在地球物理反演中很少运用.磁测资料井地联合反演是结合井中与地面磁测数据的各自优势,进行地球物理反演的一种新方法.笔者以立方体为模型,通过理论模型试验和大冶危机矿山实例,将粒子群优化算法运用于磁测资料井地联合反演,取得了比较好的效果,不仅验证了粒子群算法在地球物理反演中的可行性,而且也论证了井地联合反演的优越性.     

基于粒子群优化算法的感应测井反演

针对传统感应测井线性迭代反演受初始模型影响,易陷入局部最优解的特点,设计一种基于粒子群优化的非线性全局最优化反演方法。利用该方法对不同厚度储层模型进行反演研究,在无噪声情况下,反演结果和模型基本一致;在加入5%、10%和15%随机噪声后,反演仍取得良好效果。数值实验结果表明,该反演方法不依赖于初始模型,具有较好的全局寻优和抗噪声能力,能有效反演感应测井数据。     

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。     

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Lévy飞行的粒子群算法在大地电磁反演中的应用

粒子群优化算法在大地电磁测深反演中相较于一般的线性反演算法具有多种优点。然而标准粒子群算法在多维优化问题中存在早熟问题,为此,采用基于Lévy飞行随机游走策略的优化粒子群算法来处理局部最优解,增加寻优能力。通过对地电模型的反演对比表明,改进后的粒子群算法相较于标准粒子群算法适应度值下降速度更快、寻优能力更好。最后将该算法应用于已知钻孔旁实测数据,结果较好,表明该算法具有较好的实用性。     

基于伴随状态方法的地下水污染源识别研究

地下水污染源的识别不仅可为地下水治理方案的制定提供依据,还可用于追究相关排污对象的责任。传统的污 染源识别方法面临计算负荷的困难,而伴随状态方法只需运行少量的污染物运移模型。通过灵敏度矩阵建立污染源特 征与污染物分布的数学关系,根据溶质运移模型推导出伴随状态下的污染源识别模型。分别考虑二维均质、非均质含 水层中的单点与多点污染源污染问题,将伴随状态方法应用于污染源特征识别的四个案例中,根据监测数据识别污染 源的位置及源强。结果表明,伴随状态方法在地下水污染源识别中有较好的适用性,可用于识别地下水污染源的位置 及源强特征,并具有很高的计算效率。     

基于平均线性粒子群算法的人工神经网络在径流预报中的应用

人工神经网络具有很强的非线性处理能力,能够有效地模拟复杂的非线性径流预报过程。传统的基于BP训练算法的人工神经网络具有训练时间较长,容易陷于局部最优值等缺陷,本文对训练算法加以改进,分别使用平均线性粒子群,粒子群和BP算法来优化人工神经网络的各项参数,首先使用标准函数测试了3种算法的全局优化性能,然后用它们对三峡水库的入库径流进行预报,以比较它们的预报性能。结果表明,在3种算法中,平均线性粒子群算法全局寻优的速度最快,稳定性最高,基于平均线性粒子群算法的人工神经网络的径流预报的精度也最高。     

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。     

基于粒子群优化相关向量机的岩层可钻性预测

本文提出了一种基于粒子群优化相关向量机（PSO-RVM）的岩层可钻性预测方法。该方法选取岩层埋深H、声波时差AC、电阻率ρd、岩层密度ρ和泥质含量Vsh等5个参数作为评价岩层可钻性的基本参数。以某油田Du4钻井为例,采用PSO-RVM方法、多元回归方法和RVM方法对岩层可钻性进行评价。计算结果表明,PSO-RVM模型的预测结果与实测数据非常接近,其预测精度明显高于多元回归方法和RVM方法,说明本文提出的方法具有一定的优越性和较高的精度,可以较好地应用于钻井工程中岩层可钻性预测。     

基于粒子群优化神经网络算法的深基坑变形预测方法

深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并将已有的变形监测数据作为神经网络的输入参数,建立了基于粒子群优化神经网络算法的深基坑变形预测方法。将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。结果表明：8号水平位移测点预测结果的均方根误差为3.78%,平均百分比误差为5.48%;9号地面沉降点预测结果的均方根误差为5.62%,平均百分比误差为3.23%。经验证,本文方法预测深基坑开挖过程中的变形具有较高的可信度。     

基于粒子群快速优化MP算法的多子波分解与重构

针对地震信号多子波分解与重构技术中匹配追踪算法能够根据地震信号自身特点进行自适应分解、但其计算量庞大的问题,笔者提出一种粒子群快速优化算法,用于快速搜索地震信号稀疏分解的最优匹配原子。即在迭代过程中,将搜索区域确定在高斯函数能量集中的部分,避免了搜索过程的"贪婪性",能有效降低稀疏分解复杂度。同时,在粒子群算法中引入了一种多项式变异算子,可以有效避免搜索最优解的过度集中。实验结果证明,此算法将匹配追踪的分解精度提高了67倍,更使计算效率提高了153倍。     

基于投影寻踪和粒子群优化算法的洪水分类研究

洪水分类实际上是洪水强度大小辨别的优化问题。洪水分类不仅影响着水库的实时调度，而且也影响着洪水灾害危险评估。对利用降水预报进行洪水资源利用的水库来说，洪水分类对水库实时调度规则的建立有着重要的作用。因此，洪水分类是一个重要的理论和实践问题。本文以长江三峡水库代表性水文站——宜昌站为研究对象．基于投影寻踪方法建立了洪水分类的优化模型，并利用粒子群优化算法对所建模型进行求解。结果表明了投影寻踪方法和粒子群优化算法在洪水分类研究中的有效性和合理性．     

二维磁异常的粒子群快速成像方法及其应用

通过将地下介质划分为一定规模的网格单元,并构造一个与磁性体中心网格位置有关的指数函数模拟地下介质磁性分布特征,利用粒子群算法反演该函数参数,根据求得的函数表达式,推算各网格单元磁化强度,由此实现磁化强度的快速成像。理论模型试验显示:该方法不仅能将一个求解20×10网格规模的物性分布问题简化为求解指数函数的10个参数值的问题;而且,当在不同模型地质体磁异常中加入20%的随机噪声时,也能取得理想的效果,且需要调整的参数少,算法通用性强。利用该算法处理老挝爬立山铁矿区某磁测剖面,得到厚度近140 m的强磁性体;钻孔证实,实际钻遇矿体累积最大厚度达130.6 m,且矿体中心与成像中心相对应:由此证明该方法应用于实际资料处理与解释的可行性和有效性。     

基于粒子群优化的细胞神经网络油气重力异常信息提取

细胞神经网络方法是一种有效的重力异常提取方法,提取出的重力异常信息具有较强的横向分辨能力,但如何训练优化模板是影响该方法提取精度的关键所在。笔者引入粒子群优化算法进行参数优化,结合细胞神经网络和粒子群方法各自的特点,通过细胞神经网络动态性能分析,对模板加入约束条件,并在粒子群算法中引入收缩因子,提出一种基于改进的粒子群优化的细胞神经网络算法。使用该方法进行了模型验证和实际资料处理,处理结果表明,该方法提高了重力异常提取的稳定性,能够更准确地提取油气藏重力异常信息。