基于改进沙猫群算法的水库群防洪优化调度研究

水库防洪调度对于有效减少洪水灾害、保障人民生命财产安全至关重要。此过程是个多阶段、非线性的、高纬度的工程问题,具有许多复杂的约束条件和相互依赖的决策变量。为了提高水库群优化调度问题的求解效率,充分发挥水库群协同防洪能力,提出了改进的沙猫群算法(Sand Cat Swarm Optimization Algorithm,SCSO),利用Cubic混沌映射策略实现调度方案的分散均匀性,引入鲸鱼算法的螺旋搜索策略提高种群的局部搜索和全局搜索能力,融合麻雀算法后阶段的预警机制增加算法后期全局搜索的能力,使用经典测试函数和秩和检验对算法的精度进行检验,结果表明,改进后的沙猫群算法的收敛速度和精度都得到了明显的提升;并首次将算法运用在水库群防洪优化调度上,建立防洪控制点处最大削峰准则模型,对黄河中下游5座水库联合防洪调度系统应用研究,同时,将改进的沙猫群算法(ISCSO)与原始沙猫群算法(SCSO)、蜣螂算法(DBO)的优化结果进行对比分析,其中DBO算法求得的控制点峰值流量为21274.3 m^(3)/s,削峰率为46.62%,SCSO算法求得的控制点峰值流量为21248.6 m^(3)/s,削峰率为46.68%,ISCSO算法求得的控制点峰值流量为20687.1 m^(3)/s,削峰值最率最大,为48.09%。结果表明,改进的沙猫群算法在解决水库防洪调度问题中削峰效果最好,且有效实现下游错峰效果,保证了下游河道以及防洪控制点的安全。研究成果为解决水库群防洪优化调度提供了新的思路和方法。

基于SCSO-GRU模型的网络流量预测

网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化(SCSO)算法的GRU神经网络的网络流量预测模型(SCSO-GRU)。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。