【摘要】：含水層參數(shù)是進(jìn)行地下水研究的最基本的參數(shù),含水層參數(shù)的可靠性,決定地下水模擬計算的準(zhǔn)確性。目前,主要是利用抽水試驗數(shù)據(jù)來確定含水層參數(shù)。近年來,智能優(yōu)化算法被廣泛用于解決此類問題。粒子群算法(Particle Swarm Optimization Algorithm,PSO)是常用的智能優(yōu)化算法。針對PSO算法自身的一些問題,本文對其進(jìn)行了改進(jìn),并將其用于確定直線邊界完整井流模型參數(shù)。本文的主要研究工作如下:1、為了克服PSO算法自身的缺陷,提出混合策略粒子群算法(Hybrid Strategy Particle Swarm Optimization Algorithm,HS-PSO),即將緊湊度的思想融入到PSO算法中,加強算法的局部搜索,結(jié)合調(diào)度系數(shù)的控制,提高算法的精度及尋優(yōu)速度,再通過替換閾值的約束,加強全局搜索。2、將HS-PSO算法用于確定直線供水邊界完整井流模型,通過與相關(guān)文獻(xiàn)中其他方法計算結(jié)果的比較,與降深觀測值的擬合及HS-PSO算法對水位降深的反演,驗證了HS-PSO算法的可靠性;通過對降深觀測值進(jìn)行擾動分析,驗證了HS-PSO算法的穩(wěn)定性;討論了HS-PSO算法的收斂性對種群規(guī)模的依賴性,給出了種群規(guī)模的建議值;通過分析待估參數(shù)取值范圍對HS-PSO算法收斂性的影響可知,HS-PSO算法對待估參數(shù)取值范圍的敏感性較低。3、將HS-PSO算法應(yīng)用于確定直線隔水邊界完整井流模型,通過HS-PSO算法所得的降深計算值與降深觀測值的擬合及對水位降深的反演,驗證了HS-PSO算法的可靠性;討論了種群規(guī)模對HS-PSO算法收斂性的影響,給出了種群規(guī)模的建議值;分析了待估參數(shù)取值范圍對HS-PSO算法收斂性的影響,得出HS-PSO算法在確定含水層參數(shù)時較其他算法更有效;通過對確定的導(dǎo)水系數(shù)和儲水系數(shù)的靈敏度進(jìn)行分析,可看出導(dǎo)水系數(shù)和儲水系數(shù)隨著水位降深值的增大而減小,且導(dǎo)水系數(shù)的靈敏度高于儲水系數(shù)的。
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;P641
【圖文】：

長安大學(xué)碩士學(xué)位論文粒子的個體極值及全局極值的公式如下：, ( ) ( ), ( ) ( )i i iii i ip f x f ppx f x f p ≥= < , ( ) ( ), ( ) ( )g i ggi i gp f p f ppp f p f p ≥= < = minδ�？臻g中求解最小化問題時，兩粒子的位置更新原理為：粒子在上一值ip 和全局極值gp的影響下，以新速度 v (t + 1)從舊位置 x (t )飛向一時刻再從位置 x (t + 1)出發(fā)，以相同的方式飛向全體種群的歷史最次，粒子將逐漸逼近全局極值，原理圖見圖 2.1。

7圖 2.2 PSO 算法流程圖設(shè)置是影響算法效率和性能的關(guān)鍵性因素，由析了算法的收斂性和參數(shù)的選取。間是相互獨立的，故可簡化到研究一維單子個體和種群歷史最優(yōu)位置不變，令1 =1 2( ) ( ( )) ( ( ))i gω v t + p x t + p x tx (t + 1)= x (t ) + v (t + 1)

第三章 混合策略粒子群算法( 2.3)更新粒子速度和位置，并計算更新后各粒子的優(yōu)位置；粒子的適應(yīng)度值；之間適應(yīng)度值的差值 H ，若滿足thH < H，表示這兩個粒新歷史最優(yōu)位置及全局最優(yōu)解gp；度1e ，若g1p >e或t > T，則迭代終止，否則轉(zhuǎn)到 Ste圖見圖 3.1。初始化粒子的速度和位置

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳建新;崔廣才;;基于改進(jìn)粒子群算法的函數(shù)優(yōu)化研究[J];電腦迷;2018年01期

2 周慧;;基于粒子群算法的最優(yōu)值求解[J];科技廣場;2017年12期

3 吳豐;郭曉娟;;基于混合粒子群算法的船舶穩(wěn)定性分析[J];艦船科學(xué)技術(shù);2018年14期

4 鄧廣彪;;改進(jìn)的粒子群算法在云計算下的數(shù)據(jù)挖掘中的研究[J];科技通報;2017年04期

5 張釗旭;王志杰;李建辰;王貴奇;許軍;楊進(jìn)候;;一種基于模擬退火-改進(jìn)二進(jìn)制粒子群算法的測試優(yōu)化選擇方法[J];水下無人系統(tǒng)學(xué)報;2017年03期

6 朱俚治;王興虎;;試談粒子群算法[J];電腦編程技巧與維護;2017年11期

7 朱寶;;基于改進(jìn)粒子群算法的盾構(gòu)掘進(jìn)施工優(yōu)化研究[J];遼寧科技學(xué)院學(xué)報;2017年03期

8 袁正午;李君琪;;基于改進(jìn)粒子群算法的云資源調(diào)度[J];計算機工程與設(shè)計;2016年02期

9 江嘉偉;毋文峰;;一種改進(jìn)的粒子群算法[J];電腦編程技巧與維護;2016年06期

10 張衛(wèi)明;周慶忠;黎武;;基于改進(jìn)粒子群算法的野戰(zhàn)油庫選址優(yōu)化[J];兵器裝備工程學(xué)報;2016年08期

相關(guān)會議論文 前10條

1 熊偉麗;徐保國;;單個粒子收斂中心隨機攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

2 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計中的應(yīng)用[A];第十一屆全國膨脹節(jié)學(xué)術(shù)會議膨脹節(jié)設(shè)計、制造和應(yīng)用技術(shù)論文選集[C];2010年

3 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[A];中國科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會論文集(上)[C];2012年

4 王征;劉大寶;王家林;王永驥;;基于離散粒子群算法的船舶電力系統(tǒng)重構(gòu)研究[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

5 王波;肖健梅;王錫淮;;基于改進(jìn)粒子群算法的車輛路徑問題研究[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

6 張頂學(xué);關(guān)治洪;劉新芝;;多種群并行粒子群算法研究[A];第二十六屆中國控制會議論文集[C];2007年

7 黃勝;任萬龍;王超;何新;;多目標(biāo)粒子群算法在翼型優(yōu)化的應(yīng)用[A];第二十五屆全國水動力學(xué)研討會暨第十二屆全國水動力學(xué)學(xué)術(shù)會議文集（上冊）[C];2013年

8 王瑩;盛四清;;基于改進(jìn)粒子群算法的電壓薄弱區(qū)域恢復(fù)[A];中國高等學(xué)校電力系統(tǒng)及其自動化專業(yè)第二十四屆學(xué)術(shù)年會論文集（上冊）[C];2008年

9 孟繁敏;楊彬;張其林;;改進(jìn)的粒子群算法在鋼框架截面優(yōu)化中的應(yīng)用[A];第十三屆全國現(xiàn)代結(jié)構(gòu)工程學(xué)術(shù)研討會論文集[C];2013年

10 孔憲仁;秦玉靈;羅文波;;帶飛行因子的粒子群算法的鋁蜂窩板模型修正[A];結(jié)構(gòu)及多學(xué)科優(yōu)化工程應(yīng)用與理論研討會’2009（CSMO-2009）論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 劉天宇;基于協(xié)作學(xué)習(xí)和文化進(jìn)化機制的量子粒子群算法及應(yīng)用研究[D];西安電子科技大學(xué);2017年

2 孟麗;粒子群算法及其在分?jǐn)?shù)階系統(tǒng)辨識中的應(yīng)用研究[D];華北電力大學(xué)(北京);2016年

3 韓佳偉;多層級蘋果預(yù)冷過程模擬及預(yù)冷控制決策優(yōu)化[D];北京工業(yè)大學(xué);2018年

4 鐘繼如;基于混合粒子群算法的小沖桿試驗預(yù)測材料強度的研究[D];華東理工大學(xué);2019年

5 雷開友;粒子群算法及其應(yīng)用研究[D];西南大學(xué);2006年

6 王芳;粒子群算法的研究[D];西南大學(xué);2006年

7 楊輕云;約束滿足問題與調(diào)度問題中離散粒子群算法研究[D];吉林大學(xué);2006年

8 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

9 王雪飛;粒子群算法的動態(tài)拓樸結(jié)構(gòu)研究[D];西南大學(xué);2008年

10 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調(diào)度問題研究[D];浙江工業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 楊宇婷;基于粒子群算法的工業(yè)鍋爐爐膛燃燒優(yōu)化控制[D];西安科技大學(xué);2019年

2 陳濤;基于無標(biāo)度網(wǎng)絡(luò)的改進(jìn)粒子群算法研究[D];云南大學(xué);2018年

3 武海妮;改進(jìn)的粒子群算法在求解非線性方程組中的應(yīng)用[D];延安大學(xué);2019年

4 張慶;基于改進(jìn)型混沌映射的粒子群算法及其在天線參數(shù)優(yōu)化中的應(yīng)用[D];云南大學(xué);2018年

5 余鋮銓;考慮駕駛風(fēng)格的混合動力汽車隊列速度優(yōu)化研究[D];江蘇大學(xué);2019年

6 李紅魁;基于粒子群算法的公路工程多目標(biāo)成本優(yōu)化研究[D];廣州大學(xué);2019年

7 張賀;混合粒子群算法在水電站優(yōu)化調(diào)度中的應(yīng)用研究[D];新疆大學(xué);2019年

8 崔權(quán)龍;基于意外流行決策的粒子群算法研究[D];吉林大學(xué);2019年

9 趙藝;基于粒子群算法的超導(dǎo)瞬變電磁極化效應(yīng)多參數(shù)提取[D];吉林大學(xué);2019年

10 徐練淞;多目標(biāo)粒子群算法的改進(jìn)研究[D];西華師范大學(xué);2019年

本文編號：2794955