基于极值动力学机制和信息融合搜索的混合算法及其应用

提出了一种新的基于自适应lévy变异的极值动力学和信息融合搜索的混合算法。新算法将全局搜索和局部搜索机制有机地结合起来,在全局搜索过程中,信息融合搜索算法(IFA)作为一种群智能进化算法,能够快速地逼近近似最优解;在局部搜索过程中,通过选择近似解的最差组元进行自适应lévy变异,利用极值动力学算法(EO)强大的局部搜索能力,协助IFA跳出局部极值点。将其运用于超临界水氧化去除率神经网络软测量建模,实验结果表明了方法的有效性和实用性。

基于GPU的邻近粒子搜索优化算法

为提高邻近粒子的搜索速度,基于硬件图形处理器(GPU),采用SPH方法中交替使用邻域区域相关搜索法和条形Point-In-Box(PIB)搜索法的机制,实现一种基于GPU的邻近粒子融合搜索算法。利用该方法对典型的流体溃坝现象进行模拟,在搜索效率和搜索准确率方面,与基于CPU的融合搜索法和基于GPU的多维树搜索法进行对比。实验结果表明,该算法的性能随着粒子数的增多,表现更优。

基于NRS-ISSA-SVM的砂土液化判别模型

针对砂土液化判别中影响因素与砂土状态间映射关系的不确定性及模糊性等问题,在邻域粗糙集(Neighborhood Rough Set,NRS)因素约简的基础上,利用多策略融合的改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化支持向量机(Support Vector Machine,SVM)参数C和g,构建了SVM砂土液化判别模型。以吉林松原地区的42组实例作为总体样本集,其中35组作为训练集,另外7组作为测试集,利用邻域粗糙集对9个影响因素约简得到4个因素,然后输入ISSA-SVM模型进行预测,并进行了约简得到的因素敏感性分析。结果表明:因素约简剔除了冗余属性,降低了模型复杂度;ISSA算法具有极强的探索性、收敛性和局部逃逸能力;相比于其他模型,NRS-ISSA-SVM砂土液化判别模型精度更高,泛化能力更强;建议要判别砂土的液化状态,需要准确查明水位埋深、地震烈度、标准贯入击数,非液化土层厚度这4个因素,尤其是前三个因素。通过易获取的影响因素建立NRS-ISSA-SVM砂土液化判别模型,不仅可准确地判断该区域其余未知点的砂土状态,还可为其他类似问题提供参考借鉴。

基于KPCA-ISSA-SVR的盾构施工诱导地面沉降预测模型研究

为了准确预测盾构施工诱发的地面沉降量,论文提出了核主成分—多策略融合的改进麻雀搜索算法优化支持向量回归机(KPCA-ISSA-SVR)预测模型。以73组地面沉降实例为总体样本集构建训练及测试样本,利用核主成分分析对影响地面沉降的地质因素及施工因素进行特征提取的基础上,采用ISSA算法优化参数C和g,建立KPCA-ISSA-SVR地面沉降量预测模型,并与核主成分-Tent混沌映射改进麻雀搜索算法优化支持向量回归机(KPCA-TentSSA-SVR)、核主成分—麻雀搜索算法优化支持向量回归机(KPCA-SSA-SVR)、麻雀搜索算法优化支持向量回归机(ISSA-SVR)模型进行对比。结果表明:KPCA能够剔除冗余信息,降低模型复杂度;ISSA全局寻优及局部探索能力强,能高效准确地确定模型参数;KPCA-ISSA-SVR预测精度更高,稳定性更强。