大坝大多建造在水文、工程地质条件复杂环境中,且承受着巨大荷载的建筑物。对其进行实时监测,利用大量的变形实测资料,分析评估大坝安全状态,并做出合理预报是确保大坝安全的重要手段。同时,由于大坝受诸多类似水压力、扬压力、温度、时效以及许多不确定性因素的影响,且这些因素通常具有很强的随机性,相互间关系复杂,使得建立在各次观测相互独立、观测误差期望为零的条件下的传统数学模型无法用确切的定量关系式来描述这些因素与大坝位移量之间的关系。尤其当观测资料较少或含有较大观测噪声误差时,传统的变形分析模型具有一定局限性。因此研究融合多门学科知识与技术方法,建立合适的组合变形分析与预报模型成为分析大坝变形趋势与变形规律的重要课题。本文正是从该角度出发,引入神经网络理论、遗传算法、粒子群算法及改进的粒子群算法,研究融合了这些智能算法的神经网络优化模型的可行性,结合具体的大坝工程,对神经网络优化模型进行应用和比较。本文主要研究内容如下:1)研究了神经网络、遗传算法、粒子群算法的基本理论。神经网络算法在初始化时有很强的随机性、收敛速度慢、易陷入局部极小值,利用遗传算法和PSO算法对神经网络神经元之间的连接权值和阈值进行全局优化搜索,并对标准的PSO算法中的惯性权重进行了非线性改进。2)利用神经网络变量选择法计算输入模式中各影响因素的贡献率,据此判断影响因子的取舍,确定影响大坝变形的最终因子,对大坝位移监测数据和大坝的最终影响因子进行样本数据归一化处理。3)建立基于遗传算法、粒子群算法、改进粒子群算法优化的神经网络大坝变形预报模型。在MATLAB环境下,编制相应的建模分析程序,将该模型用于一些具有代表性大坝工程体的变形分析与预报,比较分析传统数学统计模型、BP模型、遗传算法优化BP网络模型、粒子群算法优化BP网络模型及改进的粒子群优化BP模型的预报结果,结果表明:改进的粒子群优化神经网络模型对大坝变形的预测精度较传统大坝变形预报模型、BP神经网络模型及遗传神经网络模型有较大提高。