基于粒子群算法求解GM(1,1)模型参数的研究

探讨用粒子群优化算法求解GM(1,1)模型参数a,b,将用该参数建立的GM(1,1)模型与最小二乘法建立的GM(1,1)预测模型进行了效果比较.实例验证结果表明:对于较平缓变化数据序列,2种方法建立的GM(1,1)模型拟合还原精度相差不大,粒子群算法稍优;对于非平缓变化数据序列,经粒子群算法优化参数后,模型精度显著高于最小二乘法;灰色关联度分析表明,粒子群算法优化参数建立的GM(1,1)模型拟合序列几何形状上更接近原始序列.     

双馈风电机组动态等值模型仿真研究

大型风电场的动态等值和建模是研究多时空尺度风电场并网问题的基础,建立精度较高的等值模型是其中的关键问题.以双馈风电机组为研究对象,针对直接聚合等值成单机存在的动态误差较大的问题,建立了一种结合粒子群优化算法的等值模型来提高动态等值精度.首先采用先聚合后优化的思想,将风电场参数聚合等值成单机,分别对电气参数、无功参考值、有功控制器参数、有功直流电压控制器参数运用粒子群算法进行优化,对比各种等值模型与详细模型在三相短路故障时的动态等值误差.研究结果表明,对有功和直流母线电压控制器参数优化后的等值模型能够准确地反映双馈机组风电场并网点的动态特性.     

磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验. 仿真结果表明, 所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.     

基于多模态优化问题的粒子群算法研究

多模态优化问题包含多个全局最优解或局部最优解,求解多模态优化问题难度较高。为了更有效地求解多模态优化问题,提出用粒子群算法求解多模态问题。研究了星型拓扑结构及环型拓扑结构的算法模型,并引入线性递减惯性权重对两种粒子群算法进行改进,让粒子群算法的惯性权重从一个较大的数值线性递减到一个较小的数值,从而提高种群搜索的多样性和精度。用15个复杂的多模态测试函数对两种粒子群算法进行仿真实验,实验结果表明,引入线性递减惯性权重的环型拓扑结构粒子群算法的搜索能力明显更强,更适用于多模态优化问题的求解。     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

基于粒子群优化灰色模型的电力系统负荷预测

在分析灰色GM(1,1)模型局限性的基础上,应用粒子群优化算法的非线性全局寻优能力来求解灰色模型参数值,提出了基于粒子群优化算法的灰色模型,并给出了负荷预测的实例.预测结果表明基于粒子群优化算法的灰色模型具有较高的预测精度和较广泛的应用范围.     

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.     

自适应粒子群算法在非线性回归中的应用

采用自适应算法调整粒子群的权重,优化非线性回归模型的参数,并将其应用于酶促反应的参数求解。与线性化、非线性最小二乘以及标准粒子群的结果比较表明,用自适应粒子群求解的非线性回归方程有更高的精度。     

基于PSO-WNN模型的超短期风速预测及其误差校正

小波神经网络(wavelet neural network,WNN)具有多分辨率局部时频特性,在风速预测中得到了广泛应用,但模型参数的优化选择是一难点,为此提出一种基于PSO(粒子群算法)-WNN的超短期风速预测模型。引入粒子位置变化量与二阶振荡环节改进粒子群算法,以平衡粒子群的全局搜索能力和局部改良能力;采用改进的粒子群算法优化WNN模型参数,进而对风速进行超短期预测;为进一步减小预测误差,分析风速预测的模型误差及其相关因素,并采用一阶线性回归法进行误差校正。算例表明,所提PSO-WNN预测模型及误差校正措施能够有效提高风速预测模型的泛化性能和预测精度。     

基于Lagrange乘子法的一种新型改进粒子群优化算法

社会和生产实践中抽象出来的模型一般为非线性约束优化,而约束优化一般很难直接求解.首先,我们通过引进增广lagrange乘子法,将约束优化转化为有界约束优化,然后引入粒子群优化算法来进行求解,并且我们提出来一种嵌入了最速下降法的改进粒子群优化算法,以此来解决标准粒子群算法中收敛速度慢和精度低的问题,提高了搜索的效率,特别是局部搜索的效率.改进算法有效地结合了粒子群优化算法比较强的全局搜索能力和最速下降法的精细快速的局部搜索能力,相比于标准粒子群优化算法,克服了收敛速度慢的特点.数值实验表明,通过改进的粒子群优化算法可以找到所求优化问题的全局最优解.     

用PSO方法搜索基于MLE的ARMA模型参数

针对小样本条件下用矩估计(ME)方法获取ARMA模型参数粗略的缺点,将粒子群优化算法(PSO)用于小样本ARMA模型参数的极大似然估计(MLE),以获得概率上最优的数字解。在分析基于ARMA模型似然函数的基础上,详细分析了PSO的思想、方法和评价指标。以实际例证显示了联合PSO优化方法估计AMAR模型参数的优良特性,并从算法和似然函数角度分别阐释了形成利弊的原因。     

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.     

粒子群算法在新安江模型参数优选中的应用

对粒子群算法进行了详细描述和分析,并将其应用于新安江模型的参数优选中.对于人工生成的理想水文资料,采用粒子群算法优化新安江模型,可以使全部参数收敛到真值;对于实测的水文资料,通过与单纯形混合加速遗传算法(SAGA)和单纯多边形进化算法(SCE-UA)进行比较,可以看出,粒子群算法全局收敛性能较好,计算效率和精度较高,是一种有效的新安江模型参数优选方法.     

An estimation method for direct maintenance cost of aircraft components based on particle swarm optimization with immunity algorithm

A particle swarm optimization (PSO) algorithm improved by immunity algorithm (IA) was presented. Memory and self-regulation mechanisms of IA were used to avoid PSO plunging into local optima. Vaccination and immune selection mechanisms were used to prevent the undulate phenomenon during the evolutionary process. The algorithm was introduced through an application in the direct maintenance cost (DMC) estimation of aircraft components. Experiments results show that the algorithm can compute simply and run quickly. It resolves the combinatorial optimization problem of component DMC estimation with simple and available parameters. And it has higher accuracy than individual methods, such as PLS, BP and v-SVM, and also has better performance than other combined methods, such as basic PSO and BP neural network.     

基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值．方差一峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值一方差．峰度模型是有效的。     

Satellite image RPC parameters estimation method using the heteroscedastic errors-in-variables model

The positioning accuracy of a satellite image is mainly affected by the estimation accuracy of the rational polynomial coefficients (RPCs). Image point compensation or ground control point correction methods are usually used in the existing algorithms. Because the error characteristics of the design matrix elements are not considered, there are problems such as incomplete systematic error elimination and low parameter estimation accuracy. Considering the influence of the model systematic error, a heteroscedastic estimation method is proposed in this paper. First, the random model of matrix elements is established in the algorithm to describe the system characteristics more accurately. Taking into account the system deviations of the design matrix elements, the least square model is constructed using the Mahalanobis distance as the metric, and parameters are solved using the generalized eigenvalue method. The systematic error can be reduced theoretically. Experiment on different terrain images of TH-1 shows that the image correction accuracy of the proposed method is improved by more than 36 times compared with the traditional method, and the precision consistency is superior, which is of great significance to improving the accuracy of RPC parameters estimation and satellite imagery positioning.     

论中国突发性环境污染事故应急立法的完善

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.

     

解析水文频率在水利工程设计中的作用

为了寻求水文频率参数最优值,进而得到精度更高的水文特征值,提出一种基于粒子群优化(particle swarm optimization,PSO)算法与自适应遗传算法(adaptive genetic algorithm,AGA)的水文频率参数优化算法. 该算法基于离差平方和最小准则、离差绝对值和最小准则及相对离(残)差平方和最小准则,构建水文频率参数优化模型,在粒子群算法中引入自适应遗传算子,将遗传算法的全局搜索能力强与粒子群算法的收敛速度快有效结合,并对交叉、变异概率进行自适应改进,形成一种自适应混合算法,用于对模型求解,得到最佳水文频率统计参数. 以北京市气象中心降雨资料为例,将本文算法与其他常规方法比较,结果表明:本文算法获得的参数值在拟合精度和适线效果上要优于常规方法,为水文频率分析领域决策提供了参考依据.

     

基于回复电压的油纸绝缘系统等值电路参数辨识研究

回复电压测试法作为一种无损手段能够有效地诊断电力设备的绝缘老化状况,评估油纸的湿度．通过经典的扩展德拜模型建立回复电压曲线与等值电路之间的数学模型,推导回复电压数学表达式;提出基于非线性最小二乘估计法结合粒子群优化算法的等值电路中的未知参数辨识方法;最后对某台变压器的实测回复电压数据进行等值电路参数辨识,结果验证了参数辨识的准确性;并利用辨识出的电路仿真分析回复电压测试参数对回复电压曲线的影响,结合极化响应过程揭示了绝缘油纸系统与微观机构间的关系．