混合策略粒子群算法在确定含水层参数中的应用

发布时间：2020-08-16 21:15

【摘要】：含水层参数是进行地下水研究的最基本的参数,含水层参数的可靠性,决定地下水模拟计算的准确性。目前,主要是利用抽水试验数据来确定含水层参数。近年来,智能优化算法被广泛用于解决此类问题。粒子群算法(Particle Swarm Optimization Algorithm,PSO)是常用的智能优化算法。针对PSO算法自身的一些问题,本文对其进行了改进,并将其用于确定直线边界完整井流模型参数。本文的主要研究工作如下:1、为了克服PSO算法自身的缺陷,提出混合策略粒子群算法(Hybrid Strategy Particle Swarm Optimization Algorithm,HS-PSO),即将紧凑度的思想融入到PSO算法中,加强算法的局部搜索,结合调度系数的控制,提高算法的精度及寻优速度,再通过替换阈值的约束,加强全局搜索。2、将HS-PSO算法用于确定直线供水边界完整井流模型,通过与相关文献中其他方法计算结果的比较,与降深观测值的拟合及HS-PSO算法对水位降深的反演,验证了HS-PSO算法的可靠性;通过对降深观测值进行扰动分析,验证了HS-PSO算法的稳定性;讨论了HS-PSO算法的收敛性对种群规模的依赖性,给出了种群规模的建议值;通过分析待估参数取值范围对HS-PSO算法收敛性的影响可知,HS-PSO算法对待估参数取值范围的敏感性较低。3、将HS-PSO算法应用于确定直线隔水边界完整井流模型,通过HS-PSO算法所得的降深计算值与降深观测值的拟合及对水位降深的反演,验证了HS-PSO算法的可靠性;讨论了种群规模对HS-PSO算法收敛性的影响,给出了种群规模的建议值;分析了待估参数取值范围对HS-PSO算法收敛性的影响,得出HS-PSO算法在确定含水层参数时较其他算法更有效;通过对确定的导水系数和储水系数的灵敏度进行分析,可看出导水系数和储水系数随着水位降深值的增大而减小,且导水系数的灵敏度高于储水系数的。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;P641
【图文】：

原理图,粒子,原理图,全局极值

长安大学硕士学位论文粒子的个体极值及全局极值的公式如下：, ( ) ( ), ( ) ( )i i iii i ip f x f ppx f x f p ≥= < , ( ) ( ), ( ) ( )g i ggi i gp f p f ppp f p f p ≥= < = minδ。空间中求解最小化问题时，两粒子的位置更新原理为：粒子在上一值ip 和全局极值gp的影响下，以新速度 v (t + 1)从旧位置 x (t )飞向一时刻再从位置 x (t + 1)出发，以相同的方式飞向全体种群的历史最次，粒子将逐渐逼近全局极值，原理图见图 2.1。

算法流程图,关键性因素,单子,最优位置

7图 2.2 PSO 算法流程图设置是影响算法效率和性能的关键性因素，由析了算法的收敛性和参数的选取。间是相互独立的，故可简化到研究一维单子个体和种群历史最优位置不变，令1 =1 2( ) ( ( )) ( ( ))i gω v t + p x t + p x tx (t + 1)= x (t ) + v (t + 1)

算法流程图,适应度

第三章混合策略粒子群算法( 2.3)更新粒子速度和位置，并计算更新后各粒子的优位置；粒子的适应度值；之间适应度值的差值 H ，若满足thH < H，表示这两个粒新历史最优位置及全局最优解gp；度1e ，若g1p >e或t > T，则迭代终止，否则转到 Ste图见图 3.1。初始化粒子的速度和位置

【相似文献】