共查询到19条相似文献，搜索用时 203 毫秒
1.
以发电量和保证出力为目标建立梯级水电站的多目标发电优化调度模型,对三峡梯级中长期发电优化调度进行研究。针对传统方法求解多目标优化问题的局限,提出一种强度Pareto差分进化算法(Strength Pareto Differential Evolution,SPDE)用于求解梯级水电站的多目标发电优化调度问题。SPDE以差分进化算法(Differential Evolution,DE)为基础,采用SPEA2的适应度评价方法,并根据多目标优化的特点对DE的进化算子进行修正。同时,提出一种自适应柯西变异策略(Adaptive Cauchy Mutation,ACM)用于克服算法的早熟收敛问题。三峡梯级水电站实例研究结果表明,SPDE可同时考虑两个目标并有效处理复杂约束条件,一次运行即可得到一组在各目标分布均匀、分布范围广的非劣调度方案供决策者评价优选。 相似文献
2.
流域水文模型参数识别的现代优化方法研究进展 总被引：1，自引：1，他引：0
水文参数优化是水文模型发展中的一个重要部分,针对水循环过程模拟中的流域水文模型参数识别的复杂优化问题,回顾了水文模型优化算法的发展历程,对国内外水文模型参数识别算法的最新进展进行了阐述.介绍了模拟退火算法、遗传算法、SCE-UA、粒子群算法等常用算法的参数设定及一般流程,并对编码遗传算法、单纯形混合加速遗传算法和运用融合技术的几种遗传算法以及其它几种常用算法在新安江模型中的优化结果进行了比较,认为混合加速遗传算法是一种较好的方法.在系统研究现代优化算法与传统优化算法的基础上,建立各种优化算法的融合技术和法则可能是进一步提高参数优化算法性能的方向. 相似文献
3.
多目标进化算法在新安江模型参数率定中的应用比较研究 总被引：2，自引：0，他引：2
为了克服传统优化技术在新安江模型参数率定中收敛慢、不稳定等缺点,近年来利用进化算法在水文模型的率定中得到越来越多的重视和发展.但对它们优选效果的比较讨论却非常少见.本文根据三水源新安江模型特点,以洪峰流量.峰现时间和洪水总量为优化目标,采用NSGA-Ⅱ、SPEA、PESA三种经典算法,通过对三种算法产生的非支配集进行算法评价,并比较了三种算法产生非支配集的收敛性与分布性,结果表明NSGA-Ⅱ在总体上最优. 相似文献
4.
水文模型的参数优化率定一直以来是水文预报领域的重要研究内容,当水文模型的结构确定后,水文模型参数的选择对水文模型整体性能和水文预报结果的好坏有着至关重要的影响.针对传统水文模型参数优选采用单一目标不能充分全面挖掘水文观测资料中蕴含的水文特征信息的缺陷,本文以新安江三水源模型为例,尝试采用多目标优化算法优化率定水文模型,算例应用分析表明,通过合理的选择目标函数的种类和数目,采用多目标进化算法优化率定模型参数,可以获得相对于单目标率定模型参数更优的结果.进一步,研究工作针对模型参数优化的结果进行分析,可以明显看出模型参数优化中存在“异参同效”现象,为后续模型参数不确定性分析等相关研究工作的开展做好了铺垫. 相似文献
5.
针对概念性水文模型参数众多、相互制约,且多目标参数优化率定最优参数求解困难、易受决策者主观因素影响的问题,采用多目标优化算法对水文模型参数进行率定,得到模型参数最优非劣解集,在此基础上,引入最小最大后悔值决策理论,并结合Pareto支配基本理论,提出了一种多目标最优非劣解选取准则。以柘溪流域为研究对象,采用三目标MOSCDE优化率定新安江模型的参数,并与单目标SCE-UA优化结果进行对比分析。结果表明,提出的非劣解选取方法可以有效从大规模非劣解集中筛选出最优非劣解,大大缩短参数率定耗时。 相似文献
6.
7.
针对三峡梯级枢纽综合效益的充分发挥及其对长江流域典型生态系统修复及持续改善的科学需求,通过分析发电效益与生态效益之间的制约竞争关系,以发电量最大和生态缺水量最小为目标建立了梯级电站多目标生态优化调度模型,对三峡梯级枢纽多目标生态优化调度进行了研究。同时,针对传统优化方法难以同时处理多个调度目标的固有缺陷,提出一种改进多目标差分进化算法对所构建模型进行高效求解。该方法针对差分进化算法在多目标协同优化和全局寻优能力等方面的不足,依据问题的特点重新设计了差分进化算法的进化算子,同时设计了一种多目标混沌搜索策略以加强算法的局部搜索能力。最后,依据多目标生态优化调度问题的特点设计了一种不需要设置惩罚因子的约束处理方法。通过三峡梯级枢纽多目标生态优化调度的实例应用,验证了本文所构建模型的合理性以及所提出算法的有效性和工程实用性。 相似文献
8.
提出用Pareto强度进化算法解决供水库群的多目标优化调度问题,算法利用种群的进化过程模拟寻找非劣解集的过程,将供水库群多目标优化调度问题的解当作进化种群中的个体,按照解的Pareto强度值与密度进行适应度计算,利用种群中个体的进化操作获得非劣解,最终整个种群进化为非劣解集。实例分析结果表明,算法能实现多峰搜索,最终非劣解集的分布均匀,且收敛速度快,为解决供水库群多目标优化调度问题提供了一种有效的方法。 相似文献
9.
在水文模型中,目标函数的选择对参数率定至关重要,不同的目标函数可以得到不同的模拟结果.本文以三水源新安江模型为例,采用SCE-UA算法,选定三个不同的目标函数(平方均方误,对数均方误和平方根均方误)最小为目标函数分别进行参数优化,比较其优化结果在高、低水期的精度,最后分析不同目标函数对模拟结果的影响.研究发现:以平方均方误为目标函数的时候,高水期的模拟效果较好;以对数均方误为目标函数的时候,低水期的模拟效果较好;以平方根均方误为目标函数的时候,在整体上的模拟效果较好. 相似文献
10.
为了解决一般概念性水文模型参数率定结果不稳定的问题,以新安江模型为例,提出了新安江模型日模参数的线性化率定方法。首先通过理想模型将该方法与SCE-UA方法及单纯形方法进行对比研究。率定结果中3种算法所获得的平均目标函数值分别为0.02、0.10、8.39 m3/s,平均循环次数分别为8、637、327,而且由线性化率定方法所获得的各参数值方差也要比其他2种方法小得多;说明线性化率定方法能够找到参数真值,计算精度和效率更高,率定结果更稳定。然后采用建阳和长滩河2个流域的实测资料对该方法进行应用检验,结果表明,同样可以较快地率定出稳定的模型参数优值。建阳流域的10组率定结果的目标函数值皆为100.35 m3/s,循环次数也皆在8次以内,而且2个流域检验期的径流深相对误差皆在9.68%以内,确定性系数皆在0.819以上。因此,线性化参数率定方法确实能够解决非线性模型参数率定结果不稳定的问题,不会产生不相关的局部参数优值,并且不受参数初值影响,计算精度高,循环次数少,是一种可行有效的全局优值参数优选方法。 相似文献
11.
利用差分进化算法反求含水层参数 总被引：1，自引：0，他引：1
为更好地估算含水层参数,引入了差分进化算法。该算法是一种智能优化算法,其特点是借助现有近似解群体间的距离及方向指导未来的搜索行为,兼具有较好的全局寻优能力和较快的局部搜索能力。用此算法求解了均质各向同性及均质各向异性条件下Theis公式中的含水层参数,所用降深数据是在设定参数后利用解析解计算得到的。计算结果表明,该算法较传统方法计算精度高,不受人为因素干扰。 相似文献
12.
13.
In this paper, an enhanced backtracking search algorithm (so-called MBSA-LS) for parameter identification is proposed with two modifications: (a) modifying the mutation of original backtracking search algorithm (BSA) considering the contribution of current best individual for accelerating convergence speed and (b) novelly incorporating an efficient differential evolution (DE) as local search for improving the quality of population. The proposed MBSA-LS is first validated with better performance than the original BSA and some other typical state-of-the-art optimization algorithms on a benchmark of soil parameter identification in terms of effectiveness, efficiency, and robustness. Then, the efficiency of the MBSA-LS is further illustrated by two representative cases: identifying soil parameters from both laboratory tests and field measurements. All comparisons demonstrate that the proposed MBSA-LS algorithm can give accurate results in a short time. Finally, to conveniently solve the problems of parameter identification, a practical tool ErosOpt for parameter identification is developed by integrating the proposed MBSA-LS and some other efficient algorithms for readers to conduct the parameter identification using optimisation algorithms. 相似文献
14.
15.
针对目前深埋隧道围岩微震源定位难且精度不高等问题,采用启发式算法——引力搜索法（GSA）对隧道围岩微震源位置进行搜索,并将该算法与粒子群算法和单纯形法的搜索结果进行对比。发现在双速度模型和三速度模型下,引力搜索法相较于粒子群算法和单纯形法,都具有快速收敛、精度较高的优点,且与震源位置的距离能够控制在10 m以内。对双速度模型,引力搜索法的精度相对于单纯形法提高了83.71%,相对于粒子群算法提高了7.77%。对三速度模型,引力搜索法的精度相对于单纯形法提高了70.67%,相对于粒子群算法提高了39.36%。可见,该方法为深埋隧道微围岩震源定位提供了一种新思路。 相似文献
16.
One of the main factors in the effective application of a tunnel boring machine (TBM) is the ability to accurately estimate the machine performance in order to determine the project costs and schedule. Predicting the TBM performance is a nonlinear and multivariable complex problem. The aim of this study is to predict the performance of TBM using the hybrid of support vector regression (SVR) and the differential evolution algorithm (DE), artificial bee colony algorithm (ABC), and gravitational search algorithm (GSA). The DE, ABC and GSA are combined with the SVR for determining the optimal value of its user defined parameters. The optimization implementation by the DE, ABC and GSA significantly improves the generalization ability of the SVR. The uniaxial compressive strength (UCS), average distance between planes of weakness (DPW), the angle between tunnel axis and the planes of weakness (α), and intact rock brittleness (BI) were considered as the input parameters, while the rate of penetration was the output parameter. The prediction models were applied to the available data given in the literature, and their performance was assessed based on statistical criteria. The results clearly show the superiority of DE when integrated with SVR for optimizing values of its parameters. In addition, the suggested model was compared with the methods previously presented for predicting the TBM penetration rate. The comparative results revealed that the hybrid of DE and SVR yields a robust model which outperforms other models in terms of the higher correlation coefficient and lower mean squared error. 相似文献
17.
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
18.
为避免传统线性反演过程中极度依赖初始模型的选取、易陷入局部最优解的问题,在综合研究现有地球物理非线性反演方法的基础上,引入了非线性领域群体智能算法—差分进化算法,并以电测深方法为例,建立起了差分进化算法的非线性反演模型,通过对所建模型试算及实测数据验证,证实该方法具有反演速度快、精度高等优点,并可推广应用于二维或三维电测深反演理论之中。最后将该算法在内蒙古某多金属矿勘查中进行了实际推广,取得了较好的效果。 相似文献
19.
Hamidreza Hamdi Ivo Couckuyt Mario Costa Sousa Tom Dhaene 《Computational Geosciences》2017,21(2):267-287
The process of reservoir history-matching is a costly task. Many available history-matching algorithms either fail to perform such a task or they require a large number of simulation runs. To overcome such struggles, we apply the Gaussian Process (GP) modeling technique to approximate the costly objective functions and to expedite finding the global optima. A GP model is a proxy, which is employed to model the input-output relationships by assuming a multi-Gaussian distribution on the output values. An infill criterion is used in conjunction with a GP model to help sequentially add the samples with potentially lower outputs. The IC fault model is used to compare the efficiency of GP-based optimization method with other typical optimization methods for minimizing the objective function. In this paper, we present the applicability of using a GP modeling approach for reservoir history-matching problems, which is exemplified by numerical analysis of production data from a horizontal multi-stage fractured tight gas condensate well. The results for the case that is studied here show a quick convergence to the lowest objective values in less than 100 simulations for this 20-dimensional problem. This amounts to an almost 10 times faster performance compared to the Differential Evolution (DE) algorithm that is also known to be a powerful optimization technique. The sensitivities are conducted to explain the performance of the GP-based optimization technique with various correlation functions. 相似文献