收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于遗传算法与粒子群算法的供水管网水力模型校核对比研究

于丰源  
【摘要】:精准的水力模型能够全面反映供水管网的实际运行状态,由于管道的海曾-威廉系数无法直接测量,而该参数的合理性直接影响到水力模型的模拟结果,因此对该参数进行校核已成为国内外学者的研究热点。本文建立了管网水力模型隐式校核的数学优化模型,以华中某市HX开发区供水管网的海曾-威廉系数校核问题为例,对两种主流的进化算法——遗传算法与粒子群算法校核管段海曾-威廉系数的效果进行了对比研究,得到如下主要结论:(1)遗传算法与粒子群算法均能有效求解HX开发区管网水力模型海曾-威廉系数的校核问题,校核效果均高于(或非常接近)国内提出的水力模型校核标准。仅校核20条重要管段的结果表明:遗传算法与粒子群算法24h延时模拟中监测点压力误差均可以实现≤±1m的百分比为56.0%;≤±2m的百分比为88.4%;≤±4m的百分比为99.6%。(2)本文提出一种基于正交试验优化算法参数的方法,识别遗传算法与粒子群算法的最优参数组合与最差参数组合,发现粒子群算法在管网校核时参数的敏感性相较于遗传算法更显著。对比实验结果显示:在仅校核重要管段时,粒子群最差参数组合得到的校核结果略低,24h延时模拟中监测点压力误差≤±1m的百分比仅为49.8%;≤±2m的百分比仅为85.8%;≤±4m的百分比仅为98.7%,相较于算法最优水平误差较大,而遗传算法最差参数组合得到的校核结果与最优参数组合得到的结果基本一致。(3)针对HX开发区管网水力模型,遗传算法的校核效果优于粒子群算法,在校核实际管网模型时可考虑优先选用。校核管网全部管段时,两者24h延时模拟中监测点压力误差≤±1m的占比分别为63.6%、60.4%;≤±2m的占比分别为91.6%、91.1%;≤±4m的占比分别为100%、100%。(4)采用遗传算法与粒子群算法求解管网海曾-威廉系数时,校核模型中全部管段比只校核重要管段能够获得更高的模拟准确性。结果显示:使用遗传算法可将24h延时模拟中监测点压力误差≤±1m的百分比提升7.6%;≤±2m的百分比提升5.8%;≤±4m的百分比提升0.4%。而使用粒子群算法可将24h延时模拟中监测点压力误差≤±1m的百分比提升4.4%;≤±2m的百分比提升5.3%;≤±4m的百分比提升0.4%。本文的研究成果为选取合理的水力模型校核方法提供了一定理论依据,也为快速寻找合适的进化算法参数组合提供了一种新思路。


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 颜俊华;张敏;王永军;;基于遗传算法的智能粒子群优化方法[J];西南大学学报(自然科学版);2010年11期
2 巩永光;;粒子群算法与遗传算法的结合研究[J];济宁学院学报;2008年06期
3 丁承民,张传生,刘贵忠;正交试验遗传算法及其在函数优化中的应用[J];系统工程与电子技术;1997年10期
4 刘佳明;王宁;徐浩广;;面向供水管网水力模型自动校核问题的改进遗传算法[J];计算机系统应用;2017年12期
5 李雅琼;;基于粒子群算法的遗传算法优化研究[J];兰州文理学院学报(自然科学版);2017年01期
6 贺福强;姚学练;平安;罗红;解思状;;基于遗传算法的颗粒态辣椒螺旋输送机优化设计[J];现代制造工程;2019年06期
7 冯文江;李俊建;王品;;基于粒子群算法的认知无线电参数优化及敏感度分析[J];计算机科学;2011年10期
8 宫琳;孙厚芳;赖国强;;基于混合算法的典型调度问题求解研究[J];组合机床与自动化加工技术;2006年06期
9 潘俊男;宋智;王帅;;基于改进粒子群算法的阻抗匹配网络研究[J];电子世界;2020年10期
10 王彤;张浩祥;赵明;周晓;杨军;张凯;;水力模型在某区供水管网优化方案分析中的应用[J];水电能源科学;2019年06期
11 田跃军;;粒子群算法改进及其在电力系统的应用[J];电子测试;2015年19期
12 潘晓君;;遗传粒子群融合算法在入侵检测中的应用研究[J];许昌学院学报;2018年02期
13 舒诗湖;赵明;何文杰;高金良;吴晨光;赵洪宾;;供水管网水力、水质模型校核标准探讨[J];中国给水排水;2008年18期
14 石双龙;林亮;李红菊;;基于粒子群算法的改进遗传算法[J];科技传播;2010年07期
15 毛灵;陈兴蜀;吴仲光;谭骏;杜敏;;基于优化SVM的P2P协议识别[J];计算机应用研究;2011年07期
16 朱红雨;李迎;;基于神经网络和遗传算法的高速铣削工艺参数优化的研究[J];工具技术;2007年12期
17 严晓明;郑之;;基于混合仿生算法的SVM参数优化[J];广西师范大学学报(自然科学版);2011年02期
18 吴建平;丁丽丽;赵春会;;微观水力模型在优化调度预案方面的应用研究[J];水利科技与经济;2011年11期
中国重要会议论文全文数据库 前20条
1 梁靖昌;李丽娟;;启发式粒子群算法和遗传算法的杂交及其在离散变量桁架结构优化设计中的应用[A];第十五届空间结构学术会议论文集[C];2014年
2 肖龙光;丁晓东;;基于理性变异的遗传算法[A];第六届中国青年运筹与管理学者大会论文集[C];2004年
3 赵峰;刘铎;扶军;郭杨;;分析水力模型对水泵机组振动的影响[A];第十七届沈阳科学学术年会论文集[C];2020年
4 杨爱民;李山山;任翠环;;基于粒子群算法的球团生产工艺参数优化研究[A];钢铁流程绿色制造与创新技术交流会论文集[C];2018年
5 王征;刘大宝;王家林;王永骥;;基于离散粒子群算法的船舶电力系统重构研究[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
6 杨辉;徐可萱;付雅婷;;基于改进遗传算法的重载列车多目标优化控制研究[A];第32届中国过程控制会议(CPCC2021)论文集[C];2021年
7 慕涵铄;乔非;翟晓东;尹德斌;涂煊;;基于多步预测和改进SVR算法的电子设备故障预测方法研究[A];第32届中国过程控制会议(CPCC2021)论文集[C];2021年
8 鄂智博;李俊峰;;深空探测序列优化的多步遗传算法[A];第十二届多体动力学与控制暨第七届航天动力学与控制和第十五届全国分析力学联合学术会议会议论文摘要集[C];2021年
9 甘若醴;王红卫;;工程设计众包任务分配方法[A];2021中国自动化大会论文集[C];2021年
10 高博;张忠;郭静;原凯;;基于遗传算法的气动力减缩优化方法研究[A];第五届非定常空气动力学学术会议论文集[C];2021年
11 熊磊;余鹏;陈美霞;;基于单元辐射叠加法和改进遗传算法测点布置的圆柱壳声辐射预报[A];第十八届船舶水下噪声学术讨论会论文集[C];2021年
12 周轶凡;陆明;郭喆;袁烽;;基于遗传算法与神经网络的建筑结构找形优化研究[A];数智营造:2020年全国建筑院系建筑数字技术教学与研究学术研讨会论文集[C];2020年
13 梁宇宏;何庆强;;基于遗传算法的共形锥阵方向图综合[A];2019年全国天线年会论文集(下册)[C];2019年
14 丁健;;基于微生物反应模型的发酵优化[A];微生物发酵过程工艺优化与中试放大关键技术与难点解析经验分享培训会资料汇编[C];2021年
15 肖前湖;马超;;基于MATLAB遗传算法和GUI的FSAE轮胎魔术公式辨识[A];2021中国汽车工程学会年会论文集(8)[C];2021年
16 徐凯;冷鼎鑫;孙磊;;基于遗传算法的MRE力学特性表征[A];流变学进展——第十四届全国流变学学术会议论文集[C];2018年
17 孙剑炜;王超;施庆展;任文博;王祎凡;袁乃昌;;基于遗传算法的延时叠加波形智能优化方法[A];2021年全国微波毫米波会议论文集(上册)[C];2021年
18 禹明刚;权冀川;张东戈;何红悦;董经纬;邓巧雨;;一种基于遗传算法的NIC-SoS发展路线图优选方法[A];2019第七届中国指挥控制大会论文集[C];2019年
19 李雪梅;李勇;陈力鑫;陈杰;马泽川;王鹏飞;;基于改进遗传算法的储层参数反演方法研究[A];2019年中国地球科学联合学术年会论文集(十九)——专题50:油藏地球物理[C];2019年
20 汤聪;符力耘;;基于遗传算法优化的退化Fourier偏移算子[A];2019年中国地球科学联合学术年会论文集(十五)——专题40:地震波传播与成像、专题41:高压实验矿物学、岩石学与地球化学、专题42:地球物理信息前沿技术及人工智能技术[C];2019年
中国博士学位论文全文数据库 前20条
1 张顶学;遗传算法与粒子群算法的改进及应用[D];华中科技大学;2007年
2 孙涛;量子粒子群算法研究及在热力管网优化中的应用[D];中国石油大学(华东);2018年
3 杨敬江;轴流泵水力模型设计方法与数值模拟研究[D];江苏大学;2008年
4 孙秋红;基于遗传算法的水质数据挖掘与应用研究[D];燕山大学;2016年
5 金小敏;移动云环境中的计算迁移系统关键技术研究[D];北京邮电大学;2018年
6 王小港;遗传算法在VLSI设计自动化中的应用研究[D];中国科学院上海冶金研究所;2001年
7 李险峰;基于改进遗传算法的汽车装配生产线平衡问题研究[D];北京科技大学;2017年
8 袁丽华;基于物种进化的遗传算法研究[D];南京航空航天大学;2009年
9 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年
10 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年
11 程诗信;面向气动外形优化的改进多目标粒子群算法研究[D];西北工业大学;2018年
12 刘天宇;基于协作学习和文化进化机制的量子粒子群算法及应用研究[D];西安电子科技大学;2017年
13 孟丽;粒子群算法及其在分数阶系统辨识中的应用研究[D];华北电力大学(北京);2016年
14 韩佳伟;多层级苹果预冷过程模拟及预冷控制决策优化[D];北京工业大学;2018年
15 钟继如;基于混合粒子群算法的小冲杆试验预测材料强度的研究[D];华东理工大学;2019年
16 王晓鹏;遗传算法及其在气动优化设计中的应用研究[D];西北工业大学;2000年
17 冯茜;基于改进粒子群算法的多目标优化及其应用[D];北京科技大学;2022年
18 许川佩;时序电路测试生成算法研究[D];西安电子科技大学;2006年
19 姚刚;中国股市的分形研究与遗传算法[D];吉林大学;2008年
20 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年
中国硕士学位论文全文数据库 前20条
1 于丰源;基于遗传算法与粒子群算法的供水管网水力模型校核对比研究[D];河北工程大学;2021年
2 孙海建;基于粒子群算法和遗传算法的频谱分配研究[D];吉林大学;2015年
3 孙如祥;粒子群与遗传算法的混合研究[D];广西大学;2015年
4 李娇;支持向量机参数优化研究[D];华中师范大学;2011年
5 王逸君;遗传算法与离散粒子群算法在SAT问题上的应用[D];吉林大学;2009年
6 侯广林;股票投资组合中若干优化算法的比较研究[D];兰州大学;2012年
7 毛润康;欠定条件下基于遗传算法的供水管网水力模型校核及应用研究[D];昆明理工大学;2020年
8 杨海燕;支持向量机参数优化方法及其应用[D];广西民族大学;2010年
9 严露;粒子群算法研究与应用[D];电子科技大学;2013年
10 罗春松;改进的粒子群算法及其在控制器参数整定中的应用[D];湖南大学;2009年
11 李艳娇;基于改进遗传算法的刚架结构截面力学特性参数优化的研究[D];吉林大学;2009年
12 朱莹莹;基于混合粒子群算法的移动机器人路径规划研究[D];上海工程技术大学;2015年
13 吴双利;城市供水管网水力模型校正技术研究[D];青岛理工大学;2011年
14 张超;一种遗传粒子群算法及其在集装箱装船顺序优化问题中的应用[D];大连海事大学;2014年
15 刘莉娜;基于改进粒子群算法的小波神经网络控制器设计与研究[D];哈尔滨理工大学;2012年
16 孙柏;供水管网水力水质模型及其校核研究[D];湖南大学;2012年
17 张云娥;基于粒子群算法的中压配电网规划研究[D];华北电力大学(河北);2007年
18 丘汉金;基于混合粒子群算法的多订单转换成本研究[D];沈阳工业大学;2013年
19 邵元忠;200米水头段混流式水轮机复合转轮水力模型方案开发研究[D];兰州理工大学;2010年
20 刘召军;解优化问题的混合粒子群算法[D];陕西师范大学;2015年
中国重要报纸全文数据库 前2条
1 记者 常丽君;科学家首次将遗传算法用于量子模拟[N];科技日报;2016年
2 本报记者 孙漫 通讯员 张佳勤 魏默然;福州水务 “数”领新征程 智慧护民生[N];福州日报;2021年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978