基于改进粒子群算法优化BP神经网络的西江水质预测研究

为了提高西江水质预测的精度,提出一种改进粒子群算法优化BP神经网络的水质预测模型。首先,为提高PSO算法的收敛速度并避免其陷入局部最优,PSO算法种群被划分为普通子群、优良子群和较差子群,提出一种云模型改进PSO惯性权重的云模型粒子群算法;其次,针对BP神经网络存在收敛速度慢和局部最优的问题,运用云模型粒子群算法迭代寻优获取BP神经网络的最佳初始权值和阈值;再次,将影响地表水质等级的主要因素作为CPSO-BP的输入,水质等级作为CPSO-BP的输出,建立CPSO-BP的水质等级预测模型。以西江2011年-2018年的水质监测数据为研究对象,与PSO-BP、GA-BP、DE-BP和BP模型进行了对比,研究结果表明,CPSO-BP水质预测的精度最高,且具有更快的收敛速度。     

基于BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

基于粒子群收缩因子算法的BP网络径流预测模型

BP网络模型在径流预测中应用较广,效果较好.但目前对BP网络的初始权重及偏值、学习率、动量因子和训练次数多采用试错法来确定,具有较大的不确定性,影响到模型的收敛速度和精度.为此,提出一种利用粒子群收缩因子算法(CFPSO)对BP模型上述参数进行优化的方法,并利用径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度.     

基于粒子群算法的水库优化调度模型

基于水库优化调度常用优化方法存在的不足,本文根据水库优化调度的数学模型,将粒子群优化算法运用到水库优化调度中.该算法通过个体间的协作与竞争.实现复杂空间中最优解的搜索分析,具有计算简便,收敛速度快等优点.将混沌优化算法运用到水库调度中,并与其它优化方法比较,获得了较为满意的结果.     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

基于模拟退火粒子群算法的水电站优化调度

以洪家渡水电站为例,探讨了模拟退火粒子群算法(SAPSO)在水电站中长期优化调度中的应用方法及效果。结果表明:该算法可以求解具有复杂约束条件的非线性水库优化调度问题,并具备求解精度高、收敛速度快的优点,为解决水电站中长期优化调度问题提供了一种有效的方法。     

基于改进粒子群算法的水电站水库优化调度

文章提出了应用改进粒子群算法求解水电站优化调度问题的方法,粒子群算法模拟了鸟类群体觅食的搜索过程来寻找水电站最优调度计划。对传统粒子群算法进行了改进,克服了早熟和陷入局部最优的缺点。实例计算表明,粒子群算法可以求解具有复杂约束条件的非线性水电站优化调度问题,与经典算法相比,该算法原理简单,易于编程,占用内存少,求解精度高,收敛速度快,是一种有效的搜索算法。     

基于改进粒子群优化算法的新安江模型参数优选

新安江模型是一种实用有效的水文模型,在洪水预报以及水资源评估和管理中得到了广泛的应用。为此,结合新安江模型参数的特点,提出了基于改进粒子群优化算法的新安江模型参数优选方法,并将该模型应用到日径流预报中。实例表明,该方法能快速地完成参数寻优,并能较好地寻找出参数的全局最优解。     

基于文化粒子群算法的水库防洪优化调度

针对水库防洪调度具有多约束、高维、非线性和不易求解的特点,在粒子群算法(PSO)的进化机制中引入文化算法(CA),利用文化算法的信仰空间对粒子群的进化进行指导,建立了文化粒子群算法(PSO-CA)。该算法在种群空间中采用PSO算法,在信仰空间中利用从种群空间中提炼出来的群体经验所形成的形势知识对群体的"早熟"现象进行监视,利用规范化知识对粒子加以限定,提高了算法计算效率。实例验证,该算法能较好地克服粒子群算法易陷入局部最优的缺点,并加快其收敛速度,可以有效解决水库防洪调度问题。     

基于文化粒子群算法的水库防洪优化调度

针对水库防洪调度具有多约束、高维、非线性、不易求解的特点,在粒子群算法（PSO）的进化机制中引入文化算法（CA）,利用文化算法的信仰空间对粒子群的进化进行指导,建立了文化粒子群算法（PSO-CA）。该算法在种群空间中采用PSO算法,在信仰空间中利用从种群空间中提炼出来的群体经验所形成的形势知识对群体的“早熟”现象进行监视,利用规范化知识对粒子加以限定,提高了算法计算效率。实例验证,该算法能较好地克服粒子群算法易陷入局部最优的缺点,并加快其收敛速度,可以有效解决水库防洪调度问题。     

基于粒子群最优化下BP神经网络的短期电价预测(英文)

根据电力市场的相关历史数据准确地预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义.在建立了一种粒子群优化(PSO)下的BP神经网络电价短期预测模型的基础上,采用PSO进化算法,反复抽取训练子集样本,通过对应的验证样本预测误差寻找近似最有代表性的训练子集,解决了模型的训练样本参数难以设置的问题.实验验证了该预测模型的有效性,结果表明处理好预测模型样本参数的选择问题,能够提高模型的稳定性及预测精度.     

基于改进粒子群算法的水资源优化调配模型研究

为了缓解忻州-阳泉地区日益凸显的水资源供需矛盾,建立了以研究区供水、发电和生态为目标的区域水资源优化调配模型,同时提出了定权重目标比适应度函数,将复杂的多目标问题转化为易于求解的单目标问题。在求解模型过程中,使用S型递减函数计算惯性权重并结合定权重目标比适应度函数简化求解,改进了粒子群算法。通过丰、平、枯3种不同来水条件下的情景模拟验证发现：改进粒子群算法运行前期全局搜索能力得到提升、中期搜索速度加快、后期局部收敛能力得到保证,在求解过程中不易陷入局部最优解;根据模型计算得出的水资源优化调配方案能够真实有效地反映研究区域的供水要求、均衡优化年内水资源分配、平衡区域之间的水资源供需关系、协调各目标之间的满足情况,模型具有可行性。     

基于改进粒子群算法的水库优化调度研究

在分析以往水库优化调度模型优缺点的基础上,提出了基于动态调节惯性权重的粒子群优化方法的水库优化调度模型,对基本粒子群算法进行了改进。改进的算法通过时变权重的设置来实现,从而克服了PSO搜索精度不高,易陷入局部最优的缺点,并通过引入罚函数解决强约束问题。以某综合利用水库优化调度为实例进行研究,并与动态规划模型计算结果进行对比分析,实例计算表明:改进PSO算法原理简单,易于编程实现,而且占用计算机内存小,收敛速度快,搜索效率高,能以较快的速度收敛到全局最优解,是一种有效的搜索算法。     

梯级水电站优化调度的改进粒子群算法

针对粒子群算法易陷入局部最优的缺点,提出了一种双适应度方法、动态邻域算子和随机动态调整惯性权重机制有机结合的混合改进策略.算例计算表明,该改进策略能增强粒子的局部收敛能力,加快算法的收敛速度,便于处理复杂约束条件,为求解具有复杂约束条件的非线性规划问题提供了一种简单有效的方法.文中探讨了梯级水电站优化调度的相关问题,考虑了丰枯分时电价因素,建立了梯级水电站长期优化调度数学模型,并应用改进粒子群算法进行求解.实际梯级水电站计算表明,该模型使枯水期大部分时间出力均匀平稳,丰水期能兼顾防洪和蓄水的不同要求,有利于电力系统的稳定运行.改进粒子群算法计算速度快、收敛精度高,为梯级水电站长期优化调度提供了一种简单实用的求解方法.     

基于改进粒子群算法的水库优化调度研究

对粒子群优化算法易陷入局部最优的缺点作了改进,提出了一种带有扰动项的改进的粒子群优化算法,并将其应用于水电站水库优化调度中。实例计算证明,改进后的粒子群优化算法具有较好的全局搜索能力,能够有效克服陷入局部最优的缺点,是水库优化调度比较有效的方法。     

基于蚂蚁和粒子群算法的土石方调运优化方法研究

本文分析了水利工程中土石方调运的影响因素及其特点,提出了一种基于蚂蚁算法和粒子群算法的土石方调运优化方法。与线性规划方法相比,该方法对调运问题的约束和目标函数没有线性要求,具有可以考虑实际工程中非线性约束、便于随机模糊分析等优点。在某大型堆石坝土石方调运中的应用及其与线性规划方法结果比较表明,本文提出的方法是可行的。     

免疫粒子群算法在水电站优化调度中的应用

针对基本粒子群算法中存在的精度较低、易发散、容易陷入局部最优解僵局的情况,提出了免疫粒子群算法。并以卢村水电站为例,进行验证分析,结果表明免疫粒子群算法是一种可靠的研究水电站优化调度的方法。     

基于粒子群算法的BP模型在地下水位埋深预测研究中的应用

地下水水位埋深是影响河套灌区生态环境的主要因素,开展地下水位埋深预测研究对灌区远景发展规划与用水管理具有现实指导意义。本文采用基于粒子群算法的BP神经网络模型(PSO-BP),对河套灌区永济灌区地下水位埋深进行了预测模拟,相对于传统BP模型纳什效率系数NSE (0.791), PSO-BP模型NSE(0.887)提高了12%。表明, BP神经网络可以有效处理地下水位埋深与其影响因素之间的复杂非线性问题,同时粒子群算法可以提高模型的预测精度。     

基于混沌粒子群算法的水电站水库优化调度

介绍了混沌粒子群算法,并将其用于水库调度中,指出:混沌粒子群优化算法引入了混沌搜索机制,增加了粒子的多样性,扩大了搜索的范围,不仅保持了粒子群优化算法收敛速度快的优点,而且还增强了全局收敛能力,能避免陷入局部最优的情况,可以更好地解决水库优化调度的强约束、多阶段、非线性组合问题.     

粒子群算法优化BP在降雨空间插值中的应用

为更好地表达降雨量的空间分布,将粒子群算法(PSO)优化后的反向传输(BP)神经网络分别运用于三峡区间流域日、月和年降雨量的空间插值中,并与单纯BP神经网络和克里金的插值效果作对比。研究结果表明:在日和年的时间尺度上,PSO-BP插值性能较BP有明显改善,且优于克里金的插值效果;在月时间尺度上,PSO-BP插值效果与BP接近且优于克里金。因此,PSO-BP能较好地揭示降雨量在空间的分布规律,也具备在不同时间尺度上对降雨量进行空间插值的能力,是一种较优的降雨空间插值方法。