模糊系统结合蚁群算法的金具温升建模

为了得到准确可靠的阀厅连接金具温升模型,运用模糊系统结合蚁群算法的方法进行建模。在分析基本蚁群算法与梯度下降法优缺点的基础上,将两种方法结合形成改进蚁群算法,即在基本蚁群算法基础上应用梯度下降算法。通过试验得到的训练数据分别用基本蚁群算法、梯度下降算法、改进蚁群算法训练模糊系统,改进蚁群算法的收敛效果优于其他两种方法;通过试验得到的测试数据对4种方法所得的模型进行测试,由改进蚁群算法训练模糊系统所得模型的测试效果是最好的。结果表明,若能通过试验得到足量训练数据,用改进蚁群算法训练模糊系统的方法对阀厅连接金具的温升进行建模是可行的。     

阀厅连接金具温升模糊预测策略

针对阀厅连接金具的温升问题,提出基于模糊系统的温升预测策略,并用此方法对连接金具的温升进行预测。通过阀厅连接金具温升试验得到训练与测试数据。利用训练数据通过梯度下降算法训练模糊系统,建立相应温升模型,然后用测试数据进行测试,检验模型可靠性,相对误差平均值为8.04%,测试结果合理。用回归分析对阀厅连接金具的温升进行预测,并与模糊系统进行比较,模糊系统预测的相对误差平均值比回归分析降低了5.56%。预测与比较结果说明,模糊系统在阀厅连接金具温升预测方面具有优势。     

模糊系统结合最小二乘的温升预测方法

针对金具温升过高现象,提出了新的温升预测方法。通过温升试验得到训练数据与测试数据,利用训练数据通过递推最小二乘结合遗传算法的方法对模糊系统进行训练,利用测试数据对训练后的模型进行检验,误差处于合理范围。训练与测试结果说明运用新方法预测金具温升是可行的。通过回归分析对金具温升进行预测,并与新方法进行比较,新方法的预测效果优于传统的回归模型,比较结果体现了新方法在温升预测方面的优势。     

接触电阻建模新方法

根据接触电阻的特点与以往接触电阻计算方法存在的不足,运用结合模糊逻辑的智能计算方法对接触电阻进行计算.根据接触电阻与影响因素之间的关系进行试验,得到大量试验数据,将试验数据分成训练数据与测试数据两部分,训练数据用于训练模糊系统,测试数据用来测试模糊系统,检验其可靠性.通过训练数据运用梯度下降结合模拟退火算法训练模糊系统,建立接触电阻模型,运用回归分析对接触电阻进行计算.通过测试数据测试两种模型,基于模糊系统的模型优于回归分析,说明用梯度下降结合模拟退火算法训练模糊系统建立的接触电阻模型精确可靠.     

基于模糊系统的接触电阻预测算法研究

运用模糊系统对接触电阻进行预测,通过试验得到试验数据,将试验数据分成训练数据与测试数据,训练数据用于训练模糊系统,测试数据用于测试模糊系统。将梯度下降算法与禁忌搜索算法混合得到改进禁忌搜索算法,训练模糊系统,所用算法依次为梯度下降算法、禁忌搜索算法、所得改进算法,并建立相应的接触电阻回归模型。对所得模型进行测试,结果表明,由改进算法训练模糊系统所得接触电阻模型的测试结果优于其他模型,并且该方法预测接触电阻精确可靠。     

基于混沌粒子群优化的时变解耦模糊滑模控制

为确认单输入解耦模糊滑模算法是否具有稳定性,通过构造合适的Lyapunov函数,对该种算法进行稳定性分析,证明该算法具有渐近稳定性;为准确而快速的得到最佳控制增益,在基本粒子群算法的基础上,提出了用混沌粒子群算法选取其最佳控制增益,仿真研究表明：混沌粒子群算法较基本粒子群算法的收敛速度和优化效果都得到了提高.     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

改进万有引力搜索算法在函数优化中的应用

为了克服标准的万有引力搜索算法在函数优化中迭代速度慢、易陷入局部最优等问题,基于加强算法的性能,研究了新的策略.结合粒子群算法的开采能力和万有引力搜索算法的勘察能力,得到了基本粒子群万有引力搜索混合算法.对混合算法中的加速因子进行改进并引入了动量因子,提出了一种改进的粒子群万有引力搜索混合算法(IPSOGSA).结果表...     

最小二乘优化模糊系统的接触电阻计算方法

根据接触电阻的特点,运用模糊系统对其进行计算。设计试验得到训练数据与测试数据,通过训练数据训练模糊系统,建立相应模型,训练算法为递推最小二乘结合禁忌搜索算法。通过回归分析建立相应模型。通过测试数据测试所建立的两种模型,并比较,接触电阻的模糊系统模型的测试结果优于回归分析,比较结果表明模糊系统适用于接触电阻的计算。     

电力系统经济负荷分配的改进粒子群算法

为解决电力系统中的经济负荷分配问题,将改进粒子群算法用于其中。该算法是以基本粒子群算法为基础,利用优化惯性权重策略以及改进最优最差粒子策略,使改进粒子群算法具有高效率全局搜索能力。对三个算例进行仿真测试,证实该算法可有效地解决经济负荷分配问题;性能对比显示,该算法求得的解优于基本粒子群算法及其它优化算法所求得的解。     

改进粒子群算法及其在电力变压器优化设计中的应用

针对基本粒子群算法易陷入局部最优解的缺陷,本文提出了一种带有惩罚量的改进粒子群算法。用标准测试函数对改进算法做了仿真分析,结果表明改进算法在寻优精度和收敛性能上均有所提高。将改进算法应用于电力变压器SF9—630／10的优化设计中,分析了优化变量和约束条件的选取,建立了带有惩罚函数的优化设计目标函数,给出了改进粒子群算法的具体实施方法。将传统计算数据与优化数据做了对比,证明了该方法的正确性和有效性。     

粒子群算法在化工过程优化中的应用

对基本粒子群算法进行了智能化改进,并运用改进粒子群算法和MATLAB语言,对化工生产过程中的苯-甲苯闪蒸过程进行了优化仿真计算。仿真结果表明,在有效地调整温度、压力及分流系数的条件下,使得气相产物中苯的产量达到最大,实现了苯-甲苯闪蒸过程的最优化,同时也证明了粒子群算法可以有效地解决化工生产过程中的优化问题。     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性.最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法.     

AISPSO算法在电网无功优化的应用

针对粒子群算法搜索后期的局部收敛问题,提出加入邻域空间和择优替换粒子改进方法的自适应信息选择粒子群优化(AISPSO)算法.将AISPSO算法应用于电网无功优化,选取发电机节点电压、变压器、无功补偿容量为控制变量,代入粒子编码机制寻优,在连续5次迭代无法跳出时,加入邻域空间,替换粒子后再次搜索.通过AISPSO算法优化调度,搜索电网网损最优值,达到电网无功优化目标.根据研究数据对比,AISPSO算法寻优所得网损比基本粒子群算法降低了4.43个百分点.     

基于改进PSO算法的自适应均衡算法

传统的自适应均衡算法存在收敛速度慢,稳定性差、均衡效果不理想等缺点,从而使自适应均衡器在高速光纤通信系统中的应用受到限制.具有梯度搜索因子的Grads-PSO算法,结合了传统数值优化方法在计算速度和计算精度上的优势,将梯度法引入粒子群算法中.在梯度搜索因子的指导下,PSO算法的运算过程显得更加有规则,从而提高了算法的收敛速度和运算精度.因此,本文提出将改进PSO算法用作自适应均衡器均衡算法.通过仿真实验表明,改进PSO算法具有收敛速度快,计算精度高的优点,将其作为自适应均衡器的控制算法可收到很好的均衡效果,优于传统的控制算法.     

基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

基于改进PSO-FNN神经网络变压器故障检测研究

针对电力变压器故障难以准确诊断的问题,提出了一种基于改进粒子群算法(PSO)的模糊神经网络(FNN)诊断模型。该模型运用模糊神经网络,同时结合变压器故障与变压器油中各气体成分之间的密切关系,确定了神经网络输入变量,同时在标准粒子群算法中引入遗传变异因子对模型进行训练,提高了训练精度。MATAB软件测试结果表明,模型预测精度较高,可进一步研究应用。     

基于粒子群算法的深基坑岩土力学参数反分析

运用人工神经网络对深基坑岩土参数进行反分析时,将粒子群算法与BP算法融合,充分发挥了粒子群算法全局寻优的能力和BP算法局部细致搜索优势.实例证明,应用该方法可提高模糊优选人工神经网络的训练效率,预估的岩土力学参数合理.     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

粒子群差分扰动优化的聚类算法研究

通过对大数据优化聚类分析,实现了机械设备的工况监测和故障诊断,提出了一种基于粒子群差分扰动优化的数据模糊C均值聚类改进算法,利用粒子群种群进化的差异度逐渐变小的聚集原理,求得符合分类属性模式的有限数据集特征,使用关联维特征提取方法得到时频聚类交叉项,结合模糊C均值聚类算法,把适应度最小的粒子群个体进行差分进化处理,实现大数据信息流的特征融合和优化聚类.仿真结果表明,采用该算法进行大数据聚类处理,数据聚类中心具有较好的聚焦能力,受到的旁瓣干扰较小,避免陷入局部最优,降低了误分率,在工况识别等领域具有较好的应用价值.