基于改进粒子群优化算法的BOD-DO水质模型参数确定

【目的】将改进的粒子群优化算法应用于BOD-DO水质模型参数求解,为水质模型参数求解提供支持。【方法】通过差异演化算法对各个体历史最佳位置进行变异,以保持种群多样性,并在搜索后期加入局部搜索能力强的单纯形算法,建立改进的粒子群优化算法,并用该算法对BOD-DO水质模型参数进行求解。【结果】改进的粒子群优化算法能有效地确定BOD-DO水质模型参数;参数取值范围的放宽对算法的收敛性影响较小,但迭代次数有所增加;均匀分布法生成的初始种群可以有效地提高算法的收敛率,加快收敛速度;交叉概率和缩放因子的随机选取策略,可以有效地提高算法的收敛率并加快收敛速度;比较计算结果可知,改进的粒子群优化算法的收敛精度有所提高,收敛率可达到100%,收敛速度可提高5倍以上,标准差约是粒子群优化算法的10%。【结论】改进的粒子群优化算法有效地避免了原算法的早熟或停滞,为不同类型的水质模型参数求解提供了一个可靠的方法。     

基于改进粒子群算法的重力坝断面优化研究

【目的】将改进粒子群算法用于重力坝断面的优化计算,为重力坝的优化设计提供支持。【方法】针对传统粒子群算法(PSO)中线性递减的惯性权重极易导致算法陷入局部极值的不足,提出一种改进的粒子群算法(Improved PSO),该算法利用三角函数的相关性质改进惯性权重(w)随时间的动态变化模式,以使惯性权重值在算法的初期保持较大取值,然后逐渐递减而在算法的末期保持较小取值,从而提高粒子群算法的全局搜索能力,增强算法的收敛性能。编制基于改进粒子群算法的重力坝断面优化设计计算程序,对某水利枢纽工程的非溢流重力坝断面进行优化计算分析,并与遗传算法和标准粒子群算法的计算结果进行比较。【结果】采用改进粒子群算法得到的非溢流重力坝的最优断面面积为5 147.3 m~2,而采用标准粒子群算法(SPSO)得到的非溢流重力坝的最优断面面积为5 416.5m~2,前者较后者减小9.45%,极大地提高了经济性;采用改进的粒子群算法得到最优解需要计算15步,而采用标准粒子群算法得到最优解需要计算22步,粒子群算法收敛速度提高了31.8%。通过2种算法计算结果的对比,表明改进的粒子群算法不仅能得到更好的优化结果,而且保持了较快的收敛速度。【结论】改进粒子群算法可以用于大型水利工程结构的优化计算与设计。     

改进的混洗蛙跳算法确定河流水质模型参数

试验将青蛙个体具有记忆功能引入到混洗蛙跳算法中,提出了改进的混洗蛙跳算法,青蛙的记忆功能是指在每次个体更新时,最差青蛙个体更新时的步长被记忆,并将其引入到下一次个体更新中.在混洗蛙跳算法的改进中加入记忆部分,提高了算法的收敛速度和寻优能力.将改进的混洗蛙跳算法应用于瞬时投放示踪剂的一维河流水团中,用所得示踪试验数据来确定河流水质参数的函数优化问题.将获得的最优值与真值进行比较.结果表明:改进的混洗蛙跳算法估计河流水质模型的参数是可行的,并且优于遗传算法.该算法具较好的参数辩识能力,适用于环境科学领域中的其他优化问题.     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题,提出了一种基于双子群的改进粒子群优化算法（TS IPSO),通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,借鉴遗传算法的杂交机制,并采用惯性权值的非线性递减策略,加快算法的收敛速度和提高粒子的搜索能力,降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度,改善了优化性能.     

基于改进粒子群算法的再入飞行器轨迹优化

采用基于距离量度和自适应惩罚相结合的约束处理技术的改进粒子群优化算法（PSO）应用于再入飞行器轨迹优化,避免适应值函数中复杂的罚函数及罚因子的设计,提高优化算法的通用性。以高超声速飞行器最小控制量再入轨迹优化为例,并对飞行器运动模型进行简化及控制量参数化。对两种不同的高超声速飞行器模型进行优化,仿真结果验证算法的有效性及通用性。     

粒子群优化算法拟合Logistic方程的研究

提出了一种新的拟合Logistic方程与估计其参数的方法.首先利用三段和法对参数进行初步估计,得到参数的粗略值,然后利用粒子群优化算法进行寻找最优参数,并对所得结果进行统计检验.结果表明三段和法与粒子群优化算法相结合具有很强的拟合Lgistic方程的能力.此方法可推广应用到对其他非线性生长曲线方程的拟合.     

基于粒子群优化算法的组合算子水质评价模型

根据参数化组合算子方法建立了水质评价模型,应用粒子群优化算法确定模型中的参数,并将该模型分别应用于富营养化海水、地下水与地表水的水质评价.案例分析结果表明,基于粒子群算法的参数化组合算子水质评价模型对各类水体的水质评价结果与传统方法基本一致,具有方法简单、计算量小和适用于非线性水质评价问题的特点.     

基于粒子群优化算法的灰色预测模型GM(1,1)改进

为了提高灰色预测模型GM(1,1)在复杂系统模型中的预测精度,从原始数据和预测值两个方面对灰色GM(1,1)模型进行改进。根据原始数据的信息特点对模型作补充定义;预测值改进则利用背景值重构和粒子群优化算法对传统GM(1,1)模型的预测值进行改进,求出最佳预测值。结果表明:改进GM(1,1)模型的平均残差和相对残差都远远小于传统模型,其预测效能和可信度都有大幅提高。     

基于遗传思想的改进粒子群优化算法

传统的粒子群优化算法(Particle Swarm Optimization,PSO)在解决有关离散优化的问题时,容易发生早熟收敛,陷入局部最优等现象,从而得不到最优解。为了克服这种现象,提出了一种基于遗传思想的改进PSO算法:利用繁殖法更好的搜索粒子的空间,经过繁殖后的粒子可以更好的从局部最优逃离,并对经典的测试函数进行了测试。测试结果表明,与传统的PSO算法相比,改进算法的寻优效果较好,不仅能加快收敛速度,而且能找到同样甚至更好的解。     

一种量子粒子群算法的改进方法

针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法.在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值.通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果.     

土壤水分特征曲线模型参数识别的多邻域粒子群算法

Van Genuchten模型(简称VG模型)是目前运用最为广泛的土壤水分特征曲线模型,提出适宜的优化算法进行模型参数识别也是一个非常重要的研究方向。针对标准的粒子群算法易陷入局部最优的缺点,给出了一种多邻域粒子群算法,可以有效地克服粒子群算法易陷入局部最优的缺点,并利用该算法对VG模型参数进行识别,最后用所求解的参数对不同类型土壤持水性能进行了试验。数值实验结果表明,多邻域粒子群算法能够有效地应用于VG模型的参数识别,与其它算法相比在性能和精度上都有所提高,而且对参数的取值范围也可以较大地放宽。因此,多邻域粒子群算法可以作为VG模型参数识别的一种新方法。     

用粒子群算法反求割离井公式中的水文地质参数

【目的】研究粒子群算法在反求割离井公式水文地质参数中的适用性。【方法】以待估计的水文地质参数作为变量,利用割离井公式计算观测井的理论出水量,将理论出水量与观测出水量的偏差平方和作为目标函数,从而将反求割离井公式水文地质参数问题转化为最优化问题,利用粒子群算法进行求解。【结果】实例验证表明,粒子群算法用于反求割离井公式水文地质参数,计算精度高,不受人为因素干扰,可以取得理想效果。【结论】粒子群算法是反求割离井公式水文地质参数的新方法。     

基于改进遗传算法的河流水质模型多参数识别

结合多种群遗传算法和自适应遗传算法,提出基于多种群-自适应遗传算法(MPAGA)水质模型多参数识别方法,实现对河流水质模型参数断面平均流速u、河流离散系数D和污染物降解系数K识别和估计。利用河流示踪剂实验监测数据,分别对美国特拉基河3个不同流量河段作水质模型多参数识别和估计。结果表明,与传统遗传算法(TGA)相比,MPAGA算法对3种不同流量河段水质模型参数估计结果准确和可靠。基于MPAGA水质模型多参数识别方法和分河段水质模型参数估计结果可提高河流水污染预测精度,判定河流水污染危险区域,为保障工农业用水安全提供重要科学依据和技术支撑。     

改进粒子群优化算法的果园割草机作业路径规划

为提高果园割草机的工作效率,降低作业成本,提出一种改进粒子群优化算法(Improved particle swarm optimization,IPSO)以解决矩形果园环境下的割草机作业路径规划问题。对苹果园割草场景下的作业路径特点进行分析,将路径规划问题转化为割草机作业行的调度排优问题,考虑多种转弯策略,以总转弯距离最小为优化目标,采用粒子群优化算法(Particle swarm optimization,PSO)求解最佳的作业行序列。为增强粒子群的寻优能力,使用随搜索进程非线性动态变化的算法参数及粒子扰动策略对PSO算法进行改进,通过仿真试验及实地试验进行验证。结果表明:1)6种不同作业行数下,与PSO算法相比,IPSO算法收敛速度减慢,算法耗时平均增加约1.0~2.5 s,但均能找到总转弯距离更少的作业路径,总转弯距离减少率为7.52%~32.72%;2)不同割草机参数(作业幅宽、最小转弯半径)下,与PSO算法相比,IPSO算法均能找到总转弯距离更少的作业路径;3)在果园环境与割草机机型确定的实际作业情况下,与传统方法和PSO算法相比,IPSO算法均能找到油耗更小的作业路径,节省油耗分别为 22.51%和1.57%。     

基于蚁群-粒子群混合算法的水资源优化配置研究

【目的】对区域水资源的合理优化配置进行研究,为区域经济的发展、水资源的合理开发利用和节水型社会的建立提供参考。【方法】建立以经济、社会、生态环境效益为目标函数,各目标加权和为最优解的水资源优化配置模型,采用蚁群-粒子群混合算法对模型进行求解,并对渭北工业区进行水资源优化配置的实例分析,通过原供水量与优化配置水量的比较验证所建立模型的合理性。【结果】经计算,75%保证率下渭北工业区水资源的配置结果为:2015年地表水、地下水、外调水、中水供水量分别为1 747.30,13 244.84,12 905.95和1 060.23万m3;2020年各水源供水量分别为2 019.19,12 214.42,23 530.42和1 798.60万m3;与原始供水量相比,2015年和2020年总供水量分别减少312.73和421.11万m3,表现在农业供水量减少,生活、工业、生态用水均达到供需平衡。【结论】基于蚁群-粒子群混合算法的水资源优化配置结果合理,可作为研究区水资源合理开发利用决策的参考;蚁群-粒子群混合算法收敛速度快,寻优性能优越,可用于水资源优化配置的分析。     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

基于微粒群算法的投影寻踪模型对调亏灌溉模式评价

通过基于微粒群算法的投影寻踪模型评价方法,对水稻调亏灌溉管理模式提出不同生育期调亏对水稻生育特性及产量影响的综合评价,确定水稻调亏灌溉最优管理方案:返青期土壤水分控制下、上限为相对饱和含水率的70%~100%;分蘖初期为90%~100%;分蘖中期含水率90%,田面水层10 mm;分蘖末期为60%~100%;拔节孕穗期为90%~100%;抽穗开花期为0~20 mm,为节水高产型灌水方法和调亏灌溉制度的制定提供基本依据。     

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。     

直接搜索-模拟退火算法在水质模型参数识别中的应用

在研究新近发展起来的模拟退火算法及其各种改进算法的基础上,提出并构造了一种能识别水质模型参数的、以记忆为基础的直接搜索—模拟退火算法,并在O connor水质模型参数识别的实例应用中,得到了更优的全局最优解,为水质模型参数识别提供了一条新途径。