基于PSO优化K-Means算法的边坡安全等级评价研究

由于较多因素影响边坡的稳定,且各因素之间关系复杂相互影响,为了更加准确地评价边坡情况,采用了粒子群优化K-Means聚类算法,有效地摆脱了常规K-Means算法因局部最优而陷入极值的缺点,增加了粒子群群体的多样性,提高了评价结果的全局最优性。对三峡库区的36个边坡工程分析,结果表明该优化算法优于常规K-Means聚类算法。     

基于FAHP和K-Means聚类的边坡稳定性模型

为了解决实际工程中边坡安全系数不能准确描述边坡状态的问题,基于定性分析和定量分析相结合的思想,运用FAHP法和K-Means聚类算法,通过对滑坡样本的关键因素进行评价和聚类得到各因素的聚类中心,再通过构建联系数向量的方法,建立基于FAHP和K-Means聚类的边坡稳定性模型。根据边坡中的关键性因素运用基于FAHP和K-Means聚类的边坡稳定性模型完成对未知边坡样本进行预测。将该模型应用于新建南昌到赣州铁路客运专线项目,结果与实际情况相符合,避免了实际工程中单纯考虑边坡安全系数来确定边坡状态的局限性。通过构建基于FAHP和K-Means聚类的边坡稳定性模型,揭示了高度、边坡角、孔隙水压力比等因素与边坡稳定性的非线性关系,此模型可以为边坡的设计、施工、监测提供参考。     

基于改进爬山聚类法的模糊神经网络边坡稳定性判别模型

影响边坡稳定性的因素复杂且具有随机性和模糊性。综合考虑重度、黏聚力、内摩擦角、坡角及坡高等影响边坡稳定的主要因素,为判别边坡稳定性建立出新型模糊神经网络模型,该模型利用学习能力强大的神经网络及推理功能突出的模糊逻辑,通过改进的爬山聚类法进行结构学习,并利用 BP 算法和最小二乘估计法相结合的综合学习算法来调整参数,进而大幅度提高模型判别能力。经工程实例测试证明该模型可以快速准确的判别边坡的稳定性,可以为类似工程提供参考和借鉴。     

基于投影寻踪聚类方法的边坡稳定性分析

边坡稳定是土木工程及岩土工程领域关注的重要内容,以影响边坡稳定性的关键因素建立了投影寻踪聚类模型。分析γ、C、φ、φ_f、H和γ_u为主的6个影响边坡稳定的因素,并考虑各影响因素之间的相关关系,对82个典型边坡案例进行建模及最优投影方向计算表明,影响边坡稳定各因素的重要性存在差异,依据最佳投影方向对不同安全系数下的6个因素的重要性进行了排序。边坡稳定性投影寻踪聚类与安全系数法两者相结合,可以提高边坡稳定分析的可靠性。     

基于人工鱼群算法和模糊C-均值聚类的洪水分类

为了克服FCM算法依赖初值的缺点，将人工鱼群算法（AFS）引入模糊C-均值聚类，提出了一种新的聚类算法，应用于洪水分类研究。新算法将聚类中心看作食物源，通过样本抽样产生初始鱼群。利用人工鱼群算法全局寻优、快速收敛的特点，得到一个较优的初始聚类结果，再使用FCM算法进行局部搜索。避免了单纯的FCM算法因初值选取不当，而容易陷入局部最小的缺陷。同时新算法给出了洪水等级划分的科学依据。实验结果表明，新算法具有比FCM算法更好的性能表现，使得到的分类结果更加准确合理。     

基于人工鱼群算法和模糊C-均值聚类的洪水分类方法

为了克服模糊C-均值聚类(FCM)算法依赖初值的缺点,引入人工鱼群算法(AFS)建立一种新的聚类算法,应用于洪水分类研究。该算法将聚类中心看作食物源,通过样本抽样产生初始鱼群,利用人工鱼群算法能全局寻优和快速收敛的特点,得到一个较优的初始聚类结果,再使用FCM算法进行局部搜索,以避免因初值选取不当,而有可能陷入局部最小的缺陷。该方法应用于对西江流域洪水资料的分析结果表明,新算法具有比FCM算法更好的性能表现,使得到的分类结果更加准确合理。     

基于聚类算法优化样本的地质灾害易发性评价

区域地质灾害易发性评价样本数据的可靠性是影响最终评价结果的关键因素之一。以陕西省白河县236处地质灾害为研究对象,分别采用层次聚类算法与动态K-means聚类算法对地质灾害样本数据进行聚类分析并获得其样本纯度。分析结果表明：层次聚类算法与K-means聚类算法得到样本纯度分别为91.53%与92.80%;结合两种算法结果,剔除样本噪声点20个,确定有效样本点216个,得到最终样本纯度为91.53%。利用样本提纯前后数据分别建立信息量模型(Ⅳ_前、Ⅳ_后),开展区域地质灾害易发性评价。评价结果表明：Ⅳ_前模型与Ⅳ_后模型得到的区域易发性区划图中,地质灾害落入极高-高易发区的数量分别为149个与167个,分别占灾害总数的63.13%与70.77%,灾害密度分别为0.508个/km²与0.584个/km²,较初始样本条件,样本提纯后极高-高易发区内灾害点数增加18个,灾害密度增加0.076个/km²,地质灾害分布更集中,预测结果准确度更高。研究结果...     

模糊修正聚类模型在边坡稳定性预测中的应用研究

本文用模糊聚类迭代模型对边坡工程实例进行了聚类分析,用聚类模型对一些边坡进行了预报以说明其方法的合理性;并对模糊聚类迭代模型中存在的不完全收敛性进行了分析。     

应用聚类算法的大坝安全监控方法

随着现代大坝监测技术的信息化发展,迫切需要合适的算法处理大量的监测数据.由于聚类算法作为一种已大量应用于大坝安全监控领域的方法,所以阶段性地对其应用进行综述就非常必要.本文首先简要概括了传统聚类方法、模糊聚类方法和智能聚类方法及其研究现状,然后详细介绍了用于大坝安全监控领域的聚类算法,分析了不同聚类算法在大坝安全监控应...     

基于蚂蚁和粒子群算法的土石方调运优化方法研究

本文分析了水利工程中土石方调运的影响因素及其特点,提出了一种基于蚂蚁算法和粒子群算法的土石方调运优化方法。与线性规划方法相比,该方法对调运问题的约束和目标函数没有线性要求,具有可以考虑实际工程中非线性约束、便于随机模糊分析等优点。在某大型堆石坝土石方调运中的应用及其与线性规划方法结果比较表明,本文提出的方法是可行的。     

基于蚁群算法优化极限学习机模型的滑坡位移预测

采用高精度的优化算法对于提高滑坡位移预测模型的准确性具有重要意义,然而已有文献中很少对多种优化算法进行对比研究。以三峡库区的八字门滑坡为例,以极限学习机（ELM）理论为基础进行滑坡位移预测,同时运用多种算法对建立模型过程中的参数选择进行优化以期提高预测效果。为提高预测精度,以移动平均法为基础,将滑坡位移分解为趋势项和周期项,趋势项位移使用多项式函数进行预测,周期项位移使用MATLAB自编程序的极限学习机模型进行预测,两项预测值相加即可得到最终的累计位移预测值。计算结果表明：单一的ELM模型能够较为准确地预测具有阶跃式曲线的滑坡累计位移,预测结果的平均误差为23.5 mm,拟合优度为0.973。与粒子群算法和遗传算法相比,蚁群算法（ACO）在计算用时和优化效果上更优,蚁群算法优化极限学习机模型对位移的预测精度也最高,平均误差为10.1 mm,拟合优度为0.998,可在类似滑坡的位移预测研究中进行推广。     

蚁群算法求解梯级电站短期优化调度改进研究

本文提出一种改进蚁群算法(Improved ant Colony Optimization Algorithm)求解梯级水库群短期优化调度问题。该算法的改进主要包括嵌入邻域搜索的单库轮换寻优、基于出力反推的初始解生成技术和约束优先的目标函数比较方法。以四川某中型流域梯级三级电站联合运行为背景,对蚁群算法和改进蚁群算法的求解质量和收敛性进行比较,实例验证表明,改进蚁群算法可以获得较好的优化调度结果。     

基于和声搜索的边坡稳定性投影寻踪聚类分析

针对边坡稳定问题的高维非线性、非正态的特点,提出一种基于和声搜索和投影寻踪理论的边坡稳定性评价方法。利用投影寻踪理论将边坡稳定性评价多指标问题转化为单一投影指标问题,采用改进的和声搜索算法优化投影方向,根据最佳投影值实现在低维空间上的边坡稳定性评价。文中建立了基于和声搜索的边坡稳定投影寻踪聚类分析模型,并用作者编制的相关程序实证分析了某水库库区滑坡。实例分析结果表明:基于和声搜索的投影寻踪对于边坡稳定聚类分析是可行的,并且取得了较为理想的效果,为边坡稳定性分析评价提供了一种有效的新方法。     

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.     

改进蚁群算法优化PID控制在水力发电机组中的应用研究

水力发电机组是一个非线性、时变系统,常规PID控制不能达到理想的控制效果。提出一种基于改进蚊群算法的PID参数优化方法,讨论了蚁群算法的模型,水力发电机组的模型,对蚁群算法的不足进行改进,并给出了算法的具体实现步骤。实验结果表明,采用改进蚁群算法PID控制器的水电机组具有更好的控制精度和动态特性,验证了该方法的可靠性和有效性。     

基于蚁群算法的水质模型参数估算

文章介绍了蚁群算法的原理、特点,继而将其用于求解实际的水环境模型参数的估值问题,并对求解结果进行了分析。     

基于黏菌算法优化VMD-CNN-GRU模型的年径流预测

为提高年径流预测精度,引入黏菌算法（slime mould algorithm,SMA）和变分模态分解算法（variational mode decomposition,VMD）,提出一种基于卷积神经网络（convolutional neural network,CNN）和门控循环单元（gated recurrent unit,GRU）神经网络的组合预测模型（VMD-SMA-CNN-GRU）。利用VMD对径流数据进行分解;采用SMA优化CNN-GRU模型参数,构建模型对每个分量进行预测;各分量结果相加得到最终结果。以兰西水文站为例,将所建模型与CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise)-CNN-GRU、VMD-CNN-LSTM（long short-term memory）、VMD-LSTM、VMD-GRU、VMD-PSO (particle swarm optimization) CNN-GRU、SMA-CNN-GRU和CNN-GRU预测模型进行对比分析。结果表明：SMA优化的VMD-CNN-GRU模型预测精度不仅高于上述7种模型,而且避免了人工试算确定CNN-GRU模型参数效率低的不足,为年径流预测提供了一种新方法。     

基于混沌优化神经网络的农业干旱评估模型

基于人工神经网络拟合函数的原理，建立了计算农业干旱程度的评估模型。通过拟合农业干旱程度的概率分布函数，对农业干旱的概率分布进行了研究。该模型可以在随机变量具体分布未知的情况下，拟合出其概率分布函数。在网络训练方法的选择上，将混沌优化算法和梯度下降法相结合，使计算能够迅速收敛到全局极小点。以河南省濮阳市渠村灌区为例，计算出当地农业干旱程度的概率分布，验证了该模型的有效性，表明该模型能够很好的用于农业干旱的评估。     

基于可变集聚类理论的年径流聚类新方法

将可变集中的聚类理论与年径流分类研究相结合,提出了年径流量聚类新方法。新方法考虑了汛期径流量、汛期向枯水期过渡的中介期径流量、枯水期径流量等因子或指标对年径流量分类的不同影响。通过实例分析,比较了新方法与常规方法（均值标准差法）和集对分析分类法的异同,表明新方法在理论与实际应用上的合理性与科学性,可应用于水文水资源系统年径流丰枯分类;最后分析了常规法、集对分析分类法在年径流分类中存在的问题及其理论根源。