基于改进布谷鸟搜索的人工神经网络及其性能仿真

布谷鸟搜索(CS)算法是一种新型的基于仿生学原理的元启发式算法,具有很好的全局优化能力,但其存在后期收敛速度慢、计算精度不高等不足。通过将交叉熵(CE)方法嵌入到CS中构建一种改进的CS算法,基准测试函数集的测试结果表明改进算法收敛速度和计算精度都有了明显提高。用改进的算法实现对人工神经网络的训练,实验结果显示新算法训练的神经网络收敛速度更快,能有效避开局部极小。最后用所建立的人工神经网络对中国人口总量进行了预测。     

基于小批量梯度下降的布谷鸟搜索算法

布谷鸟搜索算法是一种解决函数目标优化问题的全局搜索算法,具有选用参数少、容易实现、搜索路径优、寻优能力强等特点。为了提高布谷鸟搜索算法的求精能力和收敛速度,改善后期收敛慢和搜索精度不稳定的问题,提出了一种基于小批量梯度下降的布谷鸟搜索算法。引入小批量梯度下降,优化寻找最优解的过程,加快局部最优的搜索,从而提高算法的求精能力和收敛速度。仿真实验结果表明,基于小批量梯度下降的布谷鸟搜索算法简单高效,在保持标准布谷鸟搜索算法优点的基础上提高了算法的收敛速度和寻优精度,具有较强的稳定性和鲁棒性。     

基于改进布谷鸟搜索算法的种子园空间布局优化

为了使树木更好地适应外界环境的变化,林木育种的关键是确保其具有较高的遗传多样性.通过优化种子园的空间布局,可以提高树木的遗传多样性.但随着种子园规模的扩大,空间布局优化方案的复杂度会呈指数级增长,使用传统方法很难在可行的时间内得到最优解.采用改进的布谷鸟搜索算法对种子园配置方案进行最优化设计,并利用不同规模种子园的模拟数据验证该算法在解的质量和求解速度方面的可靠性,且对于相同数据,该算法优于遗传算法,可高效地输出一个优化的栽培种植方案,为种子园的建立提供决策依据.     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于改进鲸鱼优化算法的GBDT回归预测模型

针对梯度提升决策树（gradient boosting decision tree, GBDT）参数难以选择的问题, 提出一种基于改进鲸鱼优化算法（improved whale optimization algorithm, IWOA）的GBDT回归预测算法. 首先, 提出一种改进的鲸鱼优化算法, 利用混沌映射初始化种群提高种群多样性, 引入惯性权重与差分进化算法中的变异交叉策略解决迭代后期易陷入局部最优的问题; 其次, 利用IWOA对GBDT的关键参数寻优, 避免参数选择的盲目性, 提高回归预测模型的泛化能力; 最后, 建立IWOA-GBDT回归预测模型, 并利用UCI数据集对模型进行验证. 实验结果表明, 相比于决策树、 支持向量机、 Adaboost和GBDT算法, 该模型算法具有更好的拟合效果, 并有一定的实用价值.     

基于混合变异算子的布谷鸟优化算法

针对布谷鸟寻优算法在多维优化函数搜索中存在收敛速度慢、寻优精度低的缺陷,提出了一种基于混合变异算子的布谷鸟优化算法。该算法在每次迭代后采用全局收敛引导的非均匀变异算子对鸟窝位置进行变异,再根据最优位置适应度值的变化率确定是否陷入了局部最优值,若陷入局部最优则利用高斯变异算子对鸟窝位置进行调整,从而提高了收敛速度以及寻优精度。通过6个经典测试函数的测试,实验表明改进后的布谷鸟算法具有较好的寻优精度和收敛速度。     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于梯度提升决策树的焦炭质量预测模型研究

焦炭是高炉炼铁的重要原料,其质量是影响铁水质量和高炉顺行的重要因素,针对焦炭质量存在检验难、滞后性、预测误差大等问题,提出一种基于梯度提升决策树算法的焦炭预测模型;结合专家经验与相关性分析方法,深入研究配合煤质量对焦炭质量的影响;最后利用配合煤质量指标对焦炭质量指标灰分、硫分、耐磨强度、抗碎强度进行建模预测;根据某焦化厂历史生产数据对模型进行评估,实验结果表明:基于梯度提升决策树的焦炭质量预测模型相较于线性回归模型、随机森林模型,决策树模型误差小、准确率高,可以为焦化厂配煤炼焦提供一定的理论依据。     

一种基于lightGBM框架改进的GBDT风力发电机叶片开裂预测方法

风力发电机叶片开裂直接影响风力发电机运行,采用梯度提升决策树算法与基于lightGBM框架改进的梯度提升决策树算法对风力发电机叶片开裂进行预测。对比分析了预测准确度与可行性。基于lightGBM改进的梯度提升决策树算法分析的风力发电机运行数据得出的预测结果优于梯度提升决策树算法,且对于风力发电机叶片开裂预测准确度较高,并具有实用价值。同时该算法能够大幅降低样本中的无效数据,减少计算量。其独立特征合并能够使得划分点特征数量降低,提高风力发电机叶片开裂预测的准确性。最后,风力发电机叶片开裂预测实验结果表明,基于lightGBM改进的梯度提升决策树算法取得了更好的预测结果,计算量更小且能够准确预测风力发电机叶片开裂故障。     

基于Random Forest的区域性泥石流的预警预测研究——以凤城市为例

以GIS为平台,选取16个预测因子(包括8个遥感因子、3个DEM因子、4个土壤因子和1个地层岩性),提取泥石流发生当日和前一日累计降水数据为响应因子,建立了random forest回归树模型,在区域尺度上对凤城市泥石流灾害进行预警预测.预测的结果表明:岩性、海拔和坡向是影响泥石流发生的主要因素,而持续的降水提高了土壤因子在地质灾害发生中的重要性,各遥感指数中,黏土因子对泥石流的影响最大.在东南部,只有当累计降水量较高时,泥石流才会发生;相反,在西北部,少量的累计降水就会造成泥石流的发生.另外,从1日降水预警图和2日降水预警图比较来看,持续降水容易增加泥石流发生机率.     

基于水动力模型的泥石流风险分析

以水动力模型为研究依据,以降水、来流等自然条件为泥石流发生的推动因子,加之地形、地质、植被、人口等影响因子,构建了泥石流风险分析模型。选取广西5个市作为研究区域,采用河网分级编码方法对河网水系信息作概化处理。根据粗糙集理论,采用了一种可以从客观角度上确定影响因子权值的综合权重计算方法,构建了泥石流灾害危险性评判机制。将计算模拟结果置于广西地质灾害分布统计与2011年全州县泥石流灾害事件中进行对比验证,结果表明基于水动力模型的泥石流风险分析是合理且可靠的。     

基于梯-潭消能系统的挡流式泥石流排导槽

中国是灾害多发的国家之一,泥石流是山区灾害的主要类型。对于特大泥石流,传统常规的治理办法难以起到很好的效果,于是王兆印等提出了梯-潭系统。但是,梯-潭系统并不完美,仍有许多值得改进的地方。以提高消能效率为出发点,提出一种能在短距离内达到消能、控速功能的挡流式泥石流排导槽。通过设计最佳横断面,使排导能力达到最佳;通过挡板与梯-潭系统达到快速消能的目的;然后通过推导分析,给出了挡流式排导槽的消能率计算公式;最后与传统梯-潭型排导槽消能率计算公式作对比分析,发现提出的排导槽具有高效消能的作用。     

基于模糊概率方法的泥石流危险性评价

为客观合理评价泥石流危险性,选取泥石流(可能)规模、泥石流发生频率、流域面积、主沟长度、流域最大相对高差、流域切割密度、主沟床弯曲系数、泥砂补给段长度比、24 h最大降雨量、人口密度等10个因子作为泥石流危险性评价指标,运用模糊概率方法建立了泥石流危险性评价模型,并对8条典型泥石流沟的危险性进行了评价.研究表明,模糊概率方法在继承模糊综合评判法的思想和优点的同时,克服了在实际应用中其评价因子权重取值的不确定性,从而为进行有效的泥石流灾害防治提供了可靠的科学依据.     

滑坡型泥石流形成机理

滑坡型泥石流是一种特殊的能量转换体运动类型。它是在很短时间内,由滑坡体的位能快速转化为动能的一次性滑动——流动堆积。滑坡型泥石流的活动是由块体在整个连续运动过程中发展的两个阶段(先滑坡,后泥石流)组成。滑坡型泥石流与一般的滑坡、泥石流不同,它兼具滑坡和泥石流的一些特征。滑坡型泥石流速度快,冲击力强,破坏性大。在理论上和国民经济影响方面有独特的研究意义。     

白龙江流域降雨型泥石流活动规模预测模型

白龙江地区泥石流沟谷内大量松散固体物质在强降雨的激发下易形成规模较大的降雨型泥石流,泥石流一次冲出量比同等条件下要放大数倍,应用以往泥石流活动规模预测模型进行计算的结果与实际值误差较大,因此,需构建适用于白龙江流域暴雨型泥石流一次最大冲出量定量预测方法。本文以区内降雨频率为10a一遇的24条沟谷型泥石流历史活动规模为典型实例,结合野外调查利用Matalb多元非线性统计方法建立了泥石流一次最大冲出量预测模型,最后结合舟曲三眼峪沟“8.8”特大泥石流等5条暴雨型泥石流灾害特征,对预测模型优化完善构建了不同规模降雨频率下的泥石流活动规模定量表达式。结果表明：影响泥石流一次最大冲出量的有泥石流灾害爆发区面积、流域内松散固体物质总量及诱发泥石流的降雨条件等3个因素,所建立的模型适用于白龙江流域降雨沟谷型泥石流活动规模的预测,该方法可为经济建设安全地段选址和未来城镇泥石流快速风险管理提供重要依据。     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。