基于改进GA-SVR算法的隧道工程三维弹塑性模型参数的智能辨识

将支持向量回归（SVR）算法引入岩土工程数值计算模型参数的辨识中可以充分发挥SVR算法的小样本、泛化性好和全局最优化的优点。但现阶段标准的SVR算法只能解决一维输出变量的回归问题，这就使其在反分析领域的应用受到限制。引入一种改进的SVR算法，这种算法通过将多维输出变量回归转化为多层标准一维输出变量回归来解决这个问题，并与十进制编码的遗传算法相结合，形成改进的GA-SVR算法，用遗传算法搜索最优的SVR模型参数以建立最优的待辨识参数与位移之间的非线性映射关系，然后用遗传算法进行待辨识参数的最优辨识。为对比这种改进GA-SVR算法的效果，将遗传算法与BP神经网络相结合，形成GA-BP算法且编制相应的计算程序。将这两种算法运用于同样的隧道工程三维弹塑性模型参数的智能辨识，数值算例表明改进的GA-SVR算法较GA-BP算法可以取得更高的辨识精度和更好的计算效率，可运用于类似岩土工程计算参数的辨识。     

基于双向递推的枝状供热管网阻抗辨识方法北大核心

为提高基于智能算法的供热管网故障诊断模型的实用性,提出了一种基于双向递推的枝状供热管网阻抗辨识方法。该方法在辨识模型中对常规枝状供热管网模型进行了改进,增加了热力站进出口压力测点节点;基于实际中可测得的压力、流量数据,通过水力工况组合的形式求解辨识方程组,从正向及反向进行管网阻抗递推辨识;将双向递推结果求平均作为阻抗辨识值以减小辨识误差。通过算例验证了该方法的实用性,只通过较少的水力工况即可达到较小的辨识误差。     

盾构机土仓压力平衡模型参数辨识方法研究

为了在盾构机隧道掘进过程中控制土仓压力和地表变形,提出了基于遗传算法的盾构机土仓压力控制模型辨识方法。为了验证控制模型辨识方法的有效性,建立了盾构机土仓压力控制实验台。该实验台由盾构机推进系统、螺旋输送机排土系统、土仓压力与螺旋输送机转速监测系统组成。用于系统模型参数辨识的输入和输出为螺旋输送机的转速和土仓压力。系统辨识的目标函数定义为实验观测的土仓压力与模型计算值残差平方和最小,而模型计算的土仓压力是系统被辨识参数的函数。为了解决参数估计中的局部极小值问题,采用了改进的十进制遗传算法。实验结果表明,与最小二乘法和梯度搜索方法相对比,遗传算法得到的模型参数具有更高的预测精度,预测的土仓压力与观测值吻合的较好。     

应用人工蜂群算法求解旅行商问题

旅行商问题(TSP)是经典的组合优化问题之一。人工蜂群算法是近年来被提出的一种新的智能启发式算法。根据旅行商问题的模型特点,设计人工蜂群算法对算例进行仿真求解。同时将人工蜂群算法与遗传算法进行对比,结果表明:人工蜂群算法可以有效的求解旅行商问题,在收敛速度、计算效率、稳定性方面相对遗传算法具有一定的优势。     

基于遗传算法的岩土本构模型辨识

通过对岩土本构模型辨识机理的分析，提出了基于遗传算法的本构模型辨识方法，并用两个工程实例对该法进行了验证。     

改进的蜂群算法在边坡稳定性分析中的应用

将人工蜂群算法(ABC)应用于边坡最危险滑动面的搜索以及最小安全系数的求解,为了提高算法的搜索效率,减少搜索过程中的停滞现象,对工蜂进行邻域搜索产生新解的方法进行改进,提出一种自适应智能搜索的人工蜂群算法。该算法具有较高的搜索精度和搜索效率,简单易实现,适用性强,搜索的最优解更具有全局性。通过工程实例验证了该方法的合理性与可靠性,计算结果令人满意,能较好地应用于边坡稳定性分析中。     

改进灰狼优化算法辨识光伏模型参数

针对标准智能优化算法辨识光伏(photovoltaic,PV)模型参数时存在准确度低、可靠性差和易出现早熟收敛的缺点,提出了一种改进的灰狼优化(improved grey wolf optimizer,IGWO)算法用于辨识PV模型参数。利用S型曲线的特点设计了一种基于S型函数的非线性调整控制参数a策略,以平衡算法的全局勘探和局部开采能力;以一定概率对当前最优决策层个体执行反向学习策略,帮助群体跳出局部最优。选取4个复杂函数测试IGWO算法的性能,利用实际光伏模型测量数据对IGWO算法进行检验。结果表明,IGWO算法相比其他算法,能更准确且稳定地辨识PV模型参数。     

空调系统在线辨识算法的研究

空调系统可以看成是具有时变特性的一阶惯性加延迟的对象,针对递推最小二乘法只能辨识对象的过程参数而无法辨识延迟时间的问题,提出了一种基于最速下降法的在线辨识算法,可以同时辨识出时变情况下空调系统对象的过程参数和延迟时间。以空气焓差法试验台测试室的温度控制系统作为仿真对象对该算法进行了验证,结果表明,该算法具有较高的辨识精度,而且性能稳定。     

求解随机阻塞批量流水线调度问题的改进人工蜂群算法

针对含有随机加工时间的阻塞批量流水线调度问题,利用蒙特卡洛采样方法,将不确定加工时间的阻塞批量流水线调度问题转化为确定加工时间的阻塞批量调度问题。采用改进的人工蜂群算法,对上述转化后的调度问题进行求解。算法中加入了和声搜索和基于插入操作的局部搜索算子,以改进全局探索和局部开发能力,并将改进的算法应用到阻塞批量调度的24个算例中。仿真实验结果表明,改进的人工蜂群算法能够降低调度中的不确定因素带来的影响,产生高质量的解。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。