共查询到20条相似文献，搜索用时 140 毫秒
1.
遗传算法是近些年来产生和发展的一种模拟生物进化过程的自适应启发式全局优化的搜索算法。它不完全依赖于初始猜测,且具有全局收敛的特点,可以被用来解决各种复杂的实际问题,如工程优化设计,人工智能和决策系统,以及地球物理反演等。尽管遗传算法是一种效率很高的全局优化算法,但许多仿真结果表明,它具有计算时间长,局部搜索能力弱的缺点。而共轭梯度法属于非启发式全局优化搜索方法,收敛速度快,但容易陷入局部极值,且严重依赖初始猜测。根据遗传算法和共轭梯度法的特点,这里提出了一种混合遗传算法,用来进行地球物理反演。该算法既具有遗传算法的全局收敛性,又有共轭梯度法的快速收敛性,经实际应用,取得了良好的效果。 相似文献
2.
并行组合模拟退火算法在边坡稳定分析中的应用 总被引：3，自引：0，他引：3
采用自适应有限元法分析边坡的应力场,然后应用并行组合模拟退火算法建立基于应力场的边坡任意形状临界滑动面的全局搜索方法。该方法适用于任意几何形状,不同岩土材料分层以及多种荷载作用的复杂边坡。并行组合模拟退火算法是将模拟退火算法和遗传算法相结合的优化算法,它可以从多个初始点开始并行寻优,能以较快的速度找到全局最优解。通过工程实例分析,证明这种基于自适应有限元分析和并行组合模拟退火算法搜索边坡临界滑动面的方法可行、高效。 相似文献
3.
4.
为提高模糊C-均值聚类（Fuzzy C-Means Clustering Algorithm,FCM）算法在煤与瓦斯突出预测中的准确度,提出一种将模拟退火算法（Simulated Annealing Algorithm,SA）与遗传算法（Genetic Algorithm,GA）相结合用于模糊C-均值聚类分析的煤与瓦斯突出预测方法。该方法综合了模拟退火算法全局搜索、高精度的优点和遗传算法强大的空间搜索能力,将经遗传模拟退火算法优化后的初始值赋给FCM,避免了由于聚类中心初始值选择不当造成FCM算法收敛到局部极小点上。结合典型突出矿井数据进行分析,结果表明:遗传模拟退火算法优化后的FCM算法较单一,预测准确度高。 相似文献
5.
利用温度全局优化法探测堤坝多重集中渗漏 总被引：1，自引：0，他引：1
利用地温探测堤坝工程中的多重集中渗漏通道位置是一种反问题,为取得全局最优解及突破现有方法的局限性,采用不同优化算法相互配合的温度全局最优化方法,以达到有效准确探测显著集中渗漏通道的位置。结合各算法优势及目标函数不连续性等特点,选用全局搜索(GS)、多初始点(MS)及遗传算法(GA)3种方法联合补充优化。首先利用GS搜索局部最优点; 然后结合目标函数不连续点及上述局部最优点,人工增加MS优化起始点进行多初始点优化; 最后依据上述局部解,利用GA混合算法优化,从而有效提高全局最优化的概率。根据堤坝工程集中渗漏通道低温补给的特点,对优化目标函数进行了具有特定物理意义的修正; 为减少每次迭代的优化参数,基于温度测试精度提出分步优化方法,根据温度或修正目标函数残差吸引盆特征确定某步优化的集中渗漏数量; 由修正残差与温度测量精度相对大小确定优化是否终止,对应修正残差最小的优化结果为集中渗漏通道位置的真实解。结合工程实例,计算了某水库左坝肩的多重集中渗漏通道位置,分步优化了两个主要的集中渗漏位置,直接法优化3个集中渗漏位置。文献及工程实践证明了该法的正确性及有效性,为了堤坝等水利工程岩土体的集中渗漏整治提供了科学依据。 相似文献
6.
覃伟 《水文地质工程地质》2021,48(6):161-170
针对传统的优化算法难以在具有变量多、约束条件复杂、局部极值点多的边坡临界滑动面搜索中取得较好效果的问题,提出双重变异遗传算法（DMGA）。一方面,该算法通过探测变异操作提升算法的局部寻优能力,通过直接变异操作提升算法的全局寻优能力,两者的结合使算法能够在搜索的广度与深度上达到较好的平衡;另一方面,算法采用考虑个体适应度值与进化代数的自适应交叉概率及自适应变异概率,使算法在进化的早期能够增加种群的多样性,在进化的后期能够保护较优的个体不受破坏。将该算法与简化Bishop法相结合,对澳大利亚计算机应用协会（ACADS）提供的考核题及一个海堤边坡工程实例进行分析,计算结果表明:（1）对于均质边坡和非均质边坡,该方法均能准确搜索到边坡的临界滑动面及相应的安全系数;（2）与仅进行直接变异或探测变异的遗传算法相比,双重变异遗传算法具有更强的全局搜索能力及更好的鲁棒性,具有广阔的应用前景。 相似文献
7.
大地电磁反演问题通常表述为目标函数最优化,难点是多参数、非线性和不适定性,局部和全局方法都不能实现快速全局优化[4].针对局部线性方法易使解陷入局部极值,严重依赖初始模型,而传统的遗传算法在优化应用中存在局部搜索能力弱、早熟收敛等问题.这里引进一种求解一维大地电磁测深反演问题的实数编码广义遗传算法.该算法利用拟网格法初始种群和综合交叉策略,克服了早熟收敛现象,从而提高了遗传寻优的效率.理论模型反演与其它方法比较,结果说明遗传算法具有不依赖初始模型,不容易陷入局部极小,多点多路径概率搜索,以及隐合并行性等优点. 相似文献
8.
通过在格雷码遗传算法进化过程中加入单纯形搜索算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了水环境模型参数识别的一种新方法——格雷码混合加速遗传算法(GCHAGA),给出了实施该算法的详细步骤。对GCHAGA的收敛性和全局优化性进行了理论和实例分析,并在确定河流横向扩散系数等参数识别问题中,GCHAGA得到了精度较高的全局最优解。与格雷码遗传算法(GCGA)和常规优化方法相比,GCHAGA具有精度高、速度快和适用性强等特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性优化方法,可广泛应用于各种水环境优化问题中。 相似文献
9.
10.
遗传算法作为一种全局优化算法，遗传算法克服了传统优化方法容易陷入局部最优值的缺陷。将新兴的交叉学科遗传算法引入到桩箱筏优化设计中，以桩箱筏的总造价作为优化目标函数，全部约束条件按《建筑桩基技术规范》(JGJ94—1994)给出，编制了桩筏优化设计计算程序，通过计算实例证明了遗传算法用于桩箱筏优化设计的可行性。 相似文献
11.
12.
The application of a powerful evolutionary optimization technique for the estimation of intrinsic formation constants describing
geologically relevant adsorption reactions at mineral surfaces is introduced. We illustrate the optimization power of a simple
Genetic Algorithm (GA) for forward (aqueous chemical speciation calculations) and inverse (calibration of Surface Complexation
Models, SCMs) modeling problems of varying degrees of complexity, including problems where conventional deterministic derivative-based
root-finding techniques such as Newton–Raphson, implemented in popular programs such as FITEQL, fail to converge or yield
poor data fits upon convergence.
Subject to sound a priori physical–chemical constraints, adequate solution encoding schemes, and simple GA operators, the
GA conducts an exhaustive probabilistic search in a broad solution space and finds a suitable solution regardless of the input
values and without requiring sophisticated GA implementations (e.g., advanced GA operators, parallel genetic programming).
The drawback of the GA approach is the large number of iterations that must be performed to obtain a satisfactory solution.
Nevertheless, for computationally demanding problems, the efficiency of the optimization can be greatly improved by combining
heuristic GA optimization with the Newton–Raphson approach to exploit the power of deterministic techniques after the evolutionary-driven
set of potential solutions has reached a suitable level of numerical viability. Despite the computational requirements of
the GA, its robustness, flexibility, and simplicity make it a very powerful, alternative tool for the calibration of SCMs,
a critical step in the generation of a reliable thermodynamic database describing adsorption equilibria. The latter is fundamental
to the forward modeling of the adsorption behavior of minerals and geologically based adsorbents in hydro-geological settings
(e.g., aquifers, pore waters, water basins) and/or in engineered reactors (e.g., mining, hazardous waste disposal industries). 相似文献
13.
14.
基于遗传-神经网络的单桩竖向极限承载力预测方法研究 总被引：15，自引：4，他引：11
分析了BP神经网络的缺陷和遗传算法的特点,建立了基于遗传-BP神经网络的单桩竖向极限承载力预测模型。实例研究表明,预测模型性能良好、预测精度提高、简便易行、行之有效,该方法具有广泛的应用前景。 相似文献
15.
A Genetic Algorithm (GA) is described, which produces solutions to the cost optimization problem of reinforcement layout for reinforced soil slopes. These solutions incorporate different types of reinforcement within a single slope. The GA described is implemented with the aim of optimizing the cost of materials for the preliminary layout of reinforced soil embankments. The slope design method chosen is the U.K. Department of Transport HA 68/94 ‘Design Methods for the Reinforcement of Highway Slopes by Reinforced Soil and Soil Nailing Techniques’. The results confirm that there is a role for the GA in optimization of reinforced soil design. Copyright © 2000 John Wiley & Sons, Ltd. 相似文献
16.
基于遗传算法的优化搜索技术 总被引：1，自引：0，他引：1
遗传算法是借鉴生物界自然选择和自然遗传机制的随机化搜索算法,其主要特点是搜索不依赖于梯度信息,能自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程,从而得到最优解或准最优解的通用搜索算法。它尤其适合于组合优化、机器学习、自适应控制、规划设计和人工智能等领域。 相似文献
17.
18.
19.
遗传算法(GA)作为一种有效的全局寻优算法,由于其计算原理简单、搜索能力强、对搜索空间要求低等特点,在许多优化问题中得到了广泛地应用。这里讨论了遗传算法(GA)对多参数超大解空间优化问题的求解方法,重点探讨了提高GA搜索速度的方法,给出了几种启发式搜索策略,并应用于地震波反演这个典型的多参数超大解空间优化问题中,有效地提高了GA的搜索能力,加快了收敛速度。 相似文献
20.
Jayraj Singh A. K. Verma Haider Banka T. N Singh Sachin Maheshwar 《Arabian Journal of Geosciences》2016,9(3):224
Genetic algorithm (GA) and support vector machine (SVM) optimization techniques are applied widely in the area of geophysics, civil, biology, mining, and geo-mechanics. Due to its versatility, it is being applied widely in almost every field of engineering. In this paper, the important features of GA and SVM are discussed as well as prediction of longitudinal wave velocity and its advantages over other conventional prediction methods. Longitudinal wave measurement is an indicator of peak particle velocity (PPV) during blasting and is an important parameter to be determined to minimize the damage caused by ground vibrations. The dynamic wave velocity and physico-mechanical properties of rock significantly affect the fracture propagation in rock. GA and SVM models are designed to predict the longitudinal wave velocity induced by ground vibrations. Chaos optimization algorithm has been used in SVM to find the optimal parameters of the model to increase the learning and prediction efficiency. GA model also has been developed and has used an objective function to be minimized. A parametric study for selecting the optimized parameters of GA model was done to select the best value. The mean absolute percentage error for the predicted wave velocity (V) value has been found to be the least (0.258 %) for GA as compared to values obtained by multivariate regression analysis (MVRA), artificial neural network (ANN), adaptive neuro-fuzzy inference system (ANFIS), and SVM. 相似文献