遗传算法在多目标土地利用规划中的应用

在建立和求解多目标土地利用规划模型过程中，采用遗传算法并结合多目标模糊优选理论处理多目标土地利用结构优化问题。其详细步骤为：在分析区域特征基础上构建时间序列；通过现状分析设置土地利用类型决策变量、确定优化目标和约束条件。构建土地利用结构多目标优化模型；用灰色GM（1，1）预测模型对土地利用结构优化多目标模型参数进行预测；用遗传算法多目标优化方法对土地利用结构优化模型求解得pareto解集；最后运用多目标模糊动态优选方法对规划期内各时间段的pareto解集进行模糊动态优选，以最大优属度判定原则确定出最优决策序列。自贡实例表明，该方法有助于解决多目标协调问题，通过遗传算法避免了人为偏好权重的主观性，并通过提供多方案选择性，从而使规划更具灵活性，同时又便于充分吸纳公众参与，减少规划中的不确定性，增加规划的科学性、现实性和可操作性。     

基于MCOA布置矿井瓦斯传感器

为了预防矿井瓦斯事故,确定增设瓦斯传感器的数量和位置。通过建立监测有效 等级来确定增设瓦斯传感器的数量,然后通过分析多个猴群同步并行搜索、简易猴群算 法的初步搜索和基本和声算法的二次搜索等方法,设计出猴群优化算法的计算流程,再 根据瓦斯传感器布置的目标函数确定增设瓦斯传感器位置。以大隆矿为例进行了现场工 业试验,结果表明,增设瓦斯传感器的数量与监测有效等级之间成正比例关系,但并非 随着监测有效等级的提高而持续增加。     

改进的GA-BP神经网络在矿井突水水源判别中的应用

矿井突水水源的判别是制定防治水措施的重要环节。通过对某矿含水层水化学特 性的相关性分析,将PCA算法、K折交叉验证算法嵌入GA-BP神经网络,提出了一种新的 GA-BP神经网络,将其应用于实例分析中,并与传统的方法进行比较。结果表明:针对 水化学特性相近的含水层,PCA算法能够排除样本中的冗余信息,降低样本指标维度, 简化BP神经网络结构;K折交叉验证算法能够提高GA算法对BP神经网络权值的寻优质量 ,使GA算法的进化方向更具合理性;二者的引入大大优化了传统GA-BP神经网络性能, 其判别精度更高、适用性更强、结果更可靠,在矿井突水水源判别方面具有很好的应用 前景。     

Land-use planning via enhanced multi-objective evolutionary algorithms: optimizing the land value of major Greenfield initiatives

The successful implementation of major development initiatives relies on the sound allocation of land uses against critical design criteria and constraints. The discovery of optimum development plans introduces severe complexities in formulating and solving the underlying multi-objective optimization problem. Moreover, in the presence of conflicting planning criteria decision-makers should be provided with a set of alterative-yet-optimum solutions that uniformly cover the spectrum of feasible maps. The introduction of sophisticated optimization algorithms addresses this challenge by pursuing a complete approximation of the Pareto front containing all prominent spatial allocations. This study demonstrates the effectiveness of a new evolutionary algorithm (UDT-MOEA) against the results of an established multi-objective genetic algorithm (NSGA-II) when applied on a major greenfield initiative against the optimum location(s), size and shape of three new land uses. Each algorithm performs best in different areas of the feasible objective space, providing planning alternatives with distinct characteristics.     

Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines

Rockburst possibility prediction is an important activity in many underground openings design and construction as well as mining production. Due to the complex features of rockburst hazard assessment systems, such as multivariables, strong coupling and strong interference, this study employs support vector machines (SVMs) for the determination of classification of long-term rockburst for underground openings. SVMs is firmly based on the theory of statistical learning algorithms, uses classification technique by introducing radial basis function (RBF) kernel function. The inputs of models are buried depth H, rocks’ maximum tangential stress σ_θ, rocks’ uniaxial compressive strength σ_c, rocks’ uniaxial tensile strength σ_t, stress coefficient σ_θ/σ_c, rock brittleness coefficient σ_c/σ_t and elastic energy index W_et. In order to improve predictive accuracy and generalization ability, the heuristic algorithms of genetic algorithm (GA) and particle swarm optimization algorithm (PSO) are adopted to automatically determine the optimal hyper-parameters for SVMs. The performance of hybrid models (GA + SVMs = GA-SVMs) and (PSO + SVMs = PSO-SVMs) have been compared with the grid search method of support vector machines (GSM-SVMs) model and the experimental values. It also gives variance of predicted data. A rockburst dataset, which consists of 132 samples, was employed to evaluate the current method for predicting rockburst grade, and the good results of overall success rate were obtained. The results indicated that the heuristic algorithms of GA and PSO can speed up SVMs parameter optimization search, the proposed method is robust model and might hold a high potential to become a useful tool in rockburst prediction research.     

矿井通风网络的社团结构及灾害控制研究

为研究矿井通风网络的社团结构特征和有效控制灾害在通风网络中的传播范围,根据通风网络的连接特点对传统的GN算法进行改进,以淮南某矿井的通风网络结构为例进行说明,发现矿井通风网络具有较强的社团结构特征;引入强弱社团结构和外内连接边数比后,社团结构的划分更符合实际。根据矿井通风网络社团间的连接关系,就会找到灾害传播的关键分支与节点并加以控制,降低灾害对相邻社团危害程度,控制灾害的蔓延范围。     

基于蚁群神经网络的煤矿瓦斯预测模型

为了提高煤矿瓦斯涌出量的预测精度和预测速度,用蚁群算法和神经网络相结合的方法进行预测模型设计。选择瓦斯涌出的重要影响因素,建立其神经网络的预测模型。以网络的均方误差为目标函数,通过蚁群算法的迭代运算,实现BP网络的权值优化,并用优化好的BP网络进行瓦斯涌出预测。仿真结果表明,该方法具有较高的拟合预测精度。     

基于蚁群算法的石化项目应急路径规划研究

蚁群算法是一种智能仿生优化算法,实际运用仿真模拟时具有良好的寻优性和高效性。将蚁群算法与石化项目的路径规划结合,借鉴蚁群算法解决旅行商问题TSP的思路并将之运用于应急路径规划,利用MATLAB仿真软件,以某石化项目的应急路径规划为实例,较好地实现了有关应急路径模拟图,可为有关石化项目的安全规划提供借鉴和参考。     

区域危险品道路运输网络双层反馈规划模型及算法

为通过运输网络规划方式降低区域路网危险品运输风险,根据危险品道路运输网络规划中存在监管者路网规划和运输者路线选择的双层约束特征,在假设监管者网络规划目的为总运输风险最小,运输者选线目的为总运输成本最小的基础上,建立区域危险品道路运输网络双层规划模型。进一步提出能求解得到稳定运输网络的双层反馈式算法,即在传统模型算法中增加稳定性检验和反馈调整算法,进而保证运输者在监管者规划路网中所选路线运输成本最小的同时运输风险也尽可能小。最后,通过实例分析检验模型和算法的有效性。计算结果显示,反馈式算法求得的运输网络更稳定,总运输风险值也比传统模式和算法的低。     

基于投影寻踪技术的洪水灾情综合评价

洪水灾情评价结果对救灾和援灾决策有重要指导意义。实际灾情评价中,单项指标的评价结果往往是不相容的,而多指标综合评价的重点在于模型指标权重的获取。将投影寻踪技术用于洪水灾情评价中,并将决策者的偏好添加到模型中,建立一个能在专家对某个(些)指标偏好干预下寻求客观权重的灾情综合评价模型,并研究模型的优化问题。结果表明,在多指标评价中,投影寻踪技术是一种能根据样本数据进行综合评价的客观方法,并能兼顾决策者对某个(些)指标的偏好。