基于RAGA的PPC模型在水稻节水效益评价中的应用

针对水稻节水效益评价问题,采用高维降维技术－－投影寻踪分类模型（PPC）,利用基于实数编码的加速遗传算法（RAGA）优化其投影方向,将多给数据指标（样本评价指标）转换到低维子空间,根据投影函数值的大小评价出样本的优势,从而做出决策。最大限度避免了模糊综合评判等方法中权重矩阵取值的人为干扰,取得了满意效果,为节水效益评价及其它评判决策问题提供一条新的方法与思路。     

K-L PPC模型在水资源可持续利用评价中的应用

基于水资源可持续利用的内涵和意义,从水资源、社会经济和生态环境3个子系统建立水资源可持续利用指标体系;针对水资源可持续利用评价中各指标的不确定性和模糊性,为提高评价模型的分辨率,引入基于实数编码的加速遗传算法的投影寻踪分类（K－L PPC）模型。以塔里木河源流区为例,通过优选指标、确立等级和构建模型,寻找最优的投影方向。评价结果基本符合当地实际情况,验证了K－L PPC模型在区域水资源可持续利用评价的实用性。     

考虑光滑性约束的水库发电调度图优化方法研究

提出一种改进的基于实数编码的加速遗传算法(RAGA),并用于优化水库发电调度图,用廊道约束并结合平滑函数约束限制调度线的波动,分析比较了不同的编码方案和光滑性约束条件下的计算结果.结果表明,仅对上、下基本调度线进行优化,调度线以每个时段一个实数进行编码,以上、下基本调度线计算加大、降低出力线,利用改进的RAGA结合廊道约束可计算光滑、总发电量较大且能充分反映来水过程的调度图,为水库发电调度图求解提供了新途径.     

基于参数投影寻踪模型的三江平原土壤质量变化评价

将投影寻踪评价模型(PPE)应用到土壤质量变化评价中，利用改进的加速遗传算法(RAGA)优化投影方向(湿地土壤评价指标)，将多维数据指标转换到低维子空间，通过寻求最优投影方向及投影函数值来实现对土壤的分类与质量变化评价，避免了主观赋权的人为干扰，取得了较好效果，为土壤质量变化与等级评价研究提供一条新思路与方法。     

基于Neuman理论的神经网络优化确定水文地质参数

针对利用非稳定流抽水试验资料确定潜水含水层参数传统方法的不足,系统分析考虑垂直分量和弹性释水的Neuman潜水井流模型解析解的基础上,利用实码加速遗传算法(RAGA)和自适应BP神经网络模型相结合对Neuman潜水井流模型解析解进行优化求解,提出确定潜水含水层水文地质参数的Neuman-BP法。以计算实例表明,Neuman-BP法不需分抽水时间———降深过程的前、后段分别进行参数确定,避免了前、后段所求导水系数T的不一致,既充分利用了抽水试验数据,又获得了较高精度的参数,简化了参数确定过程。     

基于实码加速遗传算法的投影寻踪分类模型在水稻灌溉制度优化中的应用

水稻灌溉制度的优化模式及其理论分析一直是人们关注的问题。传统的水稻灌溉制度优化评价方法——模糊综合评判法与灰色评判法均存在权 重矩阵的主观赋权的人为干扰，造成评价结果的出入。作者在模糊数学理论与田间试验结合的基础上，提出了基于实码加速遗传算法(RAGA)的投影寻踪分类模型(PPC)，通过优化水稻生育阶段的状态变量指标的最佳投影方向，得到各样本的投影值，从而对各灌溉模式进行分类与评价，克服了二阶模糊综合评判法与灰色系统评价中权重赋值的人为干扰，确定出浅湿干灌溉为最佳的水稻灌溉模式。经生产实践证明，符合实际情况。该模型对处理农业灌溉系统中具有模糊性、不确定性的高维数据的综合评判、排序、寻优等方面研究提供了新的方法与思路。     

参数投影寻踪模型在调水工程线路优选中的应用

针对调水工程开发项目决策问题,采用投影寻踪分类模型(PPC),利用基于实数编码的加速遗传算法(RAGA)优化其投影方向,将多维数据指标(样本评价指标)转换到低维子空间,根据投影函数值的大小评价出样本的优劣,从而做出决策,最大限度避免了其他方法权重矩阵取值的人为干扰,取得了满意的效果,为水利工程开发项目决策及其它评判决策问题提供一条新的方法与思路。     

RAGA的PPC模型在黑龙江省洪水灾害综合评价中的应用

将高维降维技术—投影寻踪分类模型(PPC)应用到洪水灾情评价方面,在黑龙江省洪水灾害损失无评价标准或评价标准不适用的情况下,模型利用改进的加速遗传算法(RAGA)优化投影方向,将多维数据指标转换到低维子空间,通过寻求最优投影方向及投影函数值来实现对洪水灾害损失各个指标的评价,避免了主观赋权的人为干扰,取得了较好效果。     

建设项目投资方案优选的参数投影寻踪模型

针对建设项目投资方案决策问题,采用高维降维技术——投影寻踪分类模型（PPC）,利用基于实数编码的加速遗传算法（RAGA）优化其投影方向,将多维数据指标（样本评价指标）转换到低维子空间,根据投影函数值的大小评价出方案的优劣,从而做出决策,取得了满意的效果,为建设项目投资方案决策及其它评判决策问题提供一条新的方法与思路。     

基于 RAGA 的 GM(1,1)-RBF 组合需水预测模型

建立了基于实码加速遗传算法（real coded accelerating genetic algorithm, RAGA）的灰色 (grey model,GM(1,1)) 径向基函数 (radial basis function, RBF) 神经网络预测模型。该模型克服了传统 GM(1,1) 模型存在明显系统误差和容易陷入局部最优的缺点 , 具有 GM(1,1) 模型对数据确定性方面把握的优点 , 同时融合了人工神经网络在不确定因素预测方面的优势。 运用该模型对山西工业需水量进行预测 , 预测表明该模型相比单个传统模型具有相对较高的预测精度,验证了 GM(1,1)-RBF 组合模型在中长期需水预测应用中的合理性,对相关政策的制定有一定参考价值。