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马斯京根模型参数优化中的应用

针对目前马斯京根模型参数率定中存在的求解复杂、精度不高等问题,本文将混沌搜索机制引入粒子群优化算法中,构建混沌粒子群优化算法对马斯京根模型参数进行率定。这种方法利用混沌运动的遍历性,改善了粒子群优化算法的全局寻优能力,避免算法陷入局部极值,使得粒子群体的进化速度加快,提高了算法的收敛速度和精度。通过实例应用表明,混沌粒子群优化算法可以有效地估算出马斯京根模型参数,优化效果明显优于粒子群优化算法及试错法,因此该算法具有很好的实用性。     

哈里斯鹰算法在广义非线性马斯京根参数优化中的应用——以洛河为例

马斯京根模型在河道洪水演算中发挥着重要作用,其演算精度在于参数的优选。针对目前马斯京根参数率定中存在的求解复杂、精度不高等问题,提出利用哈里斯鹰算法对其参数进行优化,这种方法具有广泛的全局搜索能力,且需要调节的参数较少。以黄河支流洛河为研究对象,利用广义非线性马斯京根模型对宜阳—白马寺段的河道进行洪水演算,且分别用哈里斯鹰算法、粒子群算法和蚁群算法对其参数进行优化。结果表明,基于哈里斯鹰算法的广义非线性马斯京根模型在洛河宜阳—白马寺段的演算精度较高,其Min.SSD为1 237,洪峰误差DPO仅为5,均优于粒子群算法和蚁群算法优化后的结果,其成果适合应用于洛河宜阳—白马寺段的洪水预报工作。     

马斯京根法在锦屏二级水电站减水河段洪水演算中的应用研究

不同场次洪水演算所采用的马斯京根模型的演算参数不同,演算参数的取值对洪水演算的结果有很大影响。传统的演算参数确定方法是试算法,本文提出了一种根据参数的含义运用河道相关数据直接推求马斯京根法演算参数,使参数自适应分段马斯京根模型的方法,本方法具有演算精度高、计算速度快、适应性强等特点,解决了演算参数求解复杂、精度差等问题,该实例验证了本方法的可行性和准确性,可应用于具备类似条件河段的洪水验算。     

SCE—UA算法有效估计马斯京根模型参数

针对马斯京根模型参数最优估计问题,结合绝对残差绝对值之和最小准则,将SCE-UA算法用于模型参数的直接优选中.实例分析表明:SCE-UA算法可以有效、快速地搜索到模型参数全局最优解,具有更强的优化性能,收敛效果更佳.     

基于长办汇流曲线的多模型联合洪水演算研究

传统长办汇流曲线采用试算法确定稳定流的河段传播时间K值时,计算过程繁琐且不一定能得到最优解。基于此,提出利用遗传算法求解马斯京根模型的河段传播时间,进而优化长办汇流曲线模型的参数K。该方法既充分利用了长办汇流曲线模型中的经验性汇流系数,又融入了改进马斯京根法,可以保证参数全局最优的特点,有效提高了河道洪水演算精度,为河道洪水演算研究提供了一种多模型联合求解的新思路。     

双馈风电机组的小信号分析及其控制系统的参数优化

为了更好地研究及优化并网型双馈风电机组的动态特性,建立了其工作在额定风速以上时的总体模型,并对该模型进行线性化;通过小信号分析,获得了风电机组并入系统后的特征根。使用相关因子的对比分析方法,对特征根进行了分类;然后利用控制器参数对系统特征根灵敏度,提出了以灵敏度加权平方和最小为目标的控制系统参数优化模型及求解算法,协调优化双馈风电机组的励磁及桨距控制器的参数。最后利用频域分析及时域仿真,验证了该优化算法的有效性。     

非线性马斯京根模型参数率定的新方法

本文在分析经典二进制遗传算法不足之处的基础上提出一种改进的混合遗传算法(MGA)，用于对非线性马斯京根模型参数的估计。同其它算法相比显示出求解精度高而且收敛速度快的特点。通过具体仿真计算验证了该方法的正确性，从而为准确估计非线性马斯京根模型参数提供了一种十分有效的方法。     

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。     

多智能体遗传算法用于马斯京根模型参数估计

将智能体对环境的感知和反作用的能力与遗传算法的搜索方式相结合提出了一种改进的多智能体遗传算法，用于马斯京根模型的参数估计。该方法中每个智能体代表一个候选解并固定在网格上，为了增加自身能量，它将与其邻域的智能体进行合作或竞争，也可以利用自身的知识进行自学习来增加能量，通过这些智能体与智能体间的相互作用来达到优化模型中参数的目的。应用实例表明，该算法同其他算法相比具有更好的优化性能，从而为准确估计马斯京根模型参数提供了一种更为有效的方法。     

POS优化算法在SWAT模型参数优化中的应用

当前,分布式水文模型SWAT模型在国内水文模拟中应用较为广泛,但模型参数较多,人工经验设定参数存在工作量较为繁杂,且模拟精度不高的缺陷,为此本文引入POS优化算法,对SWAT模型参数进行批量优化,并以汤河西支流域为研究区域,结合区域实测水文数据,对比分析参数优化前后,对SWAT模型模拟精度的影响。研究结果表明： POS优化算法可实现SWAT模型参数的批量优化,相比参数优化前,参数优化后SWAT模型模拟径流深相对误差减少5.7%,流量过程拟合系数提高0.118。研究成果对于水文模型参数优化和自动率定提供参考价值。     

Application of New Hybrid Optimization Technique for Parameter Estimation of New Improved Version of Muskingum Model

The Muskingum method is one of the most utilized lumped flood routing model in which calibration of its parameters provides an active area of research in water resources engineering. Although various techniques and versions of Muskingum model have been presented to estimate the parameters of different versions of Muskingum model, more rigorous approaches and models are still required to improve the computational precision of calibration process. In this study, a new hybrid technique was proposed for Muskingum parameter estimation which combines the Modified Honey Bee Mating Optimization (MHBMO) and Generalized Reduced Gradient (GRG) algorithms. According to the conducted literature-review on the improvement of Muskingum flood routing models, a new six-parameter Muskingum model was proposed. The hybrid technique was successfully applied for parameter estimation of this new version of Muskingum model for three case studies selected from literature. The obtained results were compared with those of other methods using several common performance evaluation criteria. The new hybrid method with the new proposed Muskingum model perform the best among all the considered approaches based on most of utilized criteria. The new Muskingum model significantly reduces the SSQ value for the double-peak case study. Finally, the achieved results demonstrate that not only the hybrid MHBMO-GRG algorithm overcomes the shortcomings of both phenomenon-mimicking and mathematical optimization techniques, but also the presented Muskingum model is appeared to be the most reliable version of Muskingum model comparing with other considered models in this research.     

Parameter Identification of Nonlinear Muskingum Model with Backtracking Search Algorithm

Nonlinear Muskingum model is a popular approach widely used for flood routing in hydraulic engineering. An improved backtracking search algorithm (BSA) is proposed to estimate the parameters of nonlinear Muskingum model. The orthogonal designed initialization population strategy and chaotic sequences are introduced to improve the exploration and exploitation ability of BSA. At the same time, a selection strategy based individual feasibility violation is developed to ensure that the computed outflows are non-negative in the evolutionary process. Finally, three examples are employed to demonstrate the performance of the improved BSA. The comparison between the results of routing outflows and those of Wilcoxon signed ranks test shows that the improved BSA outperforms particle swarm optimization, genetic algorithm, differential evolution and other algorithms reported in the literature in terms of solution quality. Therefore, it is reasonable to draw the conclusion that the proposed BSA is a satisfactory and efficient choice for parameter estimation of nonlinear Muskingum model.     

MOVPSO算法在TOPMODEL参数优化中的应用

为了对水文模型中难以直接测算的参数进行调试和优化,将多目标涡流粒子种群优化算法(Multi-Objective Vortex Particle Swarm Optimization,MOVPSO)应用于水文模型参数优化计算中,并以逼近性(Generational Distance,GD)及超体积值(Hyper-Volume,HV)作为算法性能评价指标。将MOVPSO算法与NSGA-Ⅱ算法及多目标粒子种群优化算法(Multi-Objective Particle Swarm Optimization,MOPSO)独立运行50次所得Pareto前沿的GD值及HV值进行统计分析,并结合方差分析比较3种算法的性能。将MOVPSO算法迭代过程中的粒子种群速率、种群半径的估计值与测量值进行对比分析并判别两者的拟合程度。用尼泊尔巴格玛蒂河流域2005~2011年期间实测洪水日径流过程资料作为TOPMODEL模型参数率定系列,运用MOVPSO算法对模型参数进行优化,得出Pareto最优解,并利用2013年5场洪水日径流过程进行模型检验。结果表明:MOVPSO算法所得Pareto解集性能优于NSGA-Ⅱ及MOPSO算法,拟合历史洪水平均确定性系数达到0.85,模型预报精度高,表明MOVPSO优化算法在解决多参数多目标优化问题中具有优势。     

基坑变形预测的改进供需优化算法-指数幂乘积模型

为提高基坑变形预测精度,提出改进供需优化算法-指数幂乘积基坑变形预测模型(ISDO-EPP模型)。通过6个标准测试函数和3个应用实例对ISDO算法的寻优能力进行验证,并与基本供需优化(SDO)算法、鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、蛾群算法(MSA)、粒子群优化(PSO)算法的寻优结果进行比较。以3个基坑沉降预测为例,通过自相关函数法和虚假最邻近法确定各实例延迟时间和嵌入维数,构造输入、输出向量对各模型进行训练和预测。结果表明,ISDO算法搜索能力优于SDO等5种算法,具有较好的寻优精度、全局搜索能力和稳健性能。ISDO-EPP模型对3个实例预测的平均相对误差绝对值分别为0.73%、3.36%和1.33%,均优于ISDO-SVM、ISDO-BP模型,表明ISDO算法能有效优化EPP模型参数,ISDO-EPP模型用于变形预测是可行和有效的。     

基于动态微粒群算法的神经网络模型及应用研究

通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。     

基于人工生态系统优化算法的组合生长需水预测模型

为提高需水预测精度,拓展生长模型在需水预测中的应用,提出基于人工生态系统优化(AEO)算法的组合生长需水预测模型。结合实例,选取6个标准测试函数在不同维度条件下对AEO算法进行仿真验证,并与鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、教学优化(TLBO)算法和传统粒子群优化(PSO)算法的仿真结果进行比较。基于Weibull、Richards、Usher 3种单一生长模型构建Weibull-Richards-Usher、Weibull-Richards、Weibull-Usher、Richards-Usher 4种组合生长模型,利用AEO算法同时对组合模型参数和权重系数进行优化,提出AEO-Weibull-Richards-Usher、AEO-Weibull-Richards、AEO-Weibull-Usher、AEO-Richards-Usher需水预测模型,并构建AEO-Weibull、AEO-Richards、AEO-Usher、AEO-SVM、AEO-BP模型作对比,以上海市需水预测为例进行实例验证,利用实例前30组和后8组统计资料对各组合模型进行训练和预测。结果表明,在不同维度条件下,AEO算法寻优精度优于WOA、GWO、TLBO、PSO算法,具有较好的寻优精度和全局搜索能力。4种组合模型对实例预测的平均相对误差绝对值、平均绝对误差分别在0.94%~1.17%、0.30亿~0.37亿m³之间,预测精度优于AEO-Weibull等其他5种模型。4种组合模型均具有较好的预测精度和泛化能力,表明AEO算法能同时有效优化组合生长模型参数和权重系数,基于AEO算法的组合生长模型用于需水预测是可行和有效的。     

Parameter Estimation of Two Improved Nonlinear Muskingum Models Considering the Lateral Flow Using a Hybrid Algorithm

The Muskingum model was one of the most popular methods for flood routing in water resources engineering, many researchers had presented various versions of Muskingum model so as to enhance the precision of the Muskingum model in their papers. Similarly, two new nonlinear Muskingum models were presented in this paper. One considered the lateral flow, and the other considered the lateral flow and a variable exponent parameter, simultaneously. Minimizing the sum of the squared (SSQ) deviations between the observed and routed outflows was considered as the objective, and then three benchmark examples and a real example in Iran were applied to verify performances of two proposed models. A hybrid algorithm, which combined the improved real-coded adaptive genetic algorithm and the Nelder-Mead simplex algorithm, was utilized for parameter estimation of two proposed models. Comparisons of the optimal results for four examples by different models showed that two proposed models can produce more accurate fit to observed outflows, and the proposed model, which simultaneously considered a variable exponent parameter and the lateral flow, reduced the SSQ obviously.