神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

超高压同塔双回双极直流输电线路工频参数测量方法研究

提出了基于分布参数模型与粒子群优化(PSO)算法的超高压同塔双回双极直流输电线路工频参数测量方法.给出了求解超高压同塔双回双极直流线路工频参数的数学模型,详细介绍了利用PSO算法对超高压直流输电线路工频参数进行测量的方法和步骤.基于PSCAD软件,利用该方法对不同长度的同塔双回双极直流输电线路进行了仿真测试.仿真结果表明,该方法的测量精度可以满足超高压同塔双回双极直流输电线路工频参数的工程测量要求.     

PSO算法在油船双底结构优化设计中的应用研究

为了研究粒子群优化(PSO)算法用于解决大型复杂结构的优化设计问题的有效性,分别采用基本PSO算法、标准PSO算法与遗传算法(GA)对某一大型油船双层底结构优化设计问题进行了求解.优化过程中双层底结构的响应分析计算过程采用正交异性组合板理论实现.将这3种优化算法的计算结果进行对比分析表明,与基本PSO算法和GA算法相比较,标准PSO算法的收敛速度最快,且能够获得该问题的全局最优解.研究结果表明,基本PSO算法可有效应用于解决如船体双层底等大型复杂结构优化设计问题.     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

多情景源排放参数反演下典型优化算法性能对比

确定排放源参数是合理处置突发大气污染事故的重要前提.不同事故(如泄漏、火灾)反演的参数(源强、位置等)存在差异,研究对比不同优化算法的估算性能对于实际事故中快速、准确估算源参数具有重要意义.基于草原SO2释放实验数据,开展了不同未知参数情景下典型最优化算法(遗传算法,GA;粒子群算法,PSO;粒子群-单纯形耦合算法,PSO-NM)在源参数反演中的对比研究,从反演结果的准确性、稳定性与反演时间效率等方面进行了评估.研究发现,优化算法在不同源排放参数数量下的反演性能存在明显差异.单参数源强反演情形下,GA、PSO-NM算法准确性相近(相对偏差,24. 0%),均优于PSO算法(37. 6%),三者均有较好的反演稳定性(变异系数0. 004);多参数反演(源强Q与位置x、y、z)情形下,PSO-NM算法反演准确性最好,GA最差,但稳定性表现与之相反;反演参数数量的增加明显影响算法反演稳定性,四维参数反演情形下PSO、GA、PSO-NM算法的源强反演变异系数比单参数反演分别高出0. 50、0. 12、0. 29. PSO算法计算效率最高,同时,PSO-NM算法在稳定大气条件下计算时间明显增加.     

具有随机停滞行为的粒子群优化算法

为了提高算法的优化性能,通过借鉴模拟退火算法(SA)和遗传算法(GA)的思想,在基本粒子群优化(PSO)算法的基础之上,引入了一个称为接受概率的关键参数,改写了原算法中粒子飞翔的速度公式,使粒子以一定的概率随机在解空间的某一方向上产生停滞行为,提出了一种新颖的粒子群优化方法——随机停滞粒子群优化(SSPSO)。数值计算结果表明,合理地选取接受概率的大小,该算法能在保持原算法稳定性的同时,明显提高算法的优化效率。最后,通过与传统的搜索算法、SA和GA的类比,对SSPSO的性能进行了深入分析。     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

改进粒子群算法优化的支持向量机及其应用

传统粒子群优化(particle swarm optimization,PSO)算法主要包含两方面问题,即易陷入局部极小和后期震荡严重,为此引入混沌序列来初始化粒子群的位置,并在简化的粒子群数学模型上从两个方面对其进行了改进。本文利用改进的PSO算法对支持向量机(support vector machine,SVM)的参数进行优化,仿真实验结果表明:与SVM、PSO-SVM以及遗传算法(genetic algorithm,GA)优化的SVM(GA-SVM)相比,改进PSO优化的SVM(IPSOSVM)算法具有较高的分类准确率,并且与PSO-SVM算法相比,准确率提高了3%~5%,与PSO-SVM算法以及GASVM算法相比,IPSO-SVM的训练和泛化速度都明显提高。本文将IPSO-SVM算法应用到遥感影像的分类中,分类结果表明,与PSO-SVM算法相比,IPSO-SVM算法具有更好的分类结果。     

基于粒子群优化的PID伺服控制器设计

针对耦合和非线性永磁同步电机（PMSM）控制器优化设计的难题,提出了基于粒子群优化（PSO）算法的比例、积分和微分(PID)控制器的优化设计方法.结合PSO的基本原理和PMSM伺服系统的控制策略,给出了优化PID控制器设计的步骤.考虑到综合评价系统的各项性能指标,在优化过程中引入了新的模糊汉明距离的评价策略.同时对遗传算法（GA）和PSO算法优化结果进行对比研究.仿真和实验结果表明,该方法能搜寻到最优或次最优的参数空间,并能取得比GA更好的空间解.优化得到的PID控制器速度响应快、超调量小,有效地提高了伺服系统的动态性能.     

基于粒子群算法的Universum SVM参数选择

分类器的模型参数对分类结果有直接影响.针对引入无关样本的Universum SVM算法中模型参数选择问题,采用粒子群优化(particle swarm optimization,PSO)算法对其进行优化.该方法概念简单、计算效率高且受问题维数变化的影响较小,可实现对多个参数同时优选.此外,在PSO中粒子适应度函数的选择是一个关键问题.考虑k遍交叉验证法的估计无偏性,利用交叉验证误差作为评价粒子优劣的适应值.通过舌象样本数据实验,对参数优选前后测试样本识别正确率进行比较,实验结果验证了该算法的有效性.     

基于混合粒子群算法的梯级泵站优化调度

针对不同时段电价差异,以流量平衡为基础,建立以梯级泵站耗电电费最小为目标的优化调度模型,并采用粒子群算法求解.为克服粒子群优化算法易早熟、迭代后期收敛速度慢的缺点,引入免疫思想,以粒子适应度为标准,通过克隆变异算子、疫苗接种算子和优胜劣汰算子,构建双粒子群,增强了粒子群搜索精度和搜索范围,并将其应用于广东某供水工程.优化调度仿真对比分析表明:免疫粒子群算法(IAPSO)能够有效地解决梯级泵站优化调度问题,降低了泵站运行成本,与基本粒子群算法(PSO)和自适应惯性权重粒子群算法(APSO)相比,收敛速度更快,搜索精度更高.     

基于粒子群优化-模糊聚类的说话人识别

基于粒子群优化(particle swarm optimization,PSO)提出一种说话人识别算法-三粒子模糊C均值聚类算法.利用3个子群体,每个子群体由规模较小的3个粒子构成,寻求最佳说话人模型.在每次迭代中每个子群体按先后顺序执行PSO算法中的速度更新、位置更新操作和标准FCM算法,对说话人的训练语音数据进行粒子群优化-模糊的软聚类分析,得到聚类中心的最优解,作为该说话人的语音模型.此算法可避免粒子陷入局部最优聚类中心,较准确地记录和估计每个聚类中心的最佳移动方向和历史路径,从而使聚类中心向全局最优解靠近.实验表明,本算法始终稳定地取得优于LBG算法、FCM算法和FRLVQ-FVQ算法的说话人识别性能,对初始聚类中心依赖度低,可有效降低误识率.     

基于改进离散粒子群算法的限流措施优化配置

为求解实际电力系统中的限流措施优化配置问题,对传统粒子群算法（PSO）进行改进,提出一种改进离散粒子群算法（MDPSO）.此MDPSO算法采用二进制结合十进制的编码方式,并引入置0算子,优化初始种群,同时引入单方向的变异算子,防止算法陷入局部优化解.应用此算法对新英格兰39节点系统和中国西部82节点系统进行限流措施优化配置计算,并同遗传算法（GA）和普通离散粒子群算法（DPSO）进行比较,仿真结果表明,MDPSO算法是有效可行的.     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声,其解法一般采用的是梯度搜索法,但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁,易于实现,且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题,为滤波器参数的优化提供了一种新的思路.仿真结果表明,使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小,因此它在求解非平稳过程模型系统时具有一定的优势.     

基于SOA的PMSM驱动系统PID参数优化研究

针对永磁同步电机驱动系统所具有的强耦合和非线性特点,对电机d-q轴模型进行分析,推导出矢量控制下永磁同步电机状态方程及传递函数.为了解决传统PID控制方法中参数确定困难的缺点,本文利用人群搜索优化算法(seeker optimization algorithm,缩写SOA)对PID参数进行优化,并提出了基于人群搜索算法优化的PID永磁同步电机控制方法.仿真结果表明,与遗传算法(Genetic Algorithm,缩写GA)、粒子群算法(Particle Swarm Optimization,缩写PSO)相比,人群搜索算法对PID参数的优化能力更好,且最先达到稳定状态.     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

基于粒子群算法的倒立摆智能控制系统研究

为了控制倒立摆保持稳定状态,选取直线一级倒立摆为研究控制对象,建立直线一级倒立摆数学模型,将粒子群算法(PSO)实际应用到直线一级倒立摆智能控制系统的关键参数优化,仿真验证PSO算法优化直线一级倒立摆的动态稳定性.仿真结果表明,基于粒子群算法对直线一级倒立摆的优化控制具有更快的收敛性和更优的稳定性.     

基于PSO和GA混合优化的FCM算法

模糊C-均值(Fuzzy C-means,FCM)算法的初始聚类中心是随机确定的,因此存在着易受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小值的缺点,从而影响图像分割效果.针对此问题,将粒子群优化(P S O)算法与遗传算法(GA)相结合更新种群和搜索最优点,进行全局搜索优化FCM初始聚类中心,实现了基于PSO和GA相结合的模糊C-均值图像分割算法,并用于分割乳腺钼靶图像.实验结果表明,提出的优化算法具有更好搜索全局最优解的能力,可以提高分割精度,得到更好的图像分割结果.     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

基于粒子群优化算法的智能抽题策略研究

通过对智能抽题策略研究,建立了智能抽题数学模型,提出用于评价抽题效果的评价指标及其获取方法;在此基础上,考虑智能组卷过程对试卷质量的高要求以及优化参数的表示形式,文中将粒子群优化算法运用于智能抽题优化模型的求解中,取得了较好的效果.为证明该方法的有效性和优越性,与采用相同二进制编码方式的遗传算法进行比较,通过二者的适应度演变图可以表明粒子群算法(Particle Swarm Optimization,PSO)算法可以较早地达到目标的最优分配,在运行时间及抽卷优化结果上明显优于遗传算法(Genetic Algorithm,GA),能更好地适应智能抽题策略的要求.