發(fā)布時(shí)間：2020-04-17 05:37

【摘要】：智能優(yōu)化算法是一種通過模擬或揭示某些自然現(xiàn)象或過程的優(yōu)化算法。因?yàn)槠洳僮骱唵?對(duì)目標(biāo)函數(shù)要求較低的特點(diǎn)目前已經(jīng)廣泛應(yīng)用于復(fù)雜問題的求解。但智能優(yōu)化算法全局收斂能力較強(qiáng),局部收斂能力較差,目前的重點(diǎn)都在對(duì)其進(jìn)行改進(jìn),提高它的局部收斂能力。通常的改進(jìn)方法是將兩種智能優(yōu)化算法結(jié)合或?qū)鹘y(tǒng)優(yōu)化算法與智能優(yōu)化算法相結(jié)合,而傳統(tǒng)優(yōu)化算法包含兩類,一類包含導(dǎo)數(shù),而另一類不需要求導(dǎo)。而含導(dǎo)數(shù)的傳統(tǒng)優(yōu)化算法收斂速度明顯快于不含導(dǎo)數(shù)的傳統(tǒng)優(yōu)化算法。本文考慮到傳統(tǒng)優(yōu)化算法中的梯度下降法操作簡單、局部收斂能力較強(qiáng)的特點(diǎn),在智能優(yōu)化算法的運(yùn)算過程中加入梯度,構(gòu)成含有導(dǎo)數(shù)的智能優(yōu)化算法,并將其應(yīng)用到水文地質(zhì)參數(shù)和河流水質(zhì)參數(shù)求解過程中。主要研究工作如下:本文首先介紹文中用到的幾種算法的基本理論和具體運(yùn)算步驟以及程序流程圖,分析每種算法的優(yōu)缺點(diǎn),提出含有導(dǎo)數(shù)的粒子群算法和含有導(dǎo)數(shù)的遺傳算法,并分別用幾個(gè)測(cè)試函數(shù)對(duì)混合算法進(jìn)行驗(yàn)證,說明含有導(dǎo)數(shù)的智能優(yōu)化算法的可行性。其次主要以水文地質(zhì)參數(shù)和河流水質(zhì)參數(shù)求解過程為例,利用含有導(dǎo)數(shù)的智能優(yōu)化算法以及標(biāo)準(zhǔn)智能優(yōu)化算法進(jìn)行求解。通過對(duì)比分析計(jì)算結(jié)果,驗(yàn)證了含有導(dǎo)數(shù)的智能優(yōu)化算法對(duì)于求解水文水質(zhì)參數(shù)問題的可行性;并將計(jì)算結(jié)果反演得到的計(jì)算數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行比較,兩者擬合程度更好,驗(yàn)證了含有導(dǎo)數(shù)的智能優(yōu)化算法計(jì)算結(jié)果的可靠性。其次通過比較含有導(dǎo)數(shù)的智能優(yōu)化算法與不含導(dǎo)數(shù)的智能優(yōu)化算法的計(jì)算過程,發(fā)現(xiàn)含有導(dǎo)數(shù)的智能優(yōu)化算法收斂時(shí)所需要的進(jìn)化次數(shù)明顯少于不含導(dǎo)數(shù)的智能優(yōu)化算法,充分表明含有導(dǎo)數(shù)的智能優(yōu)化算法的收斂速度更快。最后給原始數(shù)據(jù)加一個(gè)輕微擾動(dòng),再次利用含有導(dǎo)數(shù)的智能優(yōu)化算法與不含導(dǎo)數(shù)的智能優(yōu)化算法進(jìn)行求解,發(fā)現(xiàn)含有導(dǎo)數(shù)的的智能優(yōu)化算法在求解時(shí)依然能夠快速得到最優(yōu)解,且運(yùn)算過程相對(duì)穩(wěn)定,進(jìn)一步驗(yàn)證含有導(dǎo)數(shù)的智能優(yōu)化算法不僅收斂能力更強(qiáng)而且更為穩(wěn)定。
【圖文】：

9圖 2.1 PSO 流程圖 2.1 所示。etic Algorithm)簡稱 GA[26]，最初是美國 Michiga自然選擇的思想以及基因遺傳學(xué)模型基礎(chǔ)上提出搜索和優(yōu)化的先進(jìn)思想[27]，即適者生存，優(yōu)勝劣汰數(shù)學(xué)問題中一代代進(jìn)化，保留較優(yōu)解，剔除較差解有最優(yōu)解保留下來，達(dá)到我們尋求最優(yōu)解的目的用形式由 Goldberg 提出[28]，，這種算法與傳統(tǒng)優(yōu)化

而進(jìn)化代數(shù)太多時(shí)，種群已經(jīng)早熟，時(shí)間、資源白數(shù)一般取 100-500。法基本流程隨機(jī)產(chǎn)生初始種群，個(gè)體數(shù)目 NP，每個(gè)個(gè)體表示為染色體的基求出每個(gè)個(gè)體的適應(yīng)度，并判斷是否符合終止條件，若符合，的最優(yōu)解[31]，否則轉(zhuǎn)向第三步； 根據(jù)適應(yīng)度高低選擇再生個(gè)體，適應(yīng)度高的個(gè)體留下，適應(yīng)度交叉。按照特定的交叉概率，選擇合適的交叉方法生成新的個(gè)變異。按照特定的變異概率，選擇合適的變異方法生成新的個(gè)由交叉和變異產(chǎn)生新一代的種群，返回 Step2。流程圖如圖 2.2 所示。
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18;O224

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁帆;劉元會(huì);郭建青;王璐璐;;利用單純形-粒子群混合算法確定越流含水層參數(shù)[J];南水北調(diào)與水利科技;2015年04期

2 付翠;劉元會(huì);郭建青;袁華;;識(shí)別河流水質(zhì)模型參數(shù)的單純形-差分進(jìn)化混合算法[J];水力發(fā)電學(xué)報(bào);2015年01期

3 袁華;劉元會(huì);郭建青;張洪波;付翠;;基于改進(jìn)的粒子群優(yōu)化算法確定河流水質(zhì)參數(shù)[J];西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年11期

4 王久杰;常安定;郭建青;王靜云;;混沌差分算法在確定河流水質(zhì)模型參數(shù)中的應(yīng)用[J];水資源與水工程學(xué)報(bào);2013年03期

5 周秀秀;常安定;郭建青;王久杰;;混沌粒子群優(yōu)化算法在確定含水層參數(shù)中的應(yīng)用[J];水資源與水工程學(xué)報(bào);2013年01期

6 付曉剛;代鋒剛;鄒曄;;單純形探索法在確定含水層參數(shù)中的應(yīng)用[J];水資源與水工程學(xué)報(bào);2011年06期

7 劉潔;吳亮紅;劉建勛;;基于單純形算子的混合差分進(jìn)化算法[J];計(jì)算機(jī)工程;2009年13期

8 黃少榮;;遺傳算法及其應(yīng)用[J];電腦知識(shí)與技術(shù);2008年34期

9 郭建青;李彥;王洪勝;周宏飛;;粒子群優(yōu)化算法在確定含水層參數(shù)中的應(yīng)用[J];中國農(nóng)村水利水電;2008年04期

10 江思珉;朱國榮;胡西嘉;季月華;;單純形—模擬退火混合算法反求水文地質(zhì)參數(shù)及其并行求解[J];地質(zhì)論評(píng);2007年01期

相關(guān)博士學(xué)位論文 前1條

1 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學(xué);2007年

相關(guān)碩士學(xué)位論文 前5條

1 張轉(zhuǎn);基于差分進(jìn)化算法的混凝土德拜模型的研究[D];長安大學(xué);2015年

2 袁華;確定河流水質(zhì)參數(shù)的單純形—混沌優(yōu)化算法研究[D];長安大學(xué);2014年

3 紀(jì)雪玲;改進(jìn)粒子群優(yōu)化算法及其在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究[D];西南林業(yè)大學(xué);2012年

4 孫晶晶;粒子群優(yōu)化算法的改進(jìn)及其應(yīng)用研究[D];陜西師范大學(xué);2010年

5 孟令群;混沌粒子群算法在河流水質(zhì)模型參數(shù)識(shí)別中的應(yīng)用[D];長安大學(xué);2009年

本文編號(hào)：2630517