飞蛾火焰优化算法在马斯京根模型参数优化中的应用

通过10个典型二维函数对一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法进行仿真验证,并与粒子群优化(PSO)算法的寻优结果进行对比。利用该算法优化马斯京根模型参数,并以相关文献中的3个实例进行验证。结果表明:MFO算法在二维函数极值寻优问题上具有较好的收敛精度和全局寻优能力,寻优精度较PSO算法提高了7个数量级以上。利用MFO算法优化马斯京根模型参数,可以获得比相关文献更高的模拟精度,为精确估计马斯京根模型参数提供了有效方法。     

混沌粒子群优化算法在确定含水层参数中的应用

以泰斯公式为例,将混沌粒子群优化算法应用于求解分析抽水试验数据,解决含水层参数的函数优化问题.通过在粒子群算法的初始化粒子位置及后续的细搜索过程中加入混沌序列,提高了算法的收敛速度和精度.数值实验结果表明:混沌粒子群算法能够有效地应用于求解含水层参数计算问题;粒子数的增多对混沌粒子群算法收敛性的影响不明显;待估导水系数选取不同的倍数均体现出混沌粒子群算法的收敛性明显优于粒子群优化算法.混沌粒子群算法应用于确定含水层参数是可行的.     

多元优化算法在马斯京根模型参数优化中的应用

以2个实例为研究对象,利用一种新型群体智能算法——多元优化(MVO)算法优化马斯京根模型参数,并与相关文献中加速遗传算法等多种方法的优化结果进行对比。结果表明:MVO算法优化结果优于其他算法,利用MVO算法优化马斯京根模型参数,可以获得比相关文献更高的模拟精度,不但为精确估计马斯京根模型参数提供了有效方法,而且拓展了MVO算法在水文模型参数优化中的应用。     

改进PSO法在马斯京根模型参数估计中的应用

提出了一种改进的粒子群算法(PSO),在保持基本粒子群算法进化原理基础上,考虑坏粒子即适应值最差的粒子在进化过程中所具有的有用信息,对部分粒子的进化模式进行改进.本方法丰富了粒子进化的多样性,能有效地克服基本粒子群算法易早熟的缺点.应用实例表明,同其他算法相比,该算法的计算精度较高,且编程易实现,因此可广泛应用于求解多种模型参数的优化问题,为准确估计非线性马斯京根模型参数提供了一种有效的方法.     

参数优化算法在水库水文模拟中的应用

文中结合水库2000-2010年实测水文数据进行对比分析,应用粒子群优化算法和遗传算法对新安江模型的参数进行优化分析。结果表明:粒子群优化算法高于遗传算法的参数优化程度。粒子群优化算法的优化参数值水库水文模拟的精度明显高于遗传算法的模拟精度,且粒子群优化算法的收敛精度更高。     

基于改进Tent映射的自适应变尺度混沌粒子群算法

为改善标准粒子群优化算法本身存在的缺陷,引入种群混沌初始化方法、参数自适应调整策略、早熟判断机制以及基于改进Tent映射的变尺度混沌局部搜索方法对原有算法进行改进,提出一种基于改进Tent映射的自适应变尺度混沌粒子群算法(Improved Adaptive Chaos PSO,IACPSO)。多种高维Benchmark函数的计算结果表明,IACPSO算法在计算精度、优化稳定性及收敛速度方面均明显优于其他改进粒子群优化算法。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

改进粒子群优化算法在水文模型参数优化中的应用研究

引入改进的粒子群优化算法,对垂向混合产流模型计算参数进行优化,并对比参数优化前后水文模拟精度。研究结果表明：改进的粒子群优化算法模型可较快完成参数优化,相比于参数优化前,垂向混合产流模型年尺度模拟相对误差减少6.15%,模拟的过程确定性系数平均提高0.11;在次洪模拟中,模拟相对误差平均减少3.03%,模拟的洪水过程确定性系数平均提高0.19,水文模拟精度得到较大程度提高。研究成果对于区域水文模型参数优化提供参考价值。     

差分进化算法在马斯京根模型参数优选中的应用

针对马斯京根模型参数最优估计中求解复杂、精度差等问题，结合绝对残差绝对值之和最小准则，提出应用差分进化算法（Differential Evolution Algorithm）直接优选模型参数。同其它算法相比，实例分析表明该算法具有较强的全局搜索能力和较高的计算精度。为更好地优选马斯京根模型参数提供了一种更为有效的新方法。     

基于水岩耦合的面板堆石坝参数动态反演

针对面板堆石坝有限元模型参数的反演方法中存在的问题,特别是模型参数与实际工程条件的差异,基于混沌-粒子群算法,考虑蓄水后坝体受到的渗流及水岩耦合作用,构建面板堆石坝参数动态反演分析方法。根据面板堆石坝的实际工程特点,改进粒子群优化算法,将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动。基于大样本实测数据,借助Matlab软件工具箱编制了相应的程序,利用混沌粒子群算法进行参数动态反演分析。研究成果可以更好的为面板堆石坝的稳定性分析提供良好的参考依据,具有十分重要的应用价值。     

混沌差分算法在确定河流水质模型参数中的应用

将混沌寻优思想引入到差分优化算法形成混沌差分算法,并将其应用于确定河流水质模型参数的函数优化问题.数值实验结果表明:应用混沌差分算法求解此参数问题无论是在精度还是时间上都优于差分优化算法.它将混沌寻优的遍历性和随机性思想引入到差分优化算法中,在每次差分进化寻得的最优位置附近进行混沌细搜索,并配合特殊的迭代终止准则进行寻优.其明显缩短了混沌搜索计算时间和克服了差分优化算法后期早熟的缺陷,提高模型求解的收敛速度和精度.     

改进粒子群算法在确定含水层参数中的应用

通过分析抽水试验数据,为估计含水层参数提供新的方法。在粒子多样性方面对粒子群算法进行改进,提高了算法的收敛速度和精度。将改进的粒子群优化算法应用到含水层参数估计中,计算结果与其他方法进行对比,并对不同初始值范围下参数估计值进行分析探讨。结果表明:改进粒子群算法估计结果相对误差(7.3%和4.5%)小于其他方法,且目标函数值相对更小,达到0.335×10~(-5);对于不同初始参数范围,利用此算法均能达到满意结果且寻优率高。基于抽水试验数据估计含水层参数的改进粒子群优化算法计算结果有效且可靠,算法收敛速度快,寻优能力强,稳定性好。     

基于改进ACMPSO 并行算法的土石坝本构参数反演

针对一般的优化算法进行土石坝本构参数反演时收敛速度慢,且容易陷入局部最优的问题,引入动态变异系数和OpenMP并行指令,对自适应混沌变异粒子群算法(ACMPSO)进行改进,并采用实例对改进算法进行了验证。实例验证结果表明,与一般优化算法相比,改进的ACMPSO并行算法能够有效避免算法陷入局部最优的问题,大幅降低计算耗时,具有收敛速度快、反演精度高、稳定性好等特点,适用于处理高维度、计算量庞大的复杂参数反演问题。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

异构多种群粒子群优化算法在水位流量关系拟合中的应用

通过8个复杂函数对一种异构多种群粒子群优化算法进行仿真验证,并与传统单种群粒子群优化算法进行对比。针对水位流量关系拟合中相关参数难以确定的不足,利用异构多种群粒子群优化算法优化水位流量关系相关参数,以云南省龙潭站、西洋站水位流量关系拟合为例进行实例研究,并与粒子群优化算法、最小二乘法拟合结果进行对比。结果表明:异构多种群粒子群优化算法收敛精度远远优于粒子群优化算法,具有较好的计算鲁棒性和全局寻优能力。该算法对龙潭站和西洋站水位流量关系拟合的平均相对误差绝对值分别仅为0.27%和0.50%,拟合精度优于粒子群优化算法和最小二乘法。利用异构多种群粒子群优化算法优化水位流量关系可以获得更好的拟合效果。     

Monthly Streamflow Forecasting Using ELM-IPSO Based on Phase Space Reconstruction

We have developed a hybrid model that integrates chaos theory and an extreme learning machine with optimal parameters selected using an improved particle swarm optimization (ELM-IPSO) for monthly runoff analysis and prediction. Monthly streamflow data covering a period of 55 years from Daiying hydrological station in the Chaohe River basin in northern China were used for the study. The Lyapunov exponent, the correlation dimension method, and the nonlinear prediction method were used to characterize the streamflow data. With the time series of the reconstructed phase space matrix as input variables, an improved particle swarm optimization was used to improve the performance of the extreme learning machine. Finally, the optimal chaotic ensemble learning model for monthly streamflow prediction was obtained. The accuracy of the predictions of the streamflow series (linear correlation coefficient of about 0.89 and efficiency coefficient of about 0.78) indicate the validity of our approach for predicting streamflow dynamics. The developed method had a higher prediction accuracy compared with an auto-regression method, an artificial neural network, an extreme learning machine with genetic algorithm and with PSO algorithm, suggesting that ELM-IPSO is an efficient method for monthly streamflow prediction.

     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

Improved PSO algorithm based on chaos theory and its application to design flood hydrograph

The deficiencies of basic particle swarm optimization (bPSO) are its ubiquitous prematurity and its inability to seek the global optimal solution when optimizing complex high-dimensional functions.To overcome such deficiencies,the chaos-PSO (COSPSO) algorithm was established by introducing the chaos optimization mechanism and a global particle stagnation-disturbance strategy into bPSO.In the improved algorithm,chaotic movement was adopted for the particles'initial movement trajectories to replace the former stochastic movement,and the chaos factor was used to guide the particles' path.When the global particles were stagnant,the disturbance strategy was used to keep the particles in motion.Five benchmark optimizations were introduced to test COSPSO,and they proved that COSPSO can remarkably improve efficiency in optimizing complex functions.Finally,a case study of COSPSO in calculating design flood hydrographs demonstrated the applicability of the improved algorithm.