改进的遗传算法在土石坝沉降预测中的应用

运用遗传算法基本原理,以时效量作为基本影响因子,建立了土石坝沉降的遗传算法模型.在建模过程中,为保证提高搜索效率和模型精度,对基本遗传算法加以改进.决策变量采用浮点数编码;采用最优保存策略;采用算术交叉算子;采用均匀变异算子.同时从优化模型和土石坝沉降规律出发确定决策变量的定义域,减小搜索范围以提高搜索效率.陆浑水库的应用实例资料表明,模型合理,具有较好的精度,可为土石坝沉降分析提供一条新的途径.     

基于MLR-SARIMA模型的土石坝位移预测

为分析周期因子与时效因子分别对土石坝位移的影响,更好地掌握土石坝位移变化的成因和趋势,进行土石坝位移数据中周期成分和趋势成分的变化规律和预测方法研究。采用HP（Hodrick-Prescott）滤波将实测位移序列分解为趋势项和周期项两部分,对趋势项建立基于MLR（multiple linear regression）的预测模型,对周期项建立基于SARIMA（seasonal auto-regressive integrated moving average）的预测模型,结合以上两模型的结果对土石坝位移进行预测,即MLR-SARIMA预测模型。该模型突出了MLR模型在趋势性数据上的预测优势和SARIMA模型在周期性数据上的预测优势,且仅从实测位移数据分析预测,可适用于缺少环境量数据的情况。实测位移序列经HP滤波分解后,趋势项位移呈缓慢增长趋势,年变幅从1.42至0.51 mm逐渐降低,表明由时效因子引起的土石坝趋势性位移量逐年减小,且已趋于稳定;周期项位移具有明显年周期性,这是由于土石坝位移受到年周期性变化的水位和温度影响,年变幅约为7.00 mm,表明该土石坝位移量主要是由周期因子引起的周期性位移;该变化规律符合土石坝位移的一般变化规律,说明HP滤波可很好地提取土石坝位移数据中的周期成分和趋势成分。MLR-SARIMA模型预测结果准确,相对误差较小,均在5%以内,且均方根误差、平均绝对误差百分比和调整的平均绝对误差百分比这3个指标均优于单一SARIMA模型,表明MLR-SARIMA模型突出了其在预测周期性和趋势性数据方面的优势,可适用于土石坝位移预测。     

土石坝观测资料的灰色分析方法研究

应用灰色理论,结合工程实例,对土石坝观测资料的灰色关联度,灰色建模及灰色预测作了详细的研究,并与统计回归分析结果加以对比,证实了土石坝观测资料的灰色分析方法的可行性。     

土石坝坝体的渗漏处理

以某水库坝址地质情况为例，分析了坝体渗漏的原因。对高压喷射灌浆，帷幕灌浆，混凝土防渗墙方案处理进行比较研究和论证，经过分析计算，认为采用塑性混凝土防渗墙是一种合理可行的方案，相对其他方案可以减少投资便于施工，并能保证质量。     

基于卡尔曼滤波的土石坝渗流安全监控模型

土石坝渗流观测数据中包含着监测系统本身噪声和外界干扰的影响,卡尔曼滤波算法可以去除数据中的测量噪声,还原真实数据,是一种对系统状态进行最优估计的算法.在建立传统统计监控模型基础上,引入卡尔曼滤波算法.滤波过程中状态向量即为监控模型的回归系数,观测方程为监控模型本身,通过对模型的优化达到对测量值的最优估计.该优化模型精度比传统最小二乘回归统计模型更高,并在工程实例中得到验证;当需要处理较多数据时,该优化模型建模效率明显高于最小二乘法.     

土石坝位移反分析的遗传方法

土石坝安全评价是大坝运行安全管理中的重要工作 ,而大坝的安全评价需要以运行期间的观测资料为基础 .尝试把遗传优化算法应用到土石坝土料的参数反演中 ,针对土石坝观测资料的特点 ,建立了适合于土石坝土料参数反演的优化模型 ,在此基础上编制了基于遗传算法的优化程序EDBAGA ,形成了土石坝土料参数反演的通用程序 ,并进行了工程实例的反分析 .此外 ,对观测值数目对反演结果的影响以及如何提高反演结果可信度等问题作了初步讨论 ,并提出了补偿观测信息量的多断面分析法 .     

浅议土石坝抗震设计

介绍了地震力引起土坝破坏的几种类型，提出了土石坝工程设计时应采取的预防措施。     

自适应分层遗传算法在函数优化中的应用

通过分析基本遗传算法在函数优化中的应用，研究其不收敛和收敛慢的原因，并在此基础上提出了自适应分层遗传算法。通过实验，证明了改进算法的优越性。     

遗传算法在拱坝热学参数反演分析中的应用

在大体积混凝土温度场仿真计算中,热力学参数通常由试验或经验公式获取,与现场实际可能存在较大的出入.根据施工现场获取的实测温度数据,利用基于遗传算法编制的反演分析程序对某混凝土拱坝的热力学参数进行反演分析.通过实例证明:遗传算法在混凝土热学参数反演分析求解中简单通用、适应性好且求效率高.     

基于改进遗传算法的系统参数辨识方法

介绍了一种基于遗传算法辨识系统参数的方法,遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法,为了提高算法的优化能力,我们采用了种群迁移以及自适应变异率来改进算法,仿真结果表明,改进的遗传算法辨识系统参数收敛到全局最优,且鲁棒性强,辨识精度高。     

改进的遗传算法应用于电控蓄压式喷油系统

为了使柴油机电控蓄压式喷油系统达到最理想的喷油效果,需要对其重要参数(结构参数和运行参数)进行优化设计,其中涉及到的参数多而且参数之间存在着复杂的耦合关系.在柴油机电控蓄压式喷油系统的参数优化设计过程中,以其工作过程的数字仿真为前提,在简单遗传算法的基础上,采用了几种改进的遗传算法对参数进行优化.对各种改进遗传算法的参数优化过程进行了全面的、简要的说明.由优化结果可知,就达到最大适应度的累积个体数来看,自适应遗传算法比简单遗传算法多355个最优个体,自适应及最优保留策略的遗传算法比简单遗传算法多392个最优个体,重复交叉及最优保留策略的遗传算法比简单遗传算法多397个最优个体.     

利用改进遗传算法求解多极值点函数

提出了适应度标定公式，解决遗传算法初始阶段和临近结束阶段群体的选择压力，正确引导群体发展方向，解决标定后适应值非负问题。定义了相似度概念，可以在不增加群体规模的前提下增加群体的多样性，解决算法易收敛到局部最优解问题。     

基于改进遗传算法的紧固螺栓优化设计研究

探讨了遗传算法在机械设计中的应用，并对该方法作了改进,与传统优化方法相比该方法具有对初始值不敏感以及能搜索到全局最优解的优点，对紧固螺栓的优化实例表明，该方法可行且简便。     

遗传算法在入侵检测系统中的应用

针对目前入侵检测系统不能有效检测未知入侵行为的问题,根据遗传算法在动态环境中的鲁棒性、自适应性强的特点,采取了将遗传算法与入侵检则系统结合的方法,提出了一种基于网络性能的检测算法,此算法实时性强,可自学习,能有效地检测未知入侵行为。     

基于改进遗传算法的离散变量结构优化设计

根据工程实际,充分考虑规范规定的约束条件和各项技术标准要求,建立了离散变量结构优化模型。针对遗传算法的缺陷,提出了一种改进的遗传算法。算例结果表明,改进的遗传算法收敛快、精度高,应用于离散变量结构优化设计是有效的。     

改进的GM（1,1）灰色模型在大坝沉降预测中的应用

针对传统GM（1,1）模型的不足,分别从提高原始序列的光滑度、优化背景值、优化时间响应函数三个方面对其进行了改进,对模型进行后验差检验进行模型精度检验,并建立了一种新的GM（1,1）模型,将改进了的模型应用于大坝沉降预测中,结果显示,新的GM（1,1）模型拟合预测精度明显高于传统模型.