GSA法在水质模型参数估值中的应用

在传统遗传算法(Genetic Algorithms,GA)基础上引入模拟退火技术(Simulated Annealing,SA)提出了遗传模拟退火算法(GSA),并将其应用到水质模型参数估值中。计算结果表明,GSA法综合了2种优化方法各自的优点,克服了传统GA容易早熟的缺点,加强了算法的收敛速度,因而具有良好的优化性能。不同的参数估值方法比较,进一步验证了新方法的有效性。

利用混沌优化算法确定河流水质模型参数

应用混沌序列优化算法求解分析一维河流水团示踪试验数据 ,确定水质参数的函数优化问题。就算法控制参数对细搜索次数的影响进行了数值实验。结果表明 :( 1)该算法可以有效地应用 ;( 2 )过大的序列长度不能有效地缩短计算时间 ;( 3 )粗搜索次数对算法的收敛性影响不大 ;( 4 )

遗传模拟退火算法在水质模型参数估值中的应用研究

在传统遗传算法 (GeneticAlgorithms,GA)基础上引入模拟退火技术 (SimulatedAnnealing,SA) ,提出了遗传模拟退火算法 (GSA) ,并将其应用到水质模型参数估值中。计算结果表明 ,GSA法综合了 2种优化方法各自的优点 ,不但克服了传统GA容易早熟的缺点 ,还加强了算法的收敛速度 ,因而具有良好的优化性能。不同的参数估值方法比较进一步验证了新方法的有效性。

随机搜索算法在确定河流水质参数中的应用

将两种随机搜索算法应用于识别瞬时投放示踪剂、一维流动的条件下的河流水质数学模型参数。分别编写了原始随机搜索和受控随机搜索两种算法的运算程序,采用不同待估水质参数的初始输入值进行了数值实验。结果表明:①两种搜索方式均可成功地应用于河流水质数学模型的参数识别问题;②待估参数的初始值输入范围对算法的收敛性几乎没有影响;③控制搜索方向对随机搜索速度有一定的改进,但改进作用并不明显。与其它算法相比,随机搜索算法具有原理非常简单、易于编程运算、搜索速度和搜索结果与参数初始输入值范围基本无关且基本不需要预先给定算法控制参数等优点。