基于改进粒子群优化算法的施工期拱坝结构性态反演分析

针对施工期拱坝坝体变形的特点,建立了施工期拱坝坝体变形特殊安全监控模型,对坝体变形中的水压分量进行提取。采用改进的粒子群优化算法对拱坝反问题最优控制解模型进行优化计算,以此完成施工期拱坝结构性态的反演分析。以某拱坝为例,对该拱坝施工期的结构性态进行反演分析。结果表明,坝体变形反演的相对误差均在2%以内,由此验证了所提出方法的可行性。     

基于改进粒子群优化算法的新安江模型参数优选

新安江模型是一种实用有效的水文模型,在洪水预报以及水资源评估和管理中得到了广泛的应用。为此,结合新安江模型参数的特点,提出了基于改进粒子群优化算法的新安江模型参数优选方法,并将该模型应用到日径流预报中。实例表明,该方法能快速地完成参数寻优,并能较好地寻找出参数的全局最优解。     

基于改进粒子群算法的大坝监控加权统计模型

用于大坝安全监控的加权统计模型主要依据工程经验确定各因子的权重,这种求解方式易导致部分因子信息的缺失。根据大坝安全监测数据,应用粒子群算法可优化确定加权统计模型中各参数的最优解,但对于高维度优化问题,该算法存在收敛速度慢、易陷入局部最小等不足。针对这些不足,考虑粒子种群平均位置信息的影响,提出一种新的改进粒子群算法,利用单体与种群平均位置的距离信息确定两者之间的学习因子。土石坝工程实例分析结果表明:改进粒子群算法加强了种群跳出局部最小的能力,所得加权统计模型的权重符合工程实际情况。尤其在大坝运行初期,监测资料较少的情况下,基于改进粒子群算法的大坝监控模型具有较高的预测精度和预报能力,可为大坝监控领域提供一种新的数据分析方法。     

新安江模型参数优选的改进粒子群算法

借鉴竞争演化和多种群混合的思想,对粒子群算法(PSO)进行改进,建立并行种群混合进化的粒子群算法(PMSE-PSO)和序列主-从种群混合进行的粒子群算法(SMSE-PSO)。数值模拟结果表明,这两种改进的粒子群算法具有较高的计算效率、较强的自适应性和稳定性。将PMSE-PSO和SMSE-PSO应用于新安江模型的参数优选中,通过与PSO和SCE-UA的比较可以看出,PMSE-PSO和SMSE-PSO不仅具有较好的全局优化性能和稳定性,而且在调用目标函数次数相同的情况下精度较高,是一种有效的新安江模型参数优选方法。     

基于改进粒子群算法的水资源优化调配模型研究

为了缓解忻州-阳泉地区日益凸显的水资源供需矛盾,建立了以研究区供水、发电和生态为目标的区域水资源优化调配模型,同时提出了定权重目标比适应度函数,将复杂的多目标问题转化为易于求解的单目标问题。在求解模型过程中,使用S型递减函数计算惯性权重并结合定权重目标比适应度函数简化求解,改进了粒子群算法。通过丰、平、枯3种不同来水条件下的情景模拟验证发现：改进粒子群算法运行前期全局搜索能力得到提升、中期搜索速度加快、后期局部收敛能力得到保证,在求解过程中不易陷入局部最优解;根据模型计算得出的水资源优化调配方案能够真实有效地反映研究区域的供水要求、均衡优化年内水资源分配、平衡区域之间的水资源供需关系、协调各目标之间的满足情况,模型具有可行性。     

改进粒子群算法在新安江模型参数优选中的应用

粒子群优化算法的原理较易理解，所需参数较少而易于实现，但在具体问题中仍存在如收敛性不稳定等不足。基于收缩因子改进的粒子群算法可以保证算法的收敛性，同时使得速度的限制放松。结合新安江模型参数的特点，将其应用于该模型参数的率定．并编程实现检验分析。实例应用结果表明，该优化算法可得到较为稳定的模型参数．提高模型在洪水预报中的效率。     

基于改进粒子群算法的重力坝断面优化设计

针对传统粒子群算法(PSO)存在局部收敛不稳定的缺陷,提出一种改进粒子群算法(D-PSO)。该算法通过提高平衡点的多样性,使其全局搜索能力得到明显增强,对求解多峰值优化问题具有较好的适应性。将D-PSO算法应用于重力坝断面优化设计中,优化结果表明,该算法具有易实现、鲁棒性强和精度高等优点,与其他算法相比更适合应用于重力坝断面的优化设计。     

大坝安全监控预报中的粒子群模糊聚类算法

将粒子群算法与模糊聚类算法相集成,建立粒子群模糊聚类算法并将其应用于大坝安全监控预报.通过粒子编码形式的确定,将模糊分类矩阵作为粒子.该算法具备粒子群算法的全局和局部搜索能力,充分利用正反馈信息,通过优化迭代计算,确定模糊分类矩阵.通过工程算例表明,该算法的模糊聚类效果与模糊聚类算法相比较优,可用于大坝安全监控预报.     

基于改进粒子群算法的坝基扬压力预报方法

根据新安江大坝多年扬压力监测资料,建立基于改进粒子群算法的混凝土坝扬压力预报方法,对基本粒子群算法进行改进,提出了激励因子和惩罚因子,从而动态地调整粒子在计算过程中局部和全局搜索能力的权重,充分利用正反馈信息确定各回归系数.通过实例应用表明,基于改进粒子群算法与最小二乘法、基本粒子群算法相比,预报结果精度较高且收敛速度较快.     

梯级水电站优化调度的改进粒子群算法

针对粒子群算法易陷入局部最优的缺点,提出了一种双适应度方法、动态邻域算子和随机动态调整惯性权重机制有机结合的混合改进策略.算例计算表明,该改进策略能增强粒子的局部收敛能力,加快算法的收敛速度,便于处理复杂约束条件,为求解具有复杂约束条件的非线性规划问题提供了一种简单有效的方法.文中探讨了梯级水电站优化调度的相关问题,考虑了丰枯分时电价因素,建立了梯级水电站长期优化调度数学模型,并应用改进粒子群算法进行求解.实际梯级水电站计算表明,该模型使枯水期大部分时间出力均匀平稳,丰水期能兼顾防洪和蓄水的不同要求,有利于电力系统的稳定运行.改进粒子群算法计算速度快、收敛精度高,为梯级水电站长期优化调度提供了一种简单实用的求解方法.     

基于PSO-SVM的碾压混凝土坝变形预测模型

为提升大坝变形预测能力,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的混凝土重力坝变形预测模型.通过粒子群算法对支持向量机惩罚函数C与核函数σ进行寻优,避免了拟合过程中易陷入局部最优解的问题,提高了模型的拟合精度.以新疆北疆某碾压混凝土坝2014年～ 2019年变形监测数据为例,建立了逐步回归、SVM、P...     

基于主成分回归的大坝位移模型

位移监测是大坝安全运行过程中一项重要的工作。在建立大坝位移预报模型的过程中,常会出现影响因子之间存在严重相关性的情况,会影响模型系数的稳定性,采用主成分回归分析的方法可以很好地解决这个问题。在简述主成分回归分析原理的基础上,结合工程实测数据,建立了坝体位移量与相关因子的主成分回归模型和逐步回归模型,并对两者进行比较,取得了良好的效果。     

改进的BP神经网络模型在大坝安全监测预报中的应用

针对BP神经网络模型存在的缺陷进行了改进 ,并将改进的BP模型应用于大坝安全监测中效应量的预报。示例证明 ,改进的BP神经网络模型与常规BP神经网络模型及回归统计模型比较具有明显的优越性     

基于混合微粒群算法的堆石坝土石方调配计算

基于微粒群算法和模拟退火算法,构成混合微粒群算法.建立混合微粒群算法数学模型,用于堆石坝土石方调配计算.在河口村水库面板堆石坝土石方调配计算的应用中,计算成果为施工组织设计提供了较为详尽、可靠的数据支持.与其他算法相比,利用混合微粒群算法解决土石方调配问题方便、可行.     

基于AdaBoost集成的WPSO-RBF大坝变形监控模型

变形监测是大坝安全监测的必设项目,由于影响因子众多,常利用神经网络(如BP,RBF等)进行参数选取和模型建立。传统的径向基函数(RBF)神经网络因网络结构简单、收敛速度快而被广泛运用,但其在预测中易陷入局部最优且参数选取不当会对其收敛性产生影响。因此,首先利用动态权重粒子群算法(WPSO)对RBF神经网络的3个参数(隐含层基函数的中心c、宽度d及隐含层到输出层的权值w)进行优化,建立基于WPSO-RBF的大坝变形监控模型,然后将WPSO-RBF模型作为弱分类器,采用AdaBoost算法进行集成,建立基于WPSO-RBF-AdaBoost的大坝变形监控模型。将该模型运用到工程实例中,实例结果显示该模型具有收敛速度快、分类精度高、泛化能力好,可建立较优的大坝变形监控模型。     

改进的灰色马尔科夫模型在大坝变形预测中的应用

针对灰色模型在建模过程中受到随机扰动影响这一问题,利用马尔科夫模型预测波动性数据准确的优势,对灰色模型进行改进,并应用于大坝变形预测计算与分析。结果表明,改进的灰色马尔科夫模型对存在扰动数据的大坝变形预测中,可以获得较好的预测效果,提高预测精度。     

基于粒子群算法的水利类试算问题求解

基于粒子群算法,提出水利工程试算问题的求解方法,与传统的迭代算法相比,此方法可以避免一些非线性复杂问题迭代公式的推算.最后应用该方法对实例进行了分析,结果证明了这种方法可以提高试算问题解的精度及求解效率,由于具有通用性,编制相关计算程序后,只需要更换其中的目标函数,即可完成复杂试算问题的求解,故具有良好的推广应用前景.     

变权组合预测模型在大坝安全监测中的应用

简要介绍了组合预测模型的基本原理，该模型改进了单一模型考虑因素的片面性，但常规的组合预测模型的权系数是固定的。考虑到各种模型的预测精度的变化，以及大坝安全监测数据存在的突变、时效等因素，固定权系数的组合预测模型有待进一步改进。文中提出了变权系数组合预测模型，并将其用于实际的大坝安全监测工程。结果表明，变权组合预测模型的预报精度高于其他模型。是一种值得推广的方法。