蚁群算法的改进及其水资源应用

论文摘要

在水资源系统工程中,存在诸多非线性、多维组合优化问题。解决这些问题的传统方法多采用解析法和穷举法,但这些方法都存在不同程度的缺点。本论文的目的旨在寻求出能够解决这些问题的更有效,更方便的方法。蚁群算法(Ant Colony Algorithm abbreviated:ACA)是一种全局优化方法,本论文在前人研究基础上,对蚁群算法进行了改进,建立了蚁群算法在水资源优化和预测等方面的新模型,通过MATLAB计算机语言编程,进行数据处理,应用于实践中,较好地解决了水资源系统中的多元复杂性问题,取得了良好的效果。本文取得了以下三方面的成果:1.本文介绍了一种具有随机性的局部搜索策略的蚁群算法模型,它可以提高一般函数优化问题的求解精度和搜索效率。本次研究将该模型成功的应用在明渠断面临界水深优化计算、溢流坝下游断面水深优化计算中,效果十分明显,计算精度也较高。2.本论文找到了蚁群算法与Marr小波神经网络的结合点,用优化连续空间的多维蚁群算法代替梯度下降法,调节BP网络的权值与小波函数的伸缩系数、平移系数;用小波函数Marr代替BP网络中的S型激活函数;并用小波网络的总体标准差作为蚁群算法的目标函数。该耦合模型用于水稻需水量预测中,取得了满意效果。3.蚁群算法具有很好的全局优化能力。本文在实码加速遗传算法的基础上,对该模型进行了很大的改进。提出了连续多维型蚁群—遗传算法,并首次应用在查哈阳灌区水稻灌溉制度优化利用中,计算结果与实际配水基本一致,证明该模型具有很好的实用价值。基于以上几种的模型的建立,本论文实现了理论与实践的有机结合。该论文的研究成果既为水文水资源领域的复杂、非线性问题提供了新的方法和思路,同时也拓宽了蚁群算法的应用范围,并且在理论上做了相应的改进。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 水资源系统优化概述
• 1.2 最优化问题
• 1.2.1 邻域函数与局部搜索
• 1.2.2 全局搜索
• 1.3 经典优化算法
• 1.4 现代启发式算法
• 1.4.1 遗传算法
• 1.4.2 人工神经网络
• 1.4.3 蚁群优化算法
• 1.5 本文结构
• 2 基本蚁群算法
• 2.1 蚁群优化算法
• 2.1.1 蚁群算法的基本原理
• 2.1.2 蚂蚁系统
• 2.1.3 蚁群系统
• 2.2 蚁群算法与其它基于种群进化算法的比较
• 2.3 基本蚁群算法的应用进展
• 2.4 蚁群算法在水资源系统中的应用
• 2.4.1 在水资源优化调度中的应用
• 2.4.2 在水资源供需平衡、水资源合理分配及优化配置领域中的应用
• 2.4.3 在地下水研究领域中的应用
• 2.4.4 在模型参数估计中的应用
• 2.4.5 在边坡稳定性分析中的应用
• 2.4.6 在水科学其他方面的应用
• 2.5 蚁群优化算法局限性分析
• 2.6 本章小结
• 3 连续蚁群算法
• 3.1 基本蚁群算法的离散性本质
• 3.2 蚁群优化策略应用于连续优化问题的研究
• 3.3 连续蚁群算法模型分析
• 3.4 一维函数优化的蚁群算法
• 3.4.1 用于一维函数优化的蚁群算法模型
• 3.4.2 一维函数优化的局部搜索的策略
• 3.4.3 用于一维函数优化的蚁群算法描述及算法的终止准则
• 3.5 多维函数优化的蚁群算法
• 3.5.1 用于多维函数优化的蚁群算法模型
• 3.5.2 多维函数优化的局部搜索的策略
• 3.5.3 用于多维函数优化的蚁群算法描述及算法的终止准则
• 3.6 算法性能分析及有关讨论
• 3.7 本章小结
• 4 一维函数优化的连续蚁群算法在水资源领域的应用
• 4.1 蚁群算法在不规则断面明渠临界水深计算中的应用
• 4.2 蚁群算法在泄水建筑物下游收缩断面水深计算中的应用
• 4.3 有关算法参数的选取
• 4.3.1 信息素挥发度的选择
• 4.3.2 蚁群组数的选择
• 4.3.3 启发式因子的选择
• 4.3.4 总信息量的选择
• 4.3.5 循环次数的选择
• 4.4 本章小结
• 5 连续蚁群算法与神经网络的耦合
• 5.1 人工神经网络
• 5.1.1 人工神经网络的发展历程
• 5.1.2 人工神经网络的基本原理
• 5.1.3 人工神经网络模型的特点
• 5.1.4 人工神经网络的应用领域
• 5.2 小波分析
• 5.2.1 小波分析的发展历程
• 5.2.2 小波分析的基本原理
• 5.2.3 小波分析的应用现状
• 5.3 小波神经网络
• 5.3.1 人工神经网络与小波分析的耦合途径
• 5.3.2 小波神经网络在水文水资源应用中的现状
• 5.4 蚁群算法的基本特性
• 5.5 蚁群算法优化的小波神经网络模型
• 5.5.1 CACA-WNN模型原理及结构
• 5.5.2 CACA-WNN模型实现步骤
• 5.6 基于蚁群算法的小波神经网络在水稻需水量预测中的应用
• 5.6.1 模型应用实例
• 5.6.2 预测结果分析
• 5.7 本章小结
• 6 连续蚁群算法与遗传算法的耦合
• 6.1 遗传算法的研究动态
• 6.2 遗传算法简介
• 6.3 改进的基于实数编码的加速遗传算法
• 6.4 蚁群算法优化的实数编码的加速遗传算法模型
• 6.5 基于蚁群算法的遗传算法在水稻灌溉制度优化中的应用
• 6.5.1 约束条件的处理
• 6.5.2 模型参数确定与优化结果
• 6.5.3 结果分析与比较
• 6.6 本章小结
• 7 结论与展望
• 7.1 结论
• 7.2 未来工作展望
• 致谢
• 参考文献
• 附录
• 攻读硕士学位期间完成的论文