本文關鍵詞： 重力壩 斷面優(yōu)化 粒子群算法 慣性權重　出處：《西北農(nóng)林科技大學學報(自然科學版)》2017年01期 　論文類型：期刊論文

【摘要】：【目的】將改進粒子群算法用于重力壩斷面的優(yōu)化計算,為重力壩的優(yōu)化設計提供支持�！痉椒ā酷槍鹘y(tǒng)粒子群算法(PSO)中線性遞減的慣性權重極易導致算法陷入局部極值的不足,提出一種改進的粒子群算法(Improved PSO),該算法利用三角函數(shù)的相關性質(zhì)改進慣性權重(w)隨時間的動態(tài)變化模式,以使慣性權重值在算法的初期保持較大取值,然后逐漸遞減而在算法的末期保持較小取值,從而提高粒子群算法的全局搜索能力,增強算法的收斂性能。編制基于改進粒子群算法的重力壩斷面優(yōu)化設計計算程序,對某水利樞紐工程的非溢流重力壩斷面進行優(yōu)化計算分析,并與遺傳算法和標準粒子群算法的計算結果進行比較�！窘Y果】采用改進粒子群算法得到的非溢流重力壩的最優(yōu)斷面面積為5 147.3 m~2,而采用標準粒子群算法(SPSO)得到的非溢流重力壩的最優(yōu)斷面面積為5 416.5m~2,前者較后者減小9.45%,極大地提高了經(jīng)濟性;采用改進的粒子群算法得到最優(yōu)解需要計算15步,而采用標準粒子群算法得到最優(yōu)解需要計算22步,粒子群算法收斂速度提高了31.8%。通過2種算法計算結果的對比,表明改進的粒子群算法不僅能得到更好的優(yōu)化結果,而且保持了較快的收斂速度�！窘Y論】改進粒子群算法可以用于大型水利工程結構的優(yōu)化計算與設計。
[Abstract]:[objective] to apply the improved particle swarm optimization algorithm to the optimization calculation of gravity dam section. [methods] aiming at the linear decreasing inertia weight in traditional particle swarm optimization algorithm (PSO), it is easy for the algorithm to fall into the deficiency of local extremum. An improved particle swarm optimization (PSO) algorithm is proposed in this paper. The improved PSO algorithm uses the properties of trigonometric function to improve the dynamic mode of inertia weight with time, so that the inertial weight can keep a large value in the initial stage of the algorithm. Then decreasing gradually and keeping a small value at the end of the algorithm, so as to improve the global search ability of PSO and enhance the convergence performance of PSO. A program for optimal design of gravity dam section based on improved PSO is developed. The section of a non-overflow gravity dam in a water conservancy project is optimized and analyzed. The results are compared with those of genetic algorithm and standard particle swarm optimization algorithm. [results] the optimum cross section area of non-overflow gravity dam obtained by improved particle swarm optimization is 5 147.3 mm2, while that obtained by standard particle swarm optimization algorithm (SPSO) is obtained by using standard particle swarm optimization (SPSO). The optimum cross-section area of non-overflow gravity dam is 5 416.5 mm2, the former decreases 9.45% than the latter, and the economy is greatly improved. Using the improved particle swarm optimization algorithm to get the optimal solution requires 15 steps, while using the standard particle swarm optimization algorithm to get the optimal solution requires 22 steps. The convergence speed of the particle swarm optimization algorithm is improved by 31.8. the comparison of the results of the two algorithms is made. It is shown that the improved particle swarm optimization algorithm can not only obtain better optimization results, but also maintain a faster convergence rate. [conclusion] the improved particle swarm optimization algorithm can be applied to the optimization calculation and design of large water conservancy structures.
【作者單位】： 西安理工大學水利水電工程學院;國網(wǎng)新疆電力公司阿克蘇供電公司;
【基金】：國家自然科學基金項目(51409207,51309190) 中央財政支持地方高校發(fā)展專項(106-5X1205) 陜西省重點學科建設專項(106-00X903)
【分類號】：TV642.3;TP18

【相似文獻】

相關期刊論文 前10條

1 全芙蓉;;粒子群算法的理論分析與研究[J];硅谷;2010年23期

2 吳軍;李為吉;;改進的粒子群算法及在結構優(yōu)化中的應用[J];陜西理工學院學報(自然科學版);2006年04期

3 段海濤;劉永忠;馮霄;;水系統(tǒng)優(yōu)化的粒子群算法分析[J];華北電力大學學報(自然科學版);2007年02期

4 王偉;;混合粒子群算法及其優(yōu)化效率評價[J];中國水運(學術版);2007年06期

5 付宜利;封海波;孫建勛;李榮;馬玉林;;機電產(chǎn)品管路自動敷設的粒子群算法[J];機械工程學報;2007年11期

6 蔣榮華;王厚軍;龍兵;;基于離散粒子群算法的測試選擇[J];電子測量與儀器學報;2008年02期

7 周苗;陳義保;劉加光;;一種新的協(xié)同多目標粒子群算法[J];山東理工大學學報(自然科學版);2008年05期

8 姚峰;楊衛(wèi)東;張明;;改進粒子群算法及其在熱連軋負荷分配中的應用[J];北京科技大學學報;2009年08期

9 張大興;賈建援;張愛梅;郭永獻;;基于粒子群算法的三軸跟瞄裝置跟蹤策略研究[J];儀器儀表學報;2009年09期

10 王麗萍;江波;邱飛岳;;基于決策偏好的多目標粒子群算法及其應用[J];計算機集成制造系統(tǒng);2010年01期

相關會議論文 前10條

1 朱童;李小凡;魯明文;;位置加權的改進粒子群算法[A];中國科學院地質(zhì)與地球物理研究所第11屆（2011年度）學術年會論文集(上)[C];2012年

2 陳定;何炳發(fā);;一種新的二進制粒子群算法在稀疏陣列綜合中的應用[A];2009年全國天線年會論文集（上）[C];2009年

3 陳龍祥;蔡國平;;基于粒子群算法的時滯動力學系統(tǒng)的時滯辨識[A];第十二屆全國非線性振動暨第九屆全國非線性動力學和運動穩(wěn)定性學術會議論文集[C];2009年

4 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設計中的應用[A];第十一屆全國膨脹節(jié)學術會議膨脹節(jié)設計、制造和應用技術論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進粒子群算法[A];系統(tǒng)仿真技術及其應用（第7卷）——'2005系統(tǒng)仿真技術及其應用學術交流會論文選編[C];2005年

6 熊偉麗;徐保國;;粒子群算法在支持向量機參數(shù)選擇優(yōu)化中的應用研究[A];2007中國控制與決策學術年會論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進粒子群算法在大壩力學參數(shù)分區(qū)反演中的應用[A];2012年中國水力發(fā)電工程學會大壩安全監(jiān)測專委會年會暨學術交流會論文集[C];2012年

8 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）[南京理工大學學報（增刊）][C];2009年

9 馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對策[A];第十二屆中國管理科學學術年會論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標函數(shù)優(yōu)化問題[A];第二十一屆中國（天津）’2007IT、網(wǎng)絡、信息技術、電子、儀器儀表創(chuàng)新學術會議論文集[C];2007年

相關博士學位論文 前10條

1 王芳;粒子群算法的研究[D];西南大學;2006年

2 安鎮(zhèn)宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學;2012年

3 劉建華;粒子群算法的基本理論及其改進研究[D];中南大學;2009年

4 黃平;粒子群算法改進及其在電力系統(tǒng)的應用[D];華南理工大學;2012年

5 胡成玉;面向動態(tài)環(huán)境的粒子群算法研究[D];華中科技大學;2010年

6 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;2014年

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

8 劉宏達;粒子群算法的研究及其在船舶工程中的應用[D];哈爾濱工程大學;2008年

9 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;2006年

10 馮琳;改進多目標粒子群算法的研究及其在電弧爐供電曲線優(yōu)化中的應用[D];東北大學;2013年

相關碩士學位論文 前10條

1 張忠偉;結構優(yōu)化中粒子群算法的研究與應用[D];大連理工大學;2009年

2 李強;基于改進粒子群算法的艾薩爐配料優(yōu)化[D];昆明理工大學;2015年

3 付曉艷;基于粒子群算法的自調(diào)節(jié)隸屬函數(shù)模糊控制器設計[D];河北聯(lián)合大學;2014年

4 余漢森;粒子群算法的自適應變異研究[D];南京信息工程大學;2015年

5 梁計鋒;基于改進粒子群算法的交通控制算法研究[D];長安大學;2015年

6 楊偉;基于粒子群算法的氧樂果合成過程建模研究[D];鄭州大學;2015年

7 李程;基于粒子群算法的AS/RS優(yōu)化調(diào)度方法研究[D];陜西科技大學;2015年

8 樊偉健;基于混合混沌粒子群算法求解變循環(huán)發(fā)動機數(shù)學模型問題[D];山東大學;2015年

9 陳百霞;考慮風電場并網(wǎng)的電力系統(tǒng)無功優(yōu)化[D];山東大學;2015年

10 戴玉倩;基于混合動態(tài)粒子群算法的軟件測試數(shù)據(jù)自動生成研究[D];江西理工大學;2015年

，

本文編號：1510962