基于粒子群算法的岩体结构面产状模糊C均值聚类分析

结构面产状分析是进行岩体力学分析及稳定性评价的基础,玫瑰花图、等密度图等传统的图形分析方法较为粗糙,无法对产状数据进行准确分析,采用模糊聚类方法则可以得到较为准确的优势产状,但需要事先指定分组数及初始聚心,且模糊聚类算法为局部寻优算法,初始划分对最终的数据分析结果影响较大。为了得到较为客观的分组结果及优势产状,同时能够针对大量结构面产状数据进行聚类分析,提出了基于粒子群算法的岩体结构面产状模糊C均值聚类算法。采用粒子群算法进行模糊C均值聚类算法初始聚心的求解,在计算过程中可同时确定最佳分组数,避免了人为指定的主观性,克服了模糊C均值聚类算法易陷入局部极小值和对初始划分敏感的不足。最后,通过工程实例中不同方法的聚类效果对比分析该算法的有效性,并将该方法应用于实测结构面产状数据的分析,得到较为符合实际的优势结构面分组。     

基于WOA-BP算法的海底管道腐蚀速率预测

管道腐蚀速率的影响因素众多且各因素协同作用,构成异常复杂的腐蚀体系,很难对其进行准确预测。针对单一BP模型由于初始权值和阈值的选取不当容易陷入局部最优等问题,引入WOA算法优化BP神经网络对海底管道腐蚀速率进行预测,并与GA和PSO算法优化BP预测模型进行对比,验证WOA-BP模型的预测效果和可行性。结果表明：WOA-BP模型的平均绝对百分误差和均方根误差分别为3.689%和0.1537,远低于单一BP、PSO-BP、GA-BP模型,具有较高的预测精度和稳定性,可以为海底管道内腐蚀防护和油气管道流动保障提供决策支持。     

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。     

基于公平最大化目标的2020年北京市养老设施布局优化

北京市正快速步入老龄化社会,机构养老作为一种重要的养老模式,对其布局公平性和合理性的研究具有重要的科学和现实意义。本文首先预测了自然增长状态下2020年北京市老龄人口的空间分布,然后建立设施布局优化模型,该模型以各需求点到养老设施的可达性差异最小化为目标;并采用粒子群优化算法求解,对北京市养老设施进行以公平最大化为目标的布局优化。研究结果表明,在公平最大化的目标下,首都功能核心区和城市功能拓展区(即中心城区)所提供的机构养老资源不能完全满足本地需求。城市发展新区在满足当地的机构养老需求之外,还将为中心城区提供大量机构养老服务,生态涵养发展区在满足本地需求的基础上还可为其他地区提供少量机构养老服务。该布局导向与《北京市养老设施专项规划》提出的布局建议相一致,且符合中心城区用地紧张、郊区自然环境较舒适的现实情况。研究结果能为养老政策的制定提供科学建议,所采用的方法也能为其他类型公共服务设施的布局优化提供借鉴。     

基于粒子群算法的全极化SAR图像非监督分类算法研究

提出了一种基于H/α/A和粒子群优化(PSO)算法的全极化SAR数据非监督分类方法。该方法利用H/α/A对全极化SAR数据进行基于散射机理的初分类,计算各类别的聚类中心,并利用计算结果对PSO算法进行初始化,然后采用PSO对极化SAR数据进行迭代分类。在运算过程中,引入了基于最大似然准则的复Wishart距离,以提高分类器的性能。实验结果验证了该算法的有效性,所提出算法的分类结果优于传统的Wishart-H/α/A分类方法。     

基于粒子群优化算法的边坡临界滑动面搜索方法

采用数值计算结果进行极限平衡分析是边坡稳定性分析的重要方法,最危险滑移面位置的确定是边坡稳定性分析的关键。采用粒子群优化理论控制位于滑移面后缘范围的滑入点和前缘剪出区域的滑出点,以均分逼近法控制滑面半径,实现了边坡内潜在滑移面位置的搜索及安全系数的计算,进而确定了边坡的最小安全系数及最危险潜在滑移面位置,搜索出的滑面不依赖于网格节点。以昆明某公路滑坡为例,将搜索出的最危险滑面与现场勘察成果进行对比,结果表明,采用本文方法计算所得的结果与工程实际较为吻合,证明了该方法的有效性。     

一种新的地震子波提取与层速度反演方法

粒子群优化算法是近十年发展起来的一种基于群智能的非线性全局最优化新方法.本文详细介绍了粒子群优化算法的基本原理,并将其应用到子波提取与层速度反演中.通过模拟数值算例,从不同角度研究了粒子群优化算法的可行性及其效率问题.试算结果表明,粒子群优化算法在不同分辨率、不同信噪比、不同相位子波合成的地震记录反演中效果明显.     

RANSAC-PSO算法的抗差反演——以芦山地震为例

本文利用RANSAC-PSO算法研究在反演断层滑动参数时所用大地测量数据包含粗差的问题。在模拟实验中对理论观测值加入1%、5%、10%粗差,分别采用粒子群算法、选权迭代算法和RANSAC-PSO算法反演断层滑动参数。结果表明,当观测值中包含粗差率达10%时,PSO算法反演的滑动参数与理论值相差23.2 cm,选权迭代法反演的滑动参数与理论值相差26.2 cm,而RANSAC-PSO反演的滑动参数与理论值相差小于1 cm。芦山地震具有以逆冲为主兼具少量左旋走滑性质,采用芦山地震同震GPS位移数据分别以PSO算法和RANSAC-PSO算法反演断层滑动参数,RANSAC-PSO算法反演的走滑量为0.051 8 m,倾滑量为0.828 9 m,均大于PSO的反演结果;释放能量1.000 9×1019 N·m（MW6.63）,与GCMT 的1.060 0×1019 N·m更加吻合。分别用RANSAC-PSO算法与PSO算法反演的滑动参数计算地表水平位移,并与GPS观测进行对比,发现二者在计算距断层的远场点时,计算的水平位移基本一致;而在计算距断层的近场点时,RANSAC-PSO算法表现更为优秀,尤其体现在LS07点上,其计算值与GPS观测值完全重合。     

露天矿边坡变形监测中BP神经网络模型优化设计

提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。     

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。