基于拟合与粒子群优化的VG方程参数估计

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (11): 58-60.

基于拟合与粒子群优化的VG方程参数估计

曹怀火1，欧阳艾嘉2，艾海男3

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.重庆大学三峡库区生态环境教育部重点实验室，重庆 400045

出版日期:2013-06-01 发布日期:2013-06-14

Parameters estimation of VG equation based on fitting method and particle swarm optimization

CAO Huaihuo1, OUYANG Aijia2, AI Hainan3

1.Department of Mathematics and Computer Science, Chizhou College, Chizhou, Anhui 247000, China
2.School of Computer and Communication, Hunan University, Changsha 410082, China
3.Laboratory of Three Gorges Reservoir Region’s Eco-Environment, Ministry of Ducation, Chongqing University, Chongqing 400045, China

Online:2013-06-01 Published:2013-06-14

摘要/Abstract

摘要： 考虑到粒子群算法受初值影响，易于产生局部最优解的缺陷，将lsqcurvefit拟合方法与粒子群算法相结合，提出一种新的混合型粒子群优化算法，用于Van Genuchten方程参数估计得到了较好的结果。数值实验结果分析表明，该算法在参数估计中求解精度高、收敛速度快、寻优能力强，而且不需要给出参数的初始值，是一种值得推广的方法。

关键词: lqcurvefit拟合方法, 粒子群算法, Van Genuchten方程, 参数估计

Abstract: Taking into the particle swarm optimization is affected by the initial values and produces easily the local optimal solutions, based on lsqcurvefit fitted method and particle swarm optimization, a new hybrid algorithm of particle swarm optimization is proposed to estimate the parameters for Van Genuchtem equation and get better results. The result of a case study shows the algorithm is characterized with high accuracy, fast convergence and high robustness in the parameters estimation, moreover, it does not need the initial parameter value. Therefore, this method should be promoted.

Key words: lsqcurvefit fitting method, particle swarm optimization, Van Genuchten equation, parameters estimation

曹怀火1，欧阳艾嘉2，艾海男3. 基于拟合与粒子群优化的VG方程参数估计[J]. 计算机工程与应用, 2013, 49(11): 58-60.

CAO Huaihuo1, OUYANG Aijia2, AI Hainan3. Parameters estimation of VG equation based on fitting method and particle swarm optimization[J]. Computer Engineering and Applications, 2013, 49(11): 58-60.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	孟娜，李艳艳，汪霖. 基于CITAF-HAF的立方调频信号参数估计[J]. 计算机工程与应用, 2021, 57(17): 75-79.
[7]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[8]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[9]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[10]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[11]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[12]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[13]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[14]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[15]	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.