收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

复杂网络在土壤墒情预测中的应用

马晓慧  
【摘要】:目前,水资源紧缺已成为许多国家或地区农业发展的障碍,在农业生产中,如何有效地利用水资源将是各国研究者的重点研究课题。土壤墒情是指土壤的含水量情况,表明了土壤的水分分布状况。墒情往往会受多种气候条件的影响,例如温度、空气湿度、降雨量、光照等。墒情预测指的是以当前土壤含水量和与墒情有关的因素为基础,推测土壤水分未来的变化趋势。通过墒情预测在提高水资源的利用率的同时还可以提高农业抗旱、防旱能力。随着灌溉技术的飞速发展,我们对土壤墒情监测与预报的研究工作也提出了更高的要求。如何提高墒情监测和预报的准确性将成为我们面临的重要课题。 以往的墒情预测方法主要依靠经验推断和理论研究,经验推断法需要的参数少,但是需要长期的经验积累,并且其理论研究常常需要依靠非常理想的条件和过多的参数,需要投入大量的人力和物力。如何构建一个具有较好的理论支撑,参数容易获取,而且能快速投入实际应用的墒情预测模型是我们的研究方向。 在本论文中,我们主要做了以下几方面的工作: 1、首先简要介绍了土壤墒情的研究背景和意义、以及复杂网络、智能算法和墒情预测的研究现状,进而提出本论文的主题。 2、重点介绍了复杂网络和BT网络。首先讲述了复杂网络的拓扑特性,然后仔细分析了复杂网络的小世界特性、社团结构和BT网络的传销特性。 3、详细介绍了智能优化算法中的两个经典算法,即粒子群算法和遗传算法。针对智能算法中存在的问题,本文将遗传算法的思想融入了粒子群算法中,并通过TSP问题验证了二者的结合有一定的意义。 4、建立智能合作网络模型。此模型的独特之处是它运用了复杂网络中的小世界模型、社团结构和BT网络中的传销特性,并且使得三者和智能优化算法进行了结合。 5、详细介绍了智能合作网络模型在墒情预测中的具体执行过程。通过相关实验证明了此网络模型的有效性。 本文的创新点主要有以下几点: 1、提出了改进的GA-PSO算法,并通过TSP问题证明GA和PSO的一定结合可以很好的解决离散性问题。 2、建立了智能合作网络模型。此模型的原理主要是运用了智能优化算法、复杂网络中的小世界模型、社团结构和BT网络等方面的独特优势。 3、建立了智能合作网络模型预测墒情时用到的适应度函数。我们分别利用基本PSO算法和智能合作网络模型对墒情预测进行了模拟仿真,实验结果证明,后者获得的墒情值与实际结果更加吻合。


知网文化
【相似文献】
中国期刊全文数据库 前10条
1 洪琦;贾春玉;沙新华;;带优先加工约束2×n型异序排序的简便解法[J];东北林业大学学报;2006年02期
2 ;黑龙江省科技进步二等奖 基于智能优化算法的投影寻踪降维技术理论及其农业应用[J];东北农业大学学报;2010年02期
3 欧海斌;张传宏;;制造执行系统中的生产调度智能优化算法[J];农业网络信息;2010年05期
4 崔国华;赵学工;周钢霞;郑刚;刘杰;赵春雨;;粮食烘干机智能控制系统的研究与开发[J];干燥技术与设备;2004年03期
5 宋松柏;康艳;;3种智能优化算法在设计洪水频率曲线适线法中的应用[J];西北农林科技大学学报(自然科学版);2008年02期
6 郭惠昕;任丕顺;张国平;;多质量指标的解耦与稳健优化设计[J];农业机械学报;2009年01期
7 张全兴;常安定;;用粒子群算法反求割离井公式中的水文地质参数[J];西北农林科技大学学报(自然科学版);2009年02期
8 郭建青;周宏飞;李彦;王洪胜;;随机搜索算法在确定含水层参数中的应用[J];中国农村水利水电;2010年12期
9 魏国利;塔娜;;基于单物流配送中心的VRPSTW问题求解[J];内蒙古民族大学学报;2011年02期
10 邓美玉;陈维荣;戴朝华;;微网高渗透并网仿真及电网无功优化[J];可再生能源;2011年05期
中国重要会议论文全文数据库 前10条
1 张晓菲;张火明;高明正;;三种智能优化算法的研究进展[A];中国仪器仪表学会第十一届青年学术会议论文集[C];2009年
2 张亮;王凌;郑大钟;;基于假设检验的智能优化算法及其比较[A];2004中国控制与决策学术年会论文集[C];2004年
3 张瑜玲;顾幸生;;基于免疫算法的火电厂机组负荷优化分配研究[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年
4 孙俊清;李平;韩梅;;装卸桥调度问题及其混合智能优化算法GASA[A];第二十六届中国控制会议论文集[C];2007年
5 沈继红;李焱;;基于正六边形网格的光线寻优算法[A];中国运筹学会第十届学术交流会论文集[C];2010年
6 祝开建;李炎恒;蒋方华;龚胜平;李俊峰;宝音贺西;;混合群智能算法在行星探测轨迹优化中的应用[A];北京力学会第14届学术年会论文集[C];2008年
7 李国庆;戴丽丽;张健;孙岩;;可用输电能力计算的新算法[A];低碳经济与科学发展——吉林省第六届科学技术学术年会论文集[C];2010年
8 王鹤;邵良杉;邱云飞;;蚁群算法在露天矿运输系统路径优化中的应用[A];第五届全国煤炭工业生产一线青年技术创新文集[C];2010年
9 桑红燕;潘全科;任立群;;解决单机准时排序问题的差异进化算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
10 陈治礼;李明之;;基于粒子群优化算法的雷达目标相关匹配识别[A];2010年全国电磁兼容会议论文集[C];2010年
中国博士学位论文全文数据库 前10条
1 杨劲秋;智能优化算法评价模型研究[D];浙江大学;2011年
2 赵明渊;分类问题的智能优化算法及其应用研究[D];电子科技大学;2011年
3 邓武;基于协同进化的混合智能优化算法及其应用研究[D];大连海事大学;2012年
4 孙忠华;基于智能优化算法的港口国监督选船模型研究[D];大连海事大学;2013年
5 殷巧玉;量子智能优化算法及其在电机优化应用中的研究[D];哈尔滨理工大学;2011年
6 田明俊;智能反演算法及其应用研究[D];大连理工大学;2006年
7 章敬东;复杂优化问题中智能算法的分析与集成[D];华南理工大学;2003年
8 高永超;智能优化算法的性能及搜索空间研究[D];山东大学;2007年
9 王海英;智能优化算法研究及其在移动机器人相关技术中的应用[D];哈尔滨理工大学;2007年
10 薛文涛;基于免疫的智能优化算法理论及应用研究[D];南京理工大学;2008年
中国硕士学位论文全文数据库 前10条
1 胡琼琼;群智能优化算法在QoS网络路由优化中的应用[D];陕西师范大学;2010年
2 曾思琴;基于智能优化算法的原子团簇结构研究[D];浙江师范大学;2010年
3 姜飞;混合智能优化算法及其应用[D];西安电子科技大学;2011年
4 季艳芳;两种智能优化算法及其收敛性分析[D];华中科技大学;2011年
5 张娜;求解非线性方程的智能优化算法[D];吉林大学;2013年
6 乔雷杰;基于智能优化算法的Wiener模型辨识[D];燕山大学;2010年
7 石丽丽;智能优化算法对比研究及其在船体双底结构优化中的应用[D];哈尔滨工程大学;2010年
8 祁建程;基于车间调度问题的智能优化算法研究[D];浙江大学;2010年
9 成照乾;智能优化算法及其在协商中的应用研究[D];山东师范大学;2011年
10 余永红;代谢过程控制与优化的智能算法研究—参数估计[D];江南大学;2011年
中国知网广告投放
 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