计算智能及其在水利水电工程中的应用

【摘要】： 计算智能包括进化计算、神经网络和模糊理论，是一门正在迅速发展的学科。本 文对遗传算法、前馈神经网络、自组织特征映射神经网络及杂合系统进行较为系统的 研究，并将成果应用于水利水电工程中，形成了理论、方法与应用研究的完整体系， 其主要内容如下： 1．全面综述遗传算法、人工神经网络的发展历程、理论与应用研究状况及计算 智能在水利水电系统中的应用研究进展。 2．在研究遗传算法的基本理论、运行机理、收敛性和优化效率的基础上，指出 简单遗传算法在优化问题中存在的弱点，并综合分析对简单遗传算法的改进方法。提 出一种基于分流机制的新型遗传算法（DMGA），该方法采用优种限量繁殖，达标种交 叉和劣种变异的策略，交叉和变异概率根据进化质量自适应地调整，使种群具有很强的 可进化性。DMGA改变了遗传算法的传统结构，提高了算法的全局收敛性和效率。 对之进行的理论分析和性能测试结果证实了其优良性能。结合水力优化设计的数学模 型，讨论了DMGA的实施步骤。计算实例表明DMGA无需设计初始点，所得解的质 量和计算效率均优于复形法。 3．从前馈神经网络隐层的本质特征出发，提出在网络上嫁接模糊聚类分析，对 样本数据进行特征抽取，并综合考虑样本的输入、输出信息，由此确定隐层节点数，增 摘 要 强了网络训练的透明度和学习效率。测试结果说明了该方法的有效性。在径流预测中， 优化的网络拟合与预测精度均高于线性回归模型和投影寻踪模型。 4．将奇异值分解法引入自组织特征映射（SOFM）神经网络，压缩线性相关部 分，删除冗余节点，以确定SOFM网络的合理分类数，丰富了SOFM网络的无师特性。 5．提出田－SOFM混合模型。将 SOFM网络嵌入到进化策略（ES）中，根据 SOFM 网络的运行状态构造ES的适应性函数，利用ES的强搜索能力，克服SOFM网络聚 类效果受输入模式次序和网络初始连接权矩阵的影响。应用实例表明，ES．SOFM混 合模型在水环境评价中可取得理想的效果。