加速遗传算法和自适应人工神经网络模型在地下水系统计算中的应用研究

论文摘要

随着人类经济活动范围的日益扩大,地表水资源污染日益严重,地下水的开发规模不断增大,出现地下水的大量开采,要做到充分、有效和持续地利用地下水资源,把由于开采地下水资源酿成的危害限制到最小程度,就必须对地下水资源进行科学的管理,地下水系统计算是地下水资源管理的前提与基础,正确地进行地下水系统计算为合理的配置和开采地下水资源提供依据和指导。关于地下水系统计算的人工智能应用研究内容极为丰富,难以一一涉及,本文以FORTRAN90计算机语言为载体,就加速遗传算法（AGA）和自适应神经网络算法（A-BP）在地下水系统计算的某些方面的应用进行了研究。在各种类型含水层水文地质参数的推求上,通过对描述含水层特性的水文地质模型的数值分析,将AGA和A-BP融于水文地质模型中,给出了AGA和A-BP确定承压含水层系统参数的过程,提出了以AGA和A-BP确定越流含水层系统参数的方法及确定潜水含水层系统参数的Boulton-AGA、Boulton-A-BP、Neuman-AGA及Neuman -A-BP方法,系统化了各类型含水层水文地质参数的推求,简化计算过程;以气象数据为预测因子,建立A-BP模型和基于AGA的相似预测模型、投影寻踪预测模型、组合预测模型,实现了对地下水位的短期预测;以地下水水质标准产生建模样本,建立A-BP模型和基于AGA的相似评价模型、投影寻踪评价模型、S曲线评价模型,实现了对地下水水质的分类评价,并对多种方法的评价结果进行了对比;将AGA应用于地质统计学,以AGA估计理论变差函数模型的参数、优化确定估计方差最小和无偏性约束条件下的克立格、协克立格权重系数,以A-BP模型实现类似于协克立格的空间估值;以AGA求解了基于响应矩阵法的地下水管理模型,取得了较好的计算效果。文章最后概括总结本文主要研究的内容及取得的成果,并对存在问题进行了探讨及对有待进一步研究的问题进行了展望。

论文目录

• 1 导论
• 1.1 选题的目的和意义
• 1.2 遗传算法、神经网络及与人工智能的关系
• 1.3 遗传算法研究进展及其在地下水计算中的应用
• 1.3.1 遗传算法研究与应用
• 1.3.2 加速遗传算法的提出
• 1.4 神经网络研究进展及其在地下水计算中的应用
• 1.4.1 神经网络研究与应用
• 1.4.2 自适应 BP 神经网络模型的提出
• 1.5 地下水系统计算中人工智能应用研究的方向
• 1.6 本文研究的主要内容
• 2 加速遗传算法（AGA）与自适应神经网络（A-BP）的实现过程
• 2.1 加速遗传算法的实现
• 2.1.1 概述
• 2.1.2 二进制编码的加速遗传算法
• 2.1.3 实数编码的加速遗传算法
• 2.2 神经网络算法的实现
• 2.2.1 概述
• 2.2.2 A-BP 神经网络的运算过程
• 2.3 计算机语言 FORTRAN90
• 2.4 小结
• 3 水文地质参数推求中的应用
• 3.1 概述
• 3.2 基于AGA和A-BP神经网络的承压含水层系统参数的确定
• 3.2.1 承压含水层完整井流理论
• 3.2.2 AGA 确定承压含水层系统参数
• 3.2.3 A-BP 神经网络确定承压含水层系统参数
• 3.2.4 实例验证
• 3.3 基于AGA和A-BP神经网络的有越流补给承压含水层系统参数的确定
• 3.3.1 有越流补给承压含水层完整井流理论
• 3.3.2 AGA 确定有越流补给承压含水层系统参数
• 3.3.3 A-BP 神经网络确定有越流补给承压含水层系统参数
• 3.3.4 实例验证
• 3.4 AGA 和 A-BP 神经网络求解 Boulton 模型获取潜水含水层水文地质参数
• 3.4.1 潜水含水层中地下水向完整井运动概述
• 3.4.2 Boulton 潜水含水层完整井流理论
• 3.4.3 基于 Boulton 理论的 AGA 确定潜水含水层系统参数
• 3.4.4 基于Boulton理论的A-BP神经网络确定潜水含水层系统参数
• 3.4.5 实例验证
• 3.5 AGA 和 A-BP 神经网络求解 Neuman 模型获取潜水含水层水文地质参数
• 3.5.1 Neuman 潜水含水层完整井流理论
• 3.5.2 基于Neuman理论的AGA确定潜水含水层系统参数
• 3.5.3 基于Neuman 理论的A-BP 算法确定潜水含水层系统参数
• 3.5.4 实例验证
• 3.5.5 Neuman-AGA 法与Boulton-AGA法对比
• 3.6 方法应用
• 3.6.1 抽水试验概况及基本数据
• 3.6.2 参数求解结果
• 3.7 小结
• 4 地下水水位动态变化预测模型中的应用
• 4.1 概述
• 4.2 预测因子的选择与分析
• 4.3 相似模型预测地下水位
• 4.3.1 AGA 求解相似模型理论
• 4.3.2 预测结果分析
• 4.4 投影寻踪模型预测地下水位
• 4.4.1 AGA 求解投影寻踪模型理论
• 4.4.2 预测结果分析
• 4.5 A-BP 神经网络模型预测地下水位
• 4.5.1 A-BP 神经网络模型预测地下水位理论
• 4.5.2 预测结果分析
• 4.6 组合模型预测地下水位
• 4.6.1 AGA 求解组合预测模型理论
• 4.6.2 预测结果分析
• 4.7 小结
• 5 地下水水质综合评价模型中的应用
• 5.1 概述
• 5.2 评价标准及模型建立样本和验证样本的产生
• 5.3 相似评价模型
• 5.3.1 AGA 求解 Shepard 相似评价模型理论
• 5.3.2 应用实例
• 5.4 ‘S’曲线评价模型
• 5.4.1 AGA 求解‘S’曲线评价模型理论
• 5.4.2 应用实例
• 5.5 投影寻踪等级（分类）评价模型
• 5.5.1 AGA 求解投影寻踪等级（分类）评价模型理论
• 5.5.2 应用实例
• 5.6 投影寻踪聚类评价模型
• 5.6.1 AGA 求解投影寻踪聚类评价模型理论
• 5.6.2 应用实例
• 5.7 A-BP 神经网络评价模型
• 5.7.1 A-BP 神经网络评价模型理论
• 5.7.2 应用实例
• 5.8 小结
• 6 地质统计学及地下水管理模型中的初步应用
• 6.1 概述
• 6.2 AGA 在变差函数参数优化中的应用
• 6.2.1 实验变差数据拟合理论变差函数模型理论
• 6.2.2 应用实例
• 6.3 AGA 在克立格方法权系数计算中的应用
• 6.3.1 求解普通克立格权系数
• 6.3.2 求解协同克立格权系数
• 6.4 A-BP 在空间估值研究中的应用
• 6.5 地下水管理模型中的应用
• 6.5.1 概述
• 6.5.2 计算实例
• 6.6 小结
• 7 结论与展望
• 7.1 全文总结
• 7.2 展望
• 致谢
• 参考文献
• 附录
• 作者简介