运动学基于改进的遗传和粒子群算法高斯烟羽模型模拟气体扩散matlab源码
Posted 博主QQ2449341593
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了运动学基于改进的遗传和粒子群算法高斯烟羽模型模拟气体扩散matlab源码相关的知识，希望对你有一定的参考价值。
一、简介
1 高斯羽烟模型方程
式中c为污染物浓度(单位：kg/m3)
Q为源强(单位：kg/s)
u为泄漏高度的平均风速(单位：m/s)
y、z分别用浓度标准偏差表示的y轴及z轴上的扩散参数
H为泄漏有效高度(单位：m)
2 扩散系数系数
二、源代码
clc;clear;close all;
[xm1,xv1,a1] = mGA(100,2,1000,500,0);
[xm2,xv2,a2] = mPSO(1000,2,2,0.9,0.4,500,3);
[x_zuobiao,y_zuobiao]= gaosiyanyu(5,10,10000.5);
function [xm,xv,accuracy] = mGA(popsize,lenchrom,maxgen,popmax,popmin)
%-------------遗传算法解泄漏源点，效果最好
%% 输入参数
% popsize %种群规模
% lenchrom %变量字串长度
% maxgen % 进化次数
% popmax % 种群最大值
% popmin % 种群最小值
%% 输出参数
% xm 泄漏源坐标,针对泄漏源坐标，论文只考虑地面坐标即xm(1)=x和xm(2)=y
% xv泄漏源强估计值,主要检验方法的有效性
% accuracy方法精确度（%）
bound=[popmin popmax;popmin popmax]; %变量范围
%% 产生初始粒子和速度
for i=1:popsize
%随机产生一个种群
GApop(i,:)=Code(lenchrom,bound); %随机产生个体
%计算适应度
fitvalue(i)=fitness(GApop(i,:)); %染色体的适应度
end
%找最好的染色体
[bestfitness,bestindex]=min(fitvalue);
xm=GApop(bestindex,:); %全局最佳
gbest=GApop; %个体最佳
fitnessgbest=fitvalue; %个体最佳适应度值
xv=bestfitness; %全局最佳适应度值
%% 迭代寻优
for i=1:maxgen
%种群更新 GA选择更新
GApop=Select(GApop,fitvalue,popsize); % 其中Select为选择算子函数
% 交叉操作 GA
pc=i/maxgen; % maxgen 进化次数
GApop=Cross(pc,lenchrom,GApop,popsize,bound); % 其中Cross为交叉算子函数
% 变异操作 GA变异
pm=i/maxgen;
GApop=Mutation(pm,lenchrom,GApop,popsize,[i maxgen],bound);
pop=GApop;
for j=1:popsize
%适应度值即变量约束条件
if 1*pop(j,1)+0*pop(j,2)<=5000
if (0*pop(j,1)+1*pop(j,2)<=200) && (0*pop(j,1)-1*pop(j,2)>=-200)
fitvalue(j)=fitness(pop(j,:));
end
end
%个体最优更新
if fitvalue(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitvalue(j);
end
%群体最优更新
if fitvalue(j) < xv
xm = pop(j,:);
xv = fitvalue(j);
end
end
yy(i)=xv;
end
%% 作图分析
Q = 10000.5;%泄漏源强
accuracy = abs(Q-xv)/Q;
figure;plot(yy,'linewidth',2);hold on
xlabel('进化代数');ylabel('适应度');
title('改进GA算法收敛曲线');
legend('权重自适应GA算法')
grid on
[x,y,C] = point;
figure;mesh(x,y,C);
xlabel('x轴下风向距离(m)');ylabel('y轴向距离(m)');zlabel('气体扩散浓度')
figure;surf(x,y,0*C,C,'edgecolor','none','facecolor','interp');hold on;plot(xm(1),xm(2),'r.','MarkerSize',10)
xlabel('x轴下风向距离(m)');ylabel('y轴向距离(m)');
end
%% 检测函数
function V=fitness(v)
%% 输入参数
x = v(:,1); % 表示泄漏源的x值
y = v(:,2); % 表示泄漏源的y值
%% 输出参数
% V 表示最佳适应度值，同时表示迭代过程中的泄露源强值
c = [112.3840,99.0546,51.0527,8.7177,19.9691,257.4304,...
当然也可以只采用四个；
u = 5;% 风速
Hr = 10; %泄漏点有效高度
z = 0;%高度
Q = 10000.5;%泄漏源强
% 大气稳定度
A
B1=0.16;B2=0.0001;B3=0.12;
C1=0.11;C2=0.0001;C3=0.08;C4=0.0002;
D1=0.08;D2=0.0001;D3=0.06;D4=0.0015;
E1=0.06;E2=0.0001;E3=0.03;E4=0.0003;
F1=0.04;F2=0.0001;F3=0.016;F4=0.0003;
% 选择大气稳定度
w = 'F'; % 如果w = 'A';就表示选择大气稳定度为A的情况进行研究，类似地，w = 'B';等。
switch w
% 大气稳定度
A1=0.22;A2=0.0001;A3=0.20;
B1=0.16;B2=0.0001;B3=0.12;
C1=0.11;C2=0.0001;C3=0.08;C4=0.0002;
D1=0.08;D2=0.0001;D3=0.06;D4=0.0015;
E1=0.06;E2=0.0001;E3=0.03;E4=0.0003;
F1=0.04;F2=0.0001;F3=0.016;F4=0.0003;
% 选择大气稳定度
w = F; % 如果w = 'A';就表示选择大气稳定度为A的情况进行研究，类似地，w = 'B';等。
switch w
case 'A'
Ty = ty1*x.*(1+ty2*x).^-0.5;%水平扩散系数
Tz = tz1*x;%垂直扩散系数
case 'B'
ty1=B1;ty2=B2;tz1=B3;
Ty = ty1*x.*(1+ty2*x).^-0.5;%水平扩散系数
Tz = tz1*x;%垂直扩散系数
case 'C'
ty1=C1;ty2=C2;tz1=C3;tz2=C4;
Ty = ty1*x.*(1+ty2*x).^-0.5;%水平扩散系数
Tz = tz1*x.*(1+tz2*x).^-0.5;%垂直扩散系数
case 'D'
ty1=D1;ty2=D2;tz1=D3;tz2=D4;
Ty = ty1*x.*(1+ty2*x).^-0.5;%水平扩散系数
Tz = tz1*x.*(1+tz2*x).^-0.5;%垂直扩散系数
case 'E'
ty1=E1;ty2=E2;tz1=E3;tz2=E4;
Ty = ty1*x.*(1+ty2*x).^-0.5;%水平扩散系数
Tz = tz1*x.*(1+tz2*x).^-0.5;%垂直扩散系数
case 'F'
ty1=F1;ty2=F2;tz1=F3;tz2=F4;
Ty = ty1*x.*(1+ty2*x).^-0.5;%水平扩散系数
Tz = tz1*x.*(1+tz2*x).^-0.5;%垂直扩散系数
end
%% 检测函数
function Q=fit(u1,hr,data,F)
%% 输入参数
x = data(:,2); % 表示泄漏源的x值
y = data(:,3); % 表示泄漏源的y值
%% 输出参数
% V 表示最佳适应度值，同时表示迭代过程中的泄露源强值
% c = [112.3840,99.0546,51.0527,8.7177,19.9691,257.4304,...
% 53.4442,51.7675,43.7906,28.0270,34.9047,66.5592,...
% 27.5724,27.1807,25.2141,20.6378,22.8799]; % 监测到的浓度，我们用了17个，当然也可以只采用四个；
c=data(:,1);
u = u1;% 风速
Hr = hr; %泄漏点有效高度
z = 0;%高度
三、运行结果
四、备注
以上是关于运动学基于改进的遗传和粒子群算法高斯烟羽模型模拟气体扩散matlab源码的主要内容，如果未能解决你的问题，请参考以下文章
运动学基于matlab改进的遗传和粒子群算法高斯烟羽模型模拟气体扩散含Matlab源码 1061期
气动学基于matlab改进的遗传和粒子群算法高斯烟羽模型模拟气体扩散含Matlab源码 1061期