位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析中具有良好的实际应用价值。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

边坡临界滑面搜索的改进粒子群优化算法

边坡临界滑面的确定对边坡稳定分析和加固设计极为重要,采用基于变异和二次序列规划的改进粒子群优化算法(VSPSO)进行临界滑面搜索。VSPSO算法中通过变异操作增强粒子群跳出局部最优解的能力,并用二次序列规划(SQP)加速局部搜索,大大提高了粒子群获得全局最优的能力。通过对有解析解的边坡算例进行分析,验证了该算法的准确性及优越性;对澳大利亚计算机应用协会(ACADS)提供的均质边坡、多层土边坡以及含软弱层边坡进行分析,结果表明改进的VSPSO算法搜索所得滑面比传统PSO算法更逼近推荐答案,具有更好的鲁棒性,而且随着边坡复杂程度的增加,更能体现改进VSPSO算法的优越性,具有广阔的应用前景。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

基于GAPSO-MUSIC算法的矢量水听器的DOA估计

针对传统的MUSIC算法存在需要多维的非线性搜索、计算量大等问题,提出了混合粒子群遗传算法和MUSIC算法相结合的方法,对矢量水听器的波达方向(Direction of Arrival,DOA)更好的进行估计.该算法利用遗传算法的交叉算子和变异算子避免了粒子群算法早熟且易陷入局部最优,同时利用群优化算法搜索能力强的优势,更好的对波达方向进行估计.仿真实验和湖试实验表明,混合遗传粒子群算法与MUSIC算法相结合对DOA估计具有更好的性能,精度更高,具有很好的实用性.     

基于改进粒子群算法CHPSO-DS的面板 坝堆石体力学参数反演

面板堆石坝堆石体力学参数反演优化问题是一个多变量、多约束的混合非线性规划问题,当正演过程用神经网络模拟器替代后,高效快捷的优化算法成为解决问题的关键.提出一种用以解决这一复杂优化问题的混合算法--混沌直接搜索粒子群(CHPSO-DS)算法.在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻粒子初始位置的选择对算法优化性能的影响;利用直接搜索法克服了粒子群算法后期搜索效率降低的缺陷,提高算法局部搜索能力.为证明该算法的优越性,同时将该算法与遗传算法(GA)用于水布垭面板堆石坝堆石体力学参数的位移反分析计算中.实践证明,利用CHPSO-DS算法搜索时能快速收敛到全局最优解,且算法具有较强的鲁棒性;两算法对比结果也表明,不论是优化精度还是收敛时间,CHPSO-DS算法都较GA有明显提高.最后利用CHPSO-DS算法反演的堆石体力学参数进行测点沉降预测,结果表明各个测点的计算位移值与监测值吻合较好,说明CHPSO-DS算法在复杂岩土工程位移反分析中具有良好的实际应用价值,值得进一步研究和推广.     

基于改进粒子群算法的面板堆石坝流变反演分析

为提高粒子群算法在模型参数反演中的表现,提出一种改进的粒子群算法(FPSO)。利用线性分段函数和指数函数,对学习因子C₁和C₂采用异步策略调整,实现粒子群算法中的惯性权重w和C₁,C₂随迭代次数的动态调整;通过免疫变异算子保证粒子多样性,结合阵型搜索保证收敛速度,并应用于阿尔塔什面板坝的增量流变模型参数反演分析。结果表明：(1) FPSO算法由于更好地契合了粒子从前期高速全局搜索逐步减速到后期局部精细搜索的运动特点,全局搜索能力得到较大提升,可有效提高反演分析精度和效率;(2)利用停工期大坝实测沉降,基于FPSO反演堆石体的流变参数,计算结果与监测值吻合较好。     

改进的PSOGA-SVM模型应用于露天矿区空气质量预测

为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测。选取PM_(10)质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机(support vector machine,SVM)建立模型,同时引入改进型惯性权重的粒子群优化(particle swarm optimization,PSO)算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景。基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机(improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM)网络预测模型。结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机(cross-validation support vector machine,SV-SVM)模型和粒子群算法优化支持向量机(particle swarm optimization for parameter optimization of support vector machine,PSO-SVM)模型,且预测精度可达到98.5%以上。     

太阳影子定位参数反演模型的混合粒子群算法

针对非线性太阳影子定位参数反演问题,给出一种基于单纯形算法的权重线性递减的粒子群混合算法,此混合算法融合了单纯形算法的精确局部搜索能力和粒子群算法全局搜索能力,且采用权重线性递减的粒子群算法加快了算法的收敛速度。在太阳影子定位参数反演的数值实验中,所提算法不仅成功反演参数,而且拥有较高的计算精度和更快的收敛速度。     

地下工程并行优化反演分析及算例验证

 通过重构非线性惯性权重函数和引入“加速因子”,对传统粒子群优化算法的收敛性进行改进。同时基于消息传递平台对算法进行主从式并行改进,编程实现基于普通计算机机群系统分布式存储并行模式的大型地下工程并行优化反演分析。算例分析表明,改进的粒子群优化算法其收敛性能得到显著改善,并行改进策略可显著加快反演速度和提高计算效率。探讨围岩松动损伤劣化、监测数据可靠性、并行粒度和负载均衡等并行优化反演分析中所面临的主要问题及其对计算精度和效率的影响,并提出有效解决方案,为大型地下工程的参数反演和动态优化设计提供一种新思路。     

基于微粒群优化的智能位移反分析研究

优化技术是影响反分析精度和效率的重要因素,将微粒群优化技术与支持向量机技术结合,提出了一种新的智能位移反分析方法。该方法利用了支持向量表达非线性关系方面的优良特性,可以避免大量的数值计算,同时充分利用微粒群的全局优化、收敛速度快的优点。将提出的方法应用到具体的算例中,比较表明,本方法是一种科学、可行、收敛快、精度高的优秀算法。     

基于和声策略的粒子群优化算法在土坡稳定分析中的应用

土坡极限平衡稳定分析中临界滑动面的搜索是一个复杂的优化问题,在应用常规微粒群算法搜索时往往因参数较多且难以确定以及飞行速度越界的缺陷而陷入局部最优。基于对常规微粒群算法寻优思想的分析,借鉴和声算法的搜索策略来更新粒子的位置,提出基于和声策略的微粒群优化算法,该方法继承了常规微粒群算法中利用本身经验和社会认知的优势,又借鉴了和声策略的简单易行优势。将该方法应用于土坡稳定分析中,通过算例比较分析,证明新算法的有效性。     

基于快速拉格朗日分析–并行粒子群算法的黏弹塑性参数反演及其应用

将改进粒子群算法和大型岩土数值计算软件FLAC3D有机结合,提出基于快速拉格朗日分析的全局并行改进粒子群参数反演方法。该方法既没有采用EBE方法也没有利用区域分解技术对计算区域进行处理,而是对用于参数反演的优化方法进行全局并行,这既避免了区域分解难于确定子区域边界的问题,又避免了EBE方法的大量数据交换,无疑将大大提高并行效率。基于锦屏二级水电站辅助洞BK14 599断面的算法性能分析证实了这一特性。锦屏二级水电站辅助洞黏弹塑性参数反演表明该方法对大规模岩土工程参数反演提供了一种行之有效的方法,获得了可靠的长期稳定性分析参数。利用获得的参数进行正向数值分析,计算结果表明:变形主要发生在顶拱和两侧墙靠上部位;洞周出现了一定范围的塑性区,以两侧为最,洞底次之,内壁出现了拉伸屈服;洞肩和墙角出现了应力集中现象,洞底出现底鼓现象,这些现象与现场观测到的结果一致。因此,引水隧洞在设计、施工时应加以注意,防止造成不必要的损失。     

混沌模拟退火粒子群优化算法

基于模拟退火思想的粒子群优化算法和混沌粒子群优化算法,提出了混沌模拟退火粒子群优化算法,编写了其具体流程图,并通过两个算例,验证了该算法的效率和有效性,结果表明该方法可行,具有广泛的应用前景。     

粒子群优化算法在桁架优化设计中的应用

粒子群优化（PSO）算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点。为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计。首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值。对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较。数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计。     

边坡非圆弧临界滑动面的粒子群优化算法

采用粒子群优化算法搜索边坡的临界滑动面及其对应的最小安全系数。粒子群优化算法不断迭代更新试算滑动面，使其安全系数不断减小，经过有限次的迭代分析可确定边坡临界滑动面及其对应的全局最小安全系数。粒子群优化算法具有较好的全局搜索和局部搜索能力，可克服多数常规的优化方法易陷入安全系数局部极小的问题，并具有较高的搜索效率。同时，粒子群优化算法易于与极限平衡法或有限元-极限平衡法相结合进行边坡稳定分析。通过数值算例及与其他学者的结果比较，证明提出的确定边坡临界滑动面方法的有效性。