文山州近10年水资源利用效率评价SLC-PP模型及应用

为科学、客观地评价区域水资源利用效率,提出足球联赛竞争(SLC)-投影寻踪(PP)水资源利用效率评价模型,以文山州2006—2015年水资源利用效率评价为例进行实例分析。通过6个典型高维测试函数对SLC算法进行验证,并将仿真结果与教学优化(TLBO)算法、灰狼优化(GWO)算法、差分进化(DE)算法、混合蛙跳算法(SFLA)、粒子群优化(PSO)算法和帝国竞争算法(ICA)的寻优结果进行比较。从综合、工业、农业、生活和生态环境用水5个方面选取23个指标构建水资源利用效率评价指标体系,应用SLC-PP模型,并基于投影系列均值z及标准差σ构造低水平、较低水平、中等水平、较高水平和高水平5个等级的水资源利用效率评价标准对实例进行评价,并分析近10年的水资源利用效率变化趋势。结果表明:(a)无论是单峰还是多峰函数,SLC算法寻优精度优于TLBO和GWO算法,远优于DE、SFLA、PSO和ICA算法,具有寻优精度高、收敛速度快、极值寻优能力强以及收敛稳定性与可靠性好等特点。(b)SLC-PP模型对实例水资源利用效率评价结果均为:2006—2007年处于低水平,2008—2012年处于中等水平,2013—2015年处于较高水平,水资源利用效率随时间呈提升趋势,且提升趋势显著。     

水循环算法-投影寻踪模型在水环境承载力评价中的应用——以文山州为例

利用4个典型测试函数对水循环算法(WCA)进行仿真验证,仿真结果与文化算法(CA)、布谷鸟搜索(CS)算法和粒子群优化(PSO)算法的仿真结果进行比较.从水资源、水污染、社会经济3个系统遴选12个指标构建区域水环境承载力评价指标体系,利用WCA优化PP模型最佳投影方向,提出WCA-PP水环境承载力动态评价模型,并构建CA-PP、CS-PP和PSO-PP模型作对比,以文山州2006~2015年水环境承载力动态评价为例进行实例验证.结果表明:无论是单峰还是多峰函数,WCA寻优精度与收敛稳定性均优于CA、CS和PSO算法,具有较好的收敛速度、求解精度和极值寻优能力;WCA优化PP模型获得的适应度值为1 248.202 6,均优于CA、CS和PSO算法.WCA-PP模型对实例2006~2011年水环境承载力评价为"基本可承载",2012~2015年评价为"可承载";水环境承载力随时间呈提升趋势,且提升趋势显著.WCA-PP模型对实例的评价及排序结果与CS-PP模型相同,与CA-PP模型在各年度排序上存在差异,与PSO-PP模型在评价及排序上均存在差异.实例验证了智能算法的优化性能决定了评价精度的高低.模型及验证方法具有实际应用价值,可为区域水环境承载力计算分析提供新的思路和方法.     

蛾群算法与投影寻踪耦合模型在区域水资源脆弱性评价中的应用

提出一种新型群智能算法——蛾群算法(MSA)与投影寻踪(PP)技术耦合的水资源脆弱性评价模型,以云南省16个州市水资源脆弱性评价为例进行研究.从水量、水质、洪灾和旱灾4个方面遴选28个指标构建区域水资源脆弱性评价指标体系和分级标准;通过8个典型测试函数对MSA进行仿真验证,并与差分进化(DE)算法、文化算法(CA)、教学优化(TLBO)算法和粒子群优化(PSO)算法的仿真结果进行对比.利用MSA、DE、CA、TLBO和PSO算法优化PP最佳投影方向,构建MSA-PP、DE-PP、CA-PP、TLBO-PP和PSO-PP耦合模型对实例水资源脆弱性进行评价.结果表明:MSA寻优精度优于DE等4种算法,具有较好的全局极值寻优能力和收敛稳定性能,在求解高维、复杂优化问题时有着更高的求解精度;MSA-PP模型对昆明、玉溪、曲靖、楚雄4州市的水资源脆弱性评价为”轻度脆弱“,对怒江州、迪庆州评价为“重度脆弱”,其余州市评价为“中度脆弱”.MSA-PP模型对实例评价结果与TLBO-PP模型相同,但在排序上存在差异;与CA-PP、DEPP和PSO-PP模型的评价结果及排序上均存在差异,表明智能算法求解精度的高低决定了评价效果的优劣.本文提出的模型及验证方法具有通用性,可推广应用于其他领域.     

改进蝴蝶优化算法-投影寻踪模型在区域河长制考核评价中的应用

为科学考核评价区域河长制工作,构建改进蝴蝶优化算法(IBOA)-投影寻踪(PP)评价模型,以文山州2017年、2018年和2020年河长制考核评价为例进行实例研究.选取4个典型测试函数对IBOA进行仿真验证,并与基本蝴蝶优化算法(BOA)、鲸鱼优化算法(WOA)、布谷鸟搜索(CS)算法等8种算法的仿真结果进行对比.从水资源保护、水域岸线管理、水污染防治、水环境治理与水生态修复、执法监管5个方面遴选23个指标构建区域河长制考核评价指标体系和分级标准,在各分级标准阈值间采用随机内插的方法生成样本构建考核评价投影目标函数,利用IBOA-PP模型对实例各年度河长制进行考核评价.结果表明,IBOA寻优精度优于BOA、WOA、CS等8种算法,具有较好的收敛速度、极值寻优能力和跳出局部极值能力.IBOA-PP模型对实例2017年河长制考核评价结果为"不及格"、2018年评价为"及格",规划年2020年评价为"优秀".     

灰狼优化算法-投影寻踪模型在云南省水量分配中的应用

基于尊重现状和效率原则,选取水资源开发用率、总人口等11个指标构建云南省水量分配指标体系和水量分配投影寻踪(PP)模型.利用灰狼优化(GWO)算法搜寻PP模型最佳投影方向,构建GWO-PP水量分配模型对云南省16个州(市)水量进行分配.并通过4个典型测试函数对GWO算法进行仿真验证,仿真结果与文化算法(CA)、萤火虫算法(FA)和粒子群优化(PSO)算法进行对比.结果表明:GWO算法寻优效果优于CA、FA和PSO算法,具有收敛速度快、寻优精度高和全局寻优能力强等特点.GWO-PP模型水量分配结果较综合法水量分配结果更科学客观.模型及方法具有一定的可操作性和有效性,可为水量分配提供新的途径和方法.     

SCA-SVM模型在年径流丰枯识别中的应用

通过4个典型测试函数对一种新型全局优化算法——正弦余弦算法(SCA)进行仿真验证,仿真结果与粒子群优化(PSO)算法、模拟退火算法(SA)、布谷鸟搜索(CS)算法和人工蜂群算法(ABC)进行对比.利用SCA搜寻SVM最佳学习参数,提出SCA-SVM年径流丰枯识别模型.以龙潭寨水文站为例进行实例研究,利用月径流序列均值及标准差构建月径流分类标准,并基于该分类标准构造样本对SCA-SVM模型进行训练及检验,利用训练好的SLC-SVM模型对实例年径流丰枯进行识别.结果表明:SCA算法寻优精度远优于SA、CS、PSO和ABC算法,具有调节参数少、收敛速度快、寻优精度高和全局寻优能力强等特点;SCA-SVM模型对训练及检验样本的识别率均为100%,具有较好的识别效果和精度.     

基于混合DE—PSO算法的水库优化调度模型及其应用

水库优化调度实质上是一个非线性的不等式约束优化问题,在现行的求解方法中,对计算精度和复杂约束处理这两个问题一直考虑不足,相关方面的研究也较少．将粒子群算法和差分进化算法引入到水资源系统工程中,建立了水库调度的DE—PSO优化模型,避免了寻优瓶颈;针对复杂约束问题,提出退火罚函数法,有效地解决了水库调度问题．通过实例分析,验证了所给方法的可靠性．     

粒子群与差异演化的混合进化算法研究

将差异演化(DE)算法和标准PSO算法混合进行进化,把DE算法的优势带入到粒子群算法中,利用DE算法其本身具备的对粒子个体的交叉和变异操作使PSO算法种群保持寻优所需的多样性.文中将这种算法成功应用到神经网络的优化中,从而保证粒子速度能获得较大程度的更新保持较好的搜索能力,避免陷入"早熟"或"停滞"的能力大大提高.     

改进鸟群算法及其在梯级水库优化调度中的应用

介绍一种新型群智能仿生算法—鸟群算法(BSA),针对BSA算法进化初期种群多样性的不足,提出基于Lévy飞行策略改进的LBSA算法,并通过2个实例对该算法进行验证:1)利用6个不同维度的典型测试函数对LBSA算法进行仿真测试,仿真结果与基本BSA算法、教学优化算法(TLBO)、差分进化算法(DE)、改进粒子群优化算法(IPSO)、粒子群优化算法(PSO)和混合蛙跳算法(SFLA)的仿真结果进行对比分析.2)为进一步验证LBSA算法的有效性,将其与BSA、TLBO等6种算法用于求解某梯级水库中长期优化调度问题.结果表明:LBSA算法寻优精度优于其他6种算法,具有全局探索及空间勘探能力强、求解精度受维度影响较小、运行速度快、求解精度高等优点,适合求解高维多极值复杂优化问题.LBSA算法优化调度发电量为38.357 3亿kW·h,分别比TLBO、IPSO、DE、PSO和SFLA算法的优化调度结果增加发电量0.005 5、0.008 4、0.010 5、1.467 3和2.678 4亿kW·h,具有较好的优化调度效果.本文通过典型测试函数及实际工程验证了LBSA算法的可行性和高效性,为求解复杂高维的梯级水库群优化调度模型提供了一种全新的途径和方法.     

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

果蝇优化算法对多峰函数求解性能的仿真研究

多峰函数的寻优能力一直是衡量算法优越性的依据之一,许多传统的算法对其求解容易误将局部极值当做全局极值,针对这一问题,以Schaffer多峰函数为例,运用改进的果蝇优化算法(Improved Fruit Fly Optimization Algorithm,IFFOA)对Schaffer函数进行寻优求解,同时对其他4个测试函数进行求解.通过matlab软件测试、分析了改进的果蝇算法寻优能力的影响因素,最后通过相同的参数,分别采用遗传算法(GA)和改进的果蝇算法进行对比,通过对比发现,改进的果蝇优化算法在收敛精度和收敛速度方面,均优于和声搜索算法(HS)算法,从而验证了IFFOA算法的优越性和有效性,可以将IFFOA算法应用于其他领域.     

一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

基于PSO-DE混合算法的结构可靠性优化设计

为提高结构可靠性优化设计的效率,利用粒子群优化(PSO)和差分进化(DE)算法的搜索特性,构造一种PSO-DE混合算法,以克服基本PSO算法的早熟问题.将PSO-DE混合算法与结构可靠性优化理论相结合,建立了结构系统失效概率约束下以结构质量最小化为目标的优化模型.算例结果表明:与基本PSO算法相比,文中提出的PSO-DE混合算法提高了收敛速度和计算精度;该算法易于实现,鲁棒性好.     

PSO优化算法的微粒寻优过程移动规律研究简

为了更好地扩展和应用粒子群优化(PSO)算法,明确其寻优过程中微粒的移动规律十分必要.基于PSO算法简化模型,建立了围绕平衡点振动的微粒寻优过程的运动学方程,然后给出参数选择与微粒运动的振动角频率和振幅之间的关系,进而给出了基本粒子群优化算法的微粒寻优运动规律.仿真实验表明,(1)简化PSO模型中粒子的寻优运动规律为:粒子以当前最佳适应值为平衡点进行围绕振动;(2)基本PSO模型中粒子的寻优运动规律为:粒子以随机的角频率和振幅围绕平衡点进行振动.这两条规律填补对微粒寻优过程移动规律认识的空白,有利于推广和改进PSO算法,以便使得其适合解决实际优化问题.     

PSO优化算法的微粒寻优过程移动规律研究

为了更好地扩展和应用粒子群优化(PSO)算法,明确其寻优过程中微粒的移动规律十分必要.基于PSO算法简化模型,建立了围绕平衡点振动的微粒寻优过程的运动学方程,然后给出参数选择与微粒运动的振动角频率和振幅之间的关系,进而给出了基本粒子群优化算法的微粒寻优运动规律.仿真实验表明,(1)简化PSO模型中粒子的寻优运动规律为:粒子以当前最佳适应值为平衡点进行围绕振动;(2)基本PSO模型中粒子的寻优运动规律为:粒子以随机的角频率和振幅围绕平衡点进行振动.这两条规律填补对微粒寻优过程移动规律认识的空白,有利于推广和改进PSO算法,以便使得其适合解决实际优化问题.     

基于WPD-AHA-ELM模型的水质时间序列多步预测

根据水质时间序列多尺度、非平稳特性,并基于“分解-预测-重构”思想,提出小波包分解(WPD)-人工蜂鸟算法(AHA)-极限学习机(ELM)组合多步预测模型,并应用于云南省昆明西苑隧道断面pH值、CODmn、DO、NH₃-N多步预测.首先介绍AHA原理,在不同维度条件下选取6个典型函数对AHA进行仿真测试,并与灰狼优化(GWO)算法、旗鱼优化(SFO)算法、粒子群优化(PSO)算法的仿真结果进行比较;其次利用WPD对水质时序数据进行小波包分解,以降低水质序列数据的复杂度;并在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入、输出;最后通过各分量训练样本构建ELM适应度函数,采用AHA对适应度函数进行寻优,利用寻优获得的最佳ELM输入层权值和隐含层偏值建立WPD-AHA-ELM模型对各子序列分量进行超前1步至超前5步预测,将预测结果加和重构得到最终多步预测结果.结果表明：AHA具有较好的寻优精度和全局搜索能力,寻优精度优于GWO、SFO、PSO算法.WPD-AHA-ELM模型对实例断面pH、CODmn、DO、NH₃-N超前1步至超前5步...     

采用混沌粒子群优化算法的水质模型参数辨识

提出了一种新的适用于水质模型参数辨识的混沌粒子群优化(LCPSO)算法.与粒子群优化(PSO)算法相比,该算法将Logistic混沌搜索嵌入到PSO算法中,利用混沌变量产生初始粒群,并对子代部分粒子群体进行微小扰动,随着搜索过程的深入逐步调整扰动幅度,以克服PSO算法的早熟、易陷入局部极值等固有缺陷.采用标准测试函数,将该算法与遗传算法(GA)和PSO算法进行比较,证明了其收敛速度和寻优能力的优越性.采用实测水质数据,将LCPSO算法应用于具有一定工程价值和复杂程度的Dobbins-Camp BOD-DO水质模型的参数辨识.结果显示,所得水质数据与实测值误差平方和仅为0.150 3,且相对误差在±0.2%范围内,故该算法可为水质模型的参数辨识提供一条新的途径.     

一种约束类问题的带权PSO优化方法

为提高带约束类问题的PSO求解质量,将等式约束通过约减策略转化成不等式约束,约减了设计变量个数,降低了粒子的维度;同时将不等式约束事先放在子程序内,在使用PSO寻优计算适应度函数前,排除不在解空间内的解,降低了寻优计算量.利用优化过程中其他粒子的优化信息调整PSO算法的惯性权重,给出了约束类问题的带权PSO优化步骤.采用这种带权的PSO算法以及传统的PSO算法,分别对等式约束处理、不等式约束处理以及两者均处理的3种方案同时优化2个典型实例,对实例求解的最优值、平均值、标准差以及平均优化时间进行对比,结果显示:这种带权PSO算法对约束条件同时处理的方法既能提高解的精度,又能提高优化的求解效率.     

基于协同进化思想的人工鱼和粒子群混合优化算法

在分析人工鱼群算法(AFSA)、粒子群算法(PSO)存在不足的基础上,提出一种将PSO群与AFSA群作为两个独立进化的群,同时进行搜索的算法.该算法利用协同思想与正反馈机制,让AFSA群跟踪PSO群的全局最优解,PSO群跟踪AFSA群的全局最优解的算法.这样,一方面利用AFSA的快速找到全局极值邻域的能力克服PSO易陷入局部的不足;另一方面利用PSO的快速收敛能力来提高AFSA的收敛速度和求解精度.基于典型的函数和实例测试的结果都说明了该算法具有收敛速度较快、精度较高的特点.     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.