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。     

基于改进粒子群算法的海洋钻机系统布局优化

为提高海洋钻机的工作效率和平台的空间利用率,应用改进的粒子群算法对海洋钻机系统进行布局优化研究。针对多目标、多约束的钻机系统布局优化问题,建立钻机系统布局优化数学模型,应用多目标粒子群算法直接求解,得出相应的最优解集。利用线性加权法将多目标转变为单目标进行求解分析,针对单目标粒子群算法的缺点,基于约束条件、惯性权重以及遗传算法的选择和杂交对粒子群算法进行改进,完成不同改进算法的测试实验。结果表明,在应用粒子群算法求解布局问题时将约束条件作为目标函数、单独引入遗传算法的杂交思想求解速度和精度更好。提出的基于杂交的动态惯性权重粒子群算法的布局优化问题求解性能更优,得到的优化方案符合海洋钻井作业要求且占用甲板面积较小。     

基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。     

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。     

岩土工程参数反演的一种新方法

介绍了新近提出的一种模拟进化算法——粒子群算法,相对于其他进化算法,粒子群算法的优势在于简单、易实现且收敛快。把该算法引入岩土工程参数反演领域,同时为了克服粒子群算法后期搜索效率降低的缺陷,把单纯形法嵌入到粒子群算法中,提出岩土工程参数反演的一种新方法——基于粒子群算法和单纯形法的混合算法。算例表明,混合算法在参数反演计算中体现出良好的优化性能和很快的收敛速度,是一种新颖可行的参数反演方法。     

应用免疫粒子群算法进行边坡稳定性分析

边坡稳定性分析具有不确定性,是一个复杂非线性处理过程,为了克服传统分析方法易陷入局部极值的问题,采用改进的免疫粒子群算法,引入免疫接种与免疫选择机制,基于简化Bishop条分法求解边坡稳定性系数,建立边坡临界滑动面的数值优化模型,经过工程实例计算和方法对比,检证其算法的有效性和可靠性.     

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。     

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。     

装配式PC构件车辆调度问题研究

装配式PC构件体量大,配送频次高,使装配式PC构件运输成本成为影响PC构件成本构成的主要因素之一。研究传统车辆调度问题、粒子群算法、运输影响因素,建立了基于车辆油耗和车辆租赁、人工成本的PC构件运输成本模型。使用精确算法能够计算其最优解但耗时耗力,传统的粒子群算法存在一定缺陷,因此采用改进粒子群算法与精确算法对一个实例进行求解,得到了两种方式下车辆调度方案和综合最优成本相同,证明了改进粒子群算法的正确性和有效性,为求解此类问题提供了良好的方法。     

用微进化算法反演岩石蠕变模型非定常参数

岩石蠕变模型的参数较多,为得到参数的全局最优解,应用微进化算法(Microevolution Algorithm,MA)对岩石蠕变模型非定常参数进行了反演分析。算法以实测蠕变值与理论计算值之间的最小二乘误差为优化准则函数,直接反演计算蠕变模型参数。计算结果表明,微进化算法可最大限度地利用所有试验数据,避免传统优化算法初始参数选取的困难,且算法简单有效,计算精度高于混沌粒子群优化算法。该方法也可推广应用于其它蠕变模型的参数反演,具有较高的工程应用价值。