基于混合智能优化LSSVM的非高斯脉动风速预测

考虑智能优化:蚁群算法(ACO)、遗传算法(GA)和粒子群算法(PSO)各自优缺点,并为充分发挥蚁群、遗传算法较好的全局搜索能力和粒子群算法的分级搜索机制,提出混合蚁群和粒子群优化(ACO+PSO)和混合遗传算法和粒子群优化(GA+PSO)最小二乘支持向量机(LSSVM)的非高斯脉动风速预测模型,分别称为ACO+PSO-LSSVM和GA+PSO-LSSVM。运用ACO+PSO-LSSVM和GA+PSO-LSSVM预测模型对某超高层建筑的非高斯脉动风速进行了预测;为比较目的,同时给出ACO-LSSVM、PSO-LSSVM和GA-LSSVM的非高斯脉动风速预测结果。经仔细检查非高斯脉动风速时程预测值、相关函数预测值以及预测性能评价指标,验证了基于混合智能优化LSSVM对非高斯脉动风速预测的有效性和优势。     

基于混合人工蜂群和人工鱼群优化的LSSVM脉动风速预测

考虑人工蜂群(ABC)和人工鱼群(AFS)算法的各自优势,提出混合智能算法(ABC+AFS)优化选择最小二乘支持向量机(LSSVM)参数的方法,以提高其脉动风速预测模型的性能。AFS算法有较强的全局寻优能力,混合智能算法以AFS算法中的人工鱼寻优方式代替ABC算法中的引领蜂寻优方式,克服ABC算法易陷入局部最优的问题。同时,ABC算法中的正负反馈机制可以克服AFS算法的后期盲目寻优、收敛速度下降的问题。运用基于混合ABC、AFS优化的LSSVM对脉动风速进行了预测,并与基于ABC、AFS和粒子群(PSO)算法优化的LSSVM脉动风速预测结果进行了比较。数值结果表明,基于混合ABC+AFS优化的LSSVM脉动风速预测模型有更好性能,具有工程应用前景。     

多变量非高斯风压的高性能智能预测

为了提高最小二乘支持向量机(LSSVM)对多变量非高斯风压预测的精度和泛化能力,采用混合蚁群(ACO)和粒子群(PSO)智能算法优化LSSVM的正则化参数和核参数,从而形成了混合智能优化LSSVM(称为ACO+PSO-LSSVM)多变量非高斯风压预测算法。使用现场实测多变量非高斯风压数据,对ACO+PSO-LSSVM多变量非高斯风压预测算法的性能进行验证,并与基于蚁群(ACO)和粒子群(PSO)智能优化LSSVM(分别称为ACO-LSSVM和PSO-LSSVM)的预测结果进行比较。比较结果表明,对于多变量非高斯风压预测,混合智能优化LSSVM(ACO+PSO-LSSVM)是高性能预测性算法,具有工程应用前景。     

基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

基于圆周割线改进型粒子群优化算法的叶片临界颤振辨识方法研究

针对风力机叶片在颤振风速下的临界颤振现象,创新性地结合几何圆周割线和传统粒子群优化算法,首次设计了一种圆周割线改进型粒子群优化算法,应用于叶片临界颤振系统的参数辨识。该方法利用圆周上移动点的割线距离来动态调节全局学习因子和局部学习因子,针对优化辨识提高全局搜索和局部搜索的动态平衡性,避免陷入局部最优,提高算法的整体寻优性能和优化效率。仿真试验中,将该方法与多种先进粒子群优化算法(如改进型粒子群优化(MPSO)算法、基于线性递减惯性权重的粒子群优化(LDIW-PSO)算法、基于动态学习因子的免疫粒子群优化(IPSODCLF)算法)的辨识结果相比较,结果表明该辨识方法在辨识精度、计算时间和鲁棒性方面均具有显著的优越性。     

基于粒子群-蚁群混合算法的软件测试数据生成方法研究

在用于面向路径测试用例自动生成的智能优化算法中,由于各种参数设置的数学理论基础薄弱,算法普遍存在搜索效率较低的问题。在分析粒子群算法和蚁群算法的基础上,提出的粒子群-蚁群混合算法将粒子群优化算法和蚁群信息素选择方法有机地结合起来。通过经典的路径测试实验,实验结果表明,算法在自动生成软件测试用例的搜索过程中,充分发挥了粒子群算法较强的全局搜索能力和蚁群算法的区域搜索能力,提高了软件测试用例自动生成的效率。     

基于PSO和LSSVM回归的摄像机标定

针对摄像机非线性显式标定时很难精确地建立其复杂的数学模型,本文提出了基于粒子群优化算法(PSO)和最小二乘支持向量机(LSSVM)回归的摄像机非线性隐式标定方法.该方法采用最小二乘回归机精确逼近图像坐标与世界坐标之间复杂的非线性成像关系;利用PSO算法搜索LSSVM回归模型的最优参数,提高LSSVM回归的收敛速度和泛化能力.通过运用标准BP神经网络、遗传算法、LSSVM及粒子群优化的LSSVM回归方法对圆阵列图案标定模板进行标定,实验结果表明:基于PSO和LSSVM回归的标定方法具有标定精度高、收敛速度快、泛化能力强等优点.     

求解连续空间优化问题的扩展粒子蚁群算法

扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法.     

基于PSO-LSSVM的热电偶非线性校正方法研究

为改善热电偶温度传感器的非线性特性,构建基于粒子群优化算法(particle swarm optimization,PSO)和最小二乘支持向量机(least squares support vector machine,LSSVM)的热电偶非线性校正模型.针对LSSVM算法参数难确定的问题,选用PSO算法搜索LSSVM...     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

基于混沌模拟退火PSO算法的威布尔分布参数估计应用研究

针对三参数威布尔分布模型采用精确解法直接求解的不足,提出基于混沌模拟退火粒子群优化方法进行参数估计。引入Logistic混沌因子调整粒子群优化算法的更新策略以充分释放其遍历搜索能力,并采用模拟退火方法依据Tsallis接受准则以一定概率接受新状态,使算法避免陷入"早熟"进而实现全局最优搜索;同时为降低算法在迭代计算上的时间开销,运用图解法获得的初始解为其提供搜索范围。将该方法运用到轴承转子可靠度威布尔分布参数估计中,实验分析表明该方法具有可行性和有效性,与遗传算法、模拟退火粒子群优化算法相比具有更好的寻优能力。     

反馈精英鲸鱼优化算法优化LSSVM的热耗率软测量建模

提出一种基于反馈精英鲸鱼优化算法(FEWOA)和最小二乘支持向量机(LSSVM)的综合建模方法。首先,针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了反馈精英WOA算法,通过精英策略对当前最优解进行变异操作以避免算法陷入局部最优解;同时,在鲸鱼位置更新后期增加反馈阶段,提高算法的全局搜索能力。数值仿真实验验证了FEWOA算法的优越性。在此基础上,提出了基于FEWOA优化LSSVM的热耗率软测量模型。最后采用某汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,将FEWOA-LSSVM模型预测结果与其它模型预测结果相比较,结果表明,FEWOA-LSSVM预测模型更能准确地预测汽轮机的热耗率。     

基于改进粒子群算法的Volterra模型参数辨识

针对非线性系统Volterra泛函级数模型,结合混沌优化策略和种群多样性控制思想,提出了一种改进粒子群算法,并应用于Volterra模型参数的辨识,将非线性系统的辨识问题转化为高维参数空间上的优化问题。利用混沌序列增加初始种群的多样性,通过构建动态子群以进行协作寻优,且各子群采用不同的参数自适应调整策略,并定义算法收敛性测度以对精英粒子进行合理的混沌变异,避免了算法早熟收敛,提高了算法的寻优速度和寻优精度。仿真实验中,将该方法与基于标准粒子群算法、遗传算法、量子粒子群算法的Volterra模型参数辨识方法相比较,验证了该辨识方法的有效性和鲁棒性。     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于H∞理论的信息熵PSO算法整定大时滞PID参数

目的针对粒子群算法(PSO)整定大时滞PID控制器参数过程中搜索范围较大,搜索能力较差,甚至出现不收敛的问题,提出一种基于H_∞理论的小范围搜索且带有目标性初始化粒子群的改进PSO算法(HOI-PSO)。方法利用H_∞理论确定PSO算法的初始搜索范围,融合信息熵对初始化粒子群进行评估、调整,从而获得分散性较高的初始种群。结果 Matlab仿真实验表明,HOI-PSO算法能够提高PSO算法的收敛速度,具有同大范围相似甚至更好的全局寻优能力;对于大时滞过程控制,闭环系统的控制性能得到很大改善。结论 HOI-PSO算法应用于长网造纸机定量回路的控制结果表明,采用信息熵PSO算法整定出的PID控制器参数对大时滞过程具有良好的控制效果,在实际生产中也具有一定的理论指导意义。     

基于改进智能算法的非线性转子系统的参数辨识

为了有效的识别非线性转子系统的若干参数,提出了基于遗传算法、蚁群算法和邻域搜索算法的混合方法（Ne-GAAC）,该算法利用遗传算法的快速随机搜索能力的优点,形成了蚁群算法的初始信息素分布和寻优区间,同时利用了蚁群算法正反馈以及具有分布式并行全局搜索能力的优点,最终在解收敛后采用局部邻域搜索算法得到精确解,算例结果表明,该方法可以有效的识别非线性转子系统的参数。     

基于SSPSO优化GRNN的水电站厂房结构振动响应预测

提出基于优胜劣汰、步步选择的粒子群优化算法(SSPSO),弥补了一般粒子群优化算法容易陷入局部极值、早熟收敛或停滞的缺陷。并运用SSPSO对广义回归神经网络(GRNN)平滑参数P进行优化,充分利用SSPSO寻优能力强及径向基函数调整参数少的优点,建立厂房结构的振动响应预测模型,对某厂顶溢流式水电站的厂坝结构振动响应问题展开预测研究。通过分析预测效果得出:与一般的粒子群算法相比,所提出的SSPSO算法的寻优能力得到了很大的提高。与此同时,基于SSPSO优化的广义回归神经网络(SSPSO-GRNN)与其他网络相比,在预测精度、收敛性能、泛化能力等各个方面得到了很大提升。为水电站厂房振动响应预测提供了新的方法和思路,为增强厂房结构的智能化监测提供了保障。     

基于APSO-LSSVM模型的光谱反射率重建算法研究

目的 研究光谱反射率重建算法,提高光谱反射率重建精度.方法 首先通过多光谱相机和分光光度计分别获取Munsell色卡和SG140色卡的通道信息和光谱反射率值,经归一化后将Munsell色卡的通道信息和光谱反射率值作为训练样本的输入和输出.然后,采用APSO算法对LSSVM的最优正则化参数γ和核参数σ进行寻优,构建基于APSO-LSSVM的光谱反射率重构模型.在对模型参数进行寻优过程中,为保持粒子的活性,在粒子群算法中引入自适应惯性权重,并根据遗传算法中的变异思想,加入了变异操作,在普通粒子中引入变异因子.在每次迭代更新中,粒子以一定概率初始化,使粒子群算法可以跳出局部最优解,在较大的空间内进行优化.结果 基于APSO-LSSVM模型对SG140色卡进行光谱反射率重建实验,文中方法的平均色差为0.4677 abΔE?,平均均方根误差为0.0006.相较于最小二乘支持向量模型和反向传播神经网络模型的重构精度均有很大的提高.从显色效果来看,文中方法的显色结果更接近真实颜色,人眼基本上难以察觉到两者间的差异.结论 基于APSO-LSSVM的光谱反射率重建算法可以有效地提高光谱反射率重建精度,实现了利用多光谱相机拍摄的多通道信息重构获得精确的多光谱图像.     

基于时变ARMA和EMD-PSO-LSSVM算法的非平稳下击暴流风速预测

根据非平稳过程的进化谱理论,导出基于TARMA模型的非平稳脉动风速模拟式。基于模拟解析式,得到一些空间点非平稳下击暴流风速的模拟时间序列;运用经验模式分解(EMD)和基于粒子群优化(PSO)的最小二乘支持向量机(LSSVM)(简称为PSO-LSSVM)算法,经MATLAB平台编制程序,根据上下空间点风速样本预测出中间高度处的非平稳下击暴流风速时程。通过功率谱、自相关和互相关函数预测值与模拟值的比较及平均误差(AE)、均方根误差(MSE)和相关系数(R)的评价,验证了基于时变ARMA模型和EMD-PSO-LSSVM算法的下击暴流风速模拟与预测的可行性。