基于PSO算法的probit模型参数估计

针对二值probit回归模型中的参数估计问题,提出一种基于粒子群优化（PSO）的参数估计算法。该算法采用以最大似然准则作为PSO的适应度函数,建立二值probit回归模型中的参数估计计算模型。数值仿真分析表明,该算法性能较好,回归结果具有较高的拟合优度。     

基于粒子群算法的Logistic回归模型参数估计

针对Logistic回归模型中的参数估计计算复杂难题,提出一种基于粒子群优化算法（PSO）的估计方法。以最大似然准则作为粒子群优化算法的适应度函数,建立了Logistic回归模型中的参数估算模型。数值仿真分析表明,粒子群优化算法可以更精确地计算出相关参数。     

基于PSO算法的变差函数球状模型参数拟合

对一阶变差函数球状模型及其二阶套合结构的参数拟合进行研究,利用粒子群优化(PSO)算法在求解非线性优化问题时收敛的快速性以及全局寻优的有效性等优势,将待拟合球状模型的参数组合为一个粒子向量,在PSO算法迭代过程中对部分粒子进行混合柯西-高斯变异,实现变差函数球状模型最优参数的自动拟合。仿真实验结果表明,该方法操作简单、可靠性高。     

PSO算法在非线性模型参数估计中的应用

将微粒群优化(PSO)算法用于非线性系统模型参数估计，并通过对谷氨酸菌体生长模型的参数估计进行了验证．实验结果表明：微粒群算法为非线性系统模型参数估计提供了一种有效的途径．     

改进收敛因子和比例权重的灰狼优化算法

在分析灰狼优化算法不足的基础上,提出一种改进的灰狼优化算法（CGWO）,该算法采用基于余弦规律变化的收敛因子,平衡算法的全局搜索和局部搜索能力,同时引入基于步长欧氏距离的比例权重更新灰狼位置,从而加快算法的收敛速度。对8个经典测试函数进行仿真实验,结果表明CGWO算法的求解精度更高,稳定性更好。最后以预测谷氨酸菌体生长浓度为例,利用CGWO算法估计Richards模型的参数,以均方根误差和平均绝对误差作为评价指标,与PSO算法、GA算法和VS-FOA算法的结果进行比较,CGWO算法可以有效地估计Richards模型中的参数。     

基于PSO的测距模型参数估计三维定位算法

节点定位技术是无线传感器网络应用的重要支撑技术之一;针对粒子群优化(PSO)定位方法的定位精度依赖于测距模型参数与实际值的符合程度,在接收信号强度指示(RSSI)测距模型的基础上,提出一种测距模型参数估计的三维定位算法;该方法无需计算距离,将未知节点的位置和RSSI测距参数作为自变量,以信号强度误差为目标函数,采用粒子群优化算法估算未知节点坐标;仿真结果表明所提算法不依赖于测距模型参数的选取,并取得了理想的定位精度。     

基于量子粒子群算法的复杂函数参数估计

数理统计中在处理回归的问题时,常用的传统参数估计方法存在着一些严重不足之处.为解决此问题,提出了将基于量子行为的微粒群优化(QPSO)算法应用于复杂函数的参数估计中.通过仿真实验,表明了该算法不仅可以准确地估计出复杂函数的参数,并且具有计算简便、收敛速度快等特点.通过与传统微粒群(PSO)算法的比较,证明了QPSO算法的优越性.     

代谢途径参数估计的智能优化算法比较

本文讨论了非线性动力生化过程的参数估计(反问题),以1个包含36个参数的3阶段代谢途径为研究对象,其数学模型描述为受1组非线性代数一微分方程约束的非线性规划问题.由于频繁的病态和多峰值,传统的算法(如梯度算法)并不能得到满意的解.智能优化算法由于其高效性、收敛性和鲁棒性等特点被广泛应用于非线件问题优化,于是提出利用智能优化算法求解代谢途径的参数估计,利用算法的非线性逼近能力,建立求解参数估计的算法模型,采用人工模拟实验值,通过改变已知参数值增加试验次数减少实验误差,将参数编码成算法的1组解向量,以实验值和预测值的误差平方加权的和为日标优化函数.仿真试验表明用量子粒子群算法求解较好,该算法有效地估计了模型中的36个参数,并且成功地完成了对已知模型的预测.     

基于粒子群算法的自动配煤系统多目标优化

粒子群优化(PSO)算法是一种有效的基于群体智能的全局优化方法,不能直接应用于多目标自动配煤系统的优化中。文章考虑实际灰分最大限度接近目标灰分、配煤时间最短、能耗最小经济效益最高这3个目标,建立了具有条件约束的多目标自动配煤系统模型;利用加权法将自动配煤系统的多目标优化问题转化为单目标优化问题,然后利用PSO算法对系统进行优化,求出最优解集。仿真结果表明,应用PSO算法优化多目标自动配煤系统的方法简单可行,效果较为理想,但也存在适应度函数和权值参数选取难的问题。     

基于微粒群算法和网格模型的参数优化方法

针对在半导体制造工艺参数优化过程中缺乏直观参考的问题,在微粒群优化算法(PSO)和等值线理论分析的基础上,将PSO与等值线矩形网格模型相结合,提出一种全新的工艺参数窗口选择方法,在二维标准多峰函数上验证了所提出方法的有效性,同时对所提出的方法进行了实际生产验证,对于双输入参数问题,该方法可以直接输出所有满足工艺要求的二维区域,从而为参数优化和范围选取提供直观参考,仿真测试结果和生产验证数据均表明了所提出的算法是一种有效的参数优化方法。     

基于一种改进粒子群算法的SVM参数选取

支持向量机作为一个新兴的数学建模工具已经被广泛地应用到很多工业控制领域中,其良好的泛化能力和预测精度在很大程度上受到其参数选取的影响.根据智能群体进化模式改进粒子群优化算法.利用模糊C均值聚类算法分类粒子群体,并用子群体最优点取代速度更新公式中的个体历史最优点,并利用该算法搜索支持向量机的最优参数组合.对比仿真实验表明:所提优化算法是支持向量机参数选取的有效算法,在非线性函数估计中体现出优良的性能.     

基于灰度平均梯度和粒子群优化的散焦图像模糊参数估计

针对散焦模糊图像的复原问题,提出一种基于灰度平均梯度与粒子群优化(PSO)算法相结合的散焦图像模糊参数估计方法。首先,利用PSO算法随机生成一群不同模糊半径的点扩散函数,分别用维纳滤波算法处理模糊图像,得到一系列复原图像,并计算其对应的灰度平均梯度值;然后,利用图像清晰度与图像灰度平均梯度值成正变关系这一特点,以复原图像的灰度平均梯度值作为粒子群算法的适应度函数值,找出使适应度函数最大的粒子所对应的模糊半径作为最后的估计结果。实验结果表明,与频谱估计方法和倒频谱估计方法相比,所提算法能够更精确地估计出模糊参数,尤其是在大尺度模糊半径的情况下,所提算法估计的精度更高。     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

Parameter optimization of moving horizon estimation based on hybrid intelligent algorithm

In the application of moving horizon estimation (MHE) algorithm, the window length will affect the estimation accuracy and the computing efficiency. For this kind of problem, a method of parameter optimization is proposed to obtain suitable window length. Firstly, in order to facilitate online solution, the optimization problem involved in the algorithm is transformed into a quadratic programming (QP) problem in matrix form. Secondly, for the time index and the estimated residual index that measure different properties, the normalization idea is adopted to incorporate them into the same dimension to design the fitness function, and a genetic optimization algorithm based on simulated annealing mechanism is given to search for the optimal window length. Finally, the proposed parameter optimization method is verified by two cases. The results show that the parameter optimization method has the advantages of excellent local search ability and sufficient convergence, and the window length obtained by this method can better take into account the two performance indexes of the MHE algorithm and improve the estimation performance.     

微粒群优化算法在传感器非线性自校正中的应用

微粒群优化(PSO)算法是一种进化算法,包含的概念简单。介绍了不同于传统的传感器非线性校正方法,将PSO算法应用于传感器非线性校正的参数估计,并通过电涡流微位移传感器非线性校正进行PSO算法效果测试。实验研究表明:PSO算法简单、得到的传感器非线性校正曲线精度高。PSO算法为传感器的非线性校正提供了一种新方法。     

基于粒子群优化算法的非线性系统模型参数估计

非线性模型的参数估计是较为困难的寻优问题,经典方法常会陷入局部极值。由于粒子群算法是一种有效的解决优化问题的群集智能算法,它的突出特点是操作简便、容易实现且全局搜索功能较强,故将粒子群优化算法用于非线性系统模型参数估计,并通过对3种典型的非线性模型的参数估计进行了验证。实验结果表明：粒子群优化算法参数估计精度高,是一种有效的参数估计方法。     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。