基于混合粒子群的土壤水分特征曲线参数优化

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (35): 218-221.

基于混合粒子群的土壤水分特征曲线参数优化

刘利斌1，欧阳艾嘉2，3，乐光学2，3，李肯立2

1.池州学院数学与计算机科学系，安徽池州 247000
2.湖南大学计算机与通信学院，长沙 410082
3.嘉兴学院数理与信息工程学院，浙江嘉兴 314001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-11 发布日期:2011-12-11

Parameters optimization of soil water characteristic curve based on hybrid particle swarm algorithm

LIU Libin1，OUYANG Aijia2，3，YUE Guangxue2，3，LI Kenli2

1.Department of Mathematics and Computer Science，University of Chizhou，Chizhou，Anhui 247000，China
2.School of Computer and Communication，Hunan University，Changsha 410082，China
3.College of Mathematics and Information Engineering，Jiaxing University，Jiaxing，Zhejiang 314001，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-11 Published:2011-12-11

摘要/Abstract

摘要： 土壤水分特征曲线是研究土壤水运动的重要参数。Van Genuchten方程（简称VG方程）是目前运用最广泛的土壤水分特征曲线方程。将VG方程参数计算问题转化为一个非线性优化问题，然后构建单纯形算法和基本粒子群算法相结合的混合粒子群算法对其进行求解。仿真实验结果表明采用混合粒子群算法与普通遗传算法、混合遗传算法、基本粒子群算法相比，不但提高了收敛成功率、降低了迭代次数，而且对参数的取值范围也放宽了;采用混合粒子群算法计算参数的精度比非线性单纯形法和阻尼最小二乘法要高，且不需给出参数的初始值。

关键词: 土壤水分特征曲线, van Genuchten方程, 单纯形算法, 粒子群优化

Abstract: Soil water characteristic curve is an important parameter of soil water movement.Van Genuchten equation（VG equation） is currently the most widely used soil water characteristic curve equation.The VG equation parameter calculation problem is transformed into a nonlinear optimization problem，and then builds the Hybrid Particle Swarm Optimization algorithm（HPSO） of Simplex Algorithm（SM） and Particle Swarm Optimization（PSO） combined is used to solve the nonlinear optimization problem.The simulation experiments results show that HPSO is greatly superior to genetic algorithm，hybrid genetic algorithms，PSO，not only improves the success rate of convergence and reduces the number of iterations of the algorithm，but also relaxes the range of parameters，the accuracy of HPSO in calculation parameters is higher than SM and the Damped Least Square method（DLS） and the initial parameter values are not given.

Key words: soil water retention curve, van Genuchten’s equation, simplex method, particle swarm optimization

刘利斌1，欧阳艾嘉2，3，乐光学2，3，李肯立2. 基于混合粒子群的土壤水分特征曲线参数优化[J]. 计算机工程与应用, 2011, 47(35): 218-221.

LIU Libin1，OUYANG Aijia2，3，YUE Guangxue2，3，LI Kenli2. Parameters optimization of soil water characteristic curve based on hybrid particle swarm algorithm[J]. Computer Engineering and Applications, 2011, 47(35): 218-221.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[6]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[7]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[8]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[9]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[10]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[11]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[12]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[13]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[14]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[15]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.