環(huán)境污染問題逐漸進(jìn)入人們的視線成為焦點(diǎn)。急需解決的難題是海域水質(zhì)生態(tài)模型的精確驗(yàn)證。污染源背景信息的不足、污染源位置的不定性、海域生化過程認(rèn)識(shí)度不高以及其他外在條件都是阻礙海域水質(zhì)模型順利解決的因素。其中河流的污染源項(xiàng)反演研究成為眾多學(xué)者們的研究目標(biāo)。河流污染源的擴(kuò)散現(xiàn)象是反常擴(kuò)散現(xiàn)象,是一種非馬爾科夫非局域性運(yùn)動(dòng),在其運(yùn)動(dòng)過程中,涉及到時(shí)間與空間相關(guān)性,通過分?jǐn)?shù)階反常擴(kuò)散方程來描述該運(yùn)動(dòng)過程。在數(shù)學(xué)優(yōu)化模型中,采用一種全局優(yōu)化算法--基于適應(yīng)值共享的小生境蟻群算法(NACA)。利用基于適應(yīng)值共享的小生境蟻群算法對(duì)分?jǐn)?shù)階反常擴(kuò)散方程的參數(shù)反演進(jìn)行討論。本論文首先將基本蟻群算法(ACA)和基于適應(yīng)值共享的小生境蟻群算法(NACA)應(yīng)用于多模態(tài)函數(shù)優(yōu)化中,進(jìn)行局部尋優(yōu)和全局尋優(yōu)。在全局尋優(yōu)中,將基于適應(yīng)值共享的小生境蟻群算法的尋優(yōu)結(jié)果與標(biāo)準(zhǔn)二進(jìn)制遺傳算法(SGA)的尋優(yōu)結(jié)果作比較,比較結(jié)果表明,基于適應(yīng)值共享的小生境蟻群算法的精度較高、收斂速度快且易實(shí)現(xiàn)。其次,基于分?jǐn)?shù)階反常擴(kuò)散方程,應(yīng)用基于適應(yīng)值共享的小生境蟻群算法對(duì)擴(kuò)散系數(shù)、對(duì)流系數(shù)、源項(xiàng)以及分?jǐn)?shù)階數(shù)進(jìn)行反演研究,成功實(shí)現(xiàn)了單參數(shù)、雙...

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景和研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 國(guó)內(nèi)外文獻(xiàn)綜述簡(jiǎn)析
    1.3 本文的主要研究?jī)?nèi)容
第2章 理論基礎(chǔ)
    2.1 引言
    2.2 分?jǐn)?shù)階微分算子的定義
        2.2.1 Grunward-Letnikov型分?jǐn)?shù)階微分算子
        2.2.2 Riemann-Liouville型分?jǐn)?shù)階微分算子
        2.2.3 Caputo型分?jǐn)?shù)階微分算子
    2.3 蟻群算法
    2.4 基于適應(yīng)值共享的小生境蟻群算法
    2.5 本章小結(jié)
第3章 多模態(tài)函數(shù)優(yōu)化
    3.1 引言
    3.2 多模態(tài)函數(shù)優(yōu)化
        3.2.1 局部尋優(yōu)
        3.2.2 全局尋優(yōu)
    3.3 本章小結(jié)
第4章 分?jǐn)?shù)階反常擴(kuò)散方程的參數(shù)反演
    4.1 引言
    4.2 對(duì)流項(xiàng)、擴(kuò)散系數(shù)、源項(xiàng)反演
        4.2.1 分?jǐn)?shù)階反常擴(kuò)散方程的單參數(shù)反演
        4.2.2 分?jǐn)?shù)階反常擴(kuò)散方程的雙參數(shù)反演
        4.2.3 分?jǐn)?shù)階反常擴(kuò)散方程的三參數(shù)反演
    4.3 分?jǐn)?shù)階數(shù)反演
        4.3.1 分?jǐn)?shù)階數(shù)反演
        4.3.2 方法的抗噪性
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝



本文編號(hào)：3744883