融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络（WNN）获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。     

基于遗传算法的网络计划资源优化研究

以双代号网络计划技术为工具,提出一种基于遗传算法的建筑工程"资源有限,工期最短"问题的求解模型。针对问题的特点,设计了相应的遗传算子并提出一种用于修正非法染色体的修复算子。算例表明,该方法计算结果优于传统的启发式方法,可较好应用于建筑工程资源优化问题。     

砂姜黑土有机质含量高光谱估测模型构建

为快速估测砂姜黑土有机质含量,该研究以河南省商水县砂姜黑土为对象,采用光谱指数和遗传算法结合支持向量机构建砂姜黑土有机质估测模型。结果表明,以Savitzky-Golay(SG)平滑后的一阶导数光谱792和1 389 nm两波段组合构建的比值指数表现最好,建模集决定系数为0.81。利用独立的样本验证,预测决定系数和均方根误差分别为0.91和1.56 g/kg。而相同样本经遗传算法筛选敏感波段结合支持向量机回归构建的模型以SG平滑的一阶导数光谱表现最好,建模集和验证集决定系数分别为0.95和0.91,均方根误差分别为1.01和1.69 g/kg。基于遗传算法结合支持向量机回归和光谱指数2种方法构建的有机质含量估测模型均表现出较高的精度,前者稍优于后者,可用于对砂姜黑土有机质含量的有效估测。该研究成果可为砂姜黑土有机质含量的快速定量估算提供依据和参考。     

基于农田环境的农业机器人群协同作业策略

为合理分配农业机器人群协同作业中各机器人的工作量与工作区域,提高机器人群协同作业的整体效能与工作效率,该研究提出一种复杂环境下异质农业机器人群的任务分配及全区域覆盖策略。在考虑农业机器人异质性的基础上,以机器人团队整体效能最优为目标进行任务分配并确定各机器人的工作量。根据农场实际工作环境建立一级分区的概念,在栅格化环境建模与障碍物膨胀处理的基础上,在一级分区内部建立二级分区的栅格分区和分区合并规则,简化农田中的复杂工作环境;将遗传算法与混合粒子群算法相结合改进遗传算法交叉操作,建立遗传算法染色体种群多样性的概念,并综合考虑遗传算法染色体适应度值的差异以及种群多样性阶段设置自适应交叉变异概率,继而利用改进的遗传算法解决深度优先搜索算法在一级分区与二级分区间的遍历顺序问题;设置深度优先搜索算法在二级分区内的路径搜索规则,并在栅格图内遍历的同时根据各机器人的工作量分配其工作区域,设置机器人在其工作区域中的遍历规则,实现机器人群对农田的全区域覆盖。仿真试验结果表明,改进的遗传算法所得到的遍历各分区的路径长度与收敛迭代次数较传统遗传算法分别减少了2.8%与69.5%,较模拟退火算法分别减少了9.3%与19.0%;包含3、5、7、9和11个障碍物的5幅环境地图中,机器人群遍历工作区域的总面积重复率分别为6.3%、8.9%、16.7%、21.7%和23.4%。在4种面积相等的异形农田中设置相同数量的障碍物进行验证试验,结果表明,机器人群总遍历面积重复率分别为16.7%、13.1%、11.9%和6.7%。机器人群协同作业场地试验结果表明,4个试验机器人均可在规定的时间要求(25 min)内完成各自工作量,遍历面积重复率分别为5.77%、4.14%、6.75%和4.85%。研究结果可为复杂环境下农业机器人群协同作业策略提供理论支撑。     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法（QGA）在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法（QQGA）,运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。     

基于改进的CLARANS算法在数据挖掘中的研究

数据挖掘的目的是把人工智能、机器学习、神经网络、统计学、模式识别与数据库等技术结合起来,由计算机自动从已有数据中发现未知的、具有潜在应用价值的信息或模式,解决数据量很大、而知识贫乏的矛盾。通过聚类,能够识别密集的和稀疏的区域,发现全局的分布模式和数据属性之间有趣的相互关系。在充分继承CLARANS算法原有的优点基础上,利用遗传算法对CLARANS算法进行改进,提高了聚类效率。     

基于GA-RF模型土壤坚实度对黑土区大豆产量的影响

为探究机械压实土壤坚实度与大豆产量之间关系,以黑土区机械压实试验为基础,基于遗传优化算法（Genetic algorithm,GA）原理对随机森林（Random forest,RF）进行改进,克服传统RF模型参数选择主观性、泛化性差问题,建立基于改进随机森林（GA-RF）土壤坚实度对大豆产量影响预测模型,实现机械压实风险有效评估。结果表明,各深度土壤坚实度与大豆产量间均为负相关关系,但不同深度土壤坚实度对大豆产量影响程度不同,表层（0～30 cm）土壤坚实度对大豆产量影响最大;采用GA-RF模型预测土壤坚实度对大豆产量影响准确率达95.12%,较传统RF模型提高7.31%,与其他常用机器学习模型相比,GA-RF模型预测准确率及宏平均后查准率、召回率、F1值更优。GA-RF对丰富和完善RF方法具有一定理论意义,预测结果可为保护黑土资源、促进农业机械化高质量转型提供理论和技术支撑。     

基于BP神经网络与遗传算法的槽门框架结构优化设计

对南水北调中线工程拦藻设备的槽门框架进行了参数化三维建模,利用有限元分析软件,对其进行模态分析,通过Fluent模块对其进行气固耦合有限元分析,利用均匀试验设计在拦污栅的结构参数范围内提取样本点。通过BP-GA算法进行全局寻优,减轻了槽门框架自重,降低了发生共振的概率,增强了系统稳定性。     

五种地下水埋深预测模型对比分析——以肇州县为例

地下水埋深预测对于区域水资源管理利用、生态环境保护和经济社会发展等具有重要的价值与作用。地下水埋深受多种因素影响,其动态变化具有非平稳性、随机性和滞后性等特征。为了准确预测浅层地下水埋深,选用多元线性回归、灰色GM(1,1)、基于马尔科夫链优化的灰色GM(1,1)、BP神经网络和基于遗传算法优化的BP神经网络五种预测模型,以黑龙江省肇州县为应用实例,将1980-2009年数据作为训练样本,2010-2019年数据作为检验样本,以降水量、蒸发量、地下水开采量和前期水位作为输入层输入,以地下水埋深作为输出层输出,选择绝对误差、相对误差、平均绝对误差、平均绝对百分比误差、均方误差和均方根误差作为评价指标,进行地下水埋深模拟预测和对比分析。结果表明：基于遗传算法优化的BP神经网络模型的平均绝对误差0.13 m,平均绝对百分比误差1.58%,均方误差0.02,均方根误差0.15,预测精度较高、拟合效果较好,相较于其他4种模型可以更好的模拟地下水埋深动态变化,为肇州县地下水合理开发和利用提供参考;遗传算法优化提升了BP神经网络的训练效率和稳定性,马尔科夫链理论弥补了灰色GM(1,1)所缺少的波动性...     

基于自适应惩罚遗传算法的给水管网优化设计

针对给水管网遗传优化设计中常规惩罚函数边界约束条件存在的问题,提出了一种能根据每代计算结果自适应调节惩罚因子的自适应惩罚遗传算法,并应用改进遗传算法寻求管网投资最小的设计方案.研究表明,应用该方法能够更有效地搜索最优解,可节约工程费用2.29%～12.01%,在工程优化设计中有一定的实用价值.