粒子群算法中参数的实验与分析

粒子群算法(PSO)中参数的选择是一个重要研究方向,参数的设置常依靠经验来确定,从而造成工作量大且难以得到最优的参数组合,影响了算法的使用.针对以上情况,本文使用3个测试函数对粒子群算法和收缩因子方法(CFM)中的收缩因子、速度约束和种群规模等重要参数进行了系统的实验和分析,并且提出了参数取值策略.实验证明本文提出的参数取值策略能明显地改进PSO算法性能,具有一定的实用价值.     

基于PSO算法和SVR模型的加工中心可靠性模型参数估计

针对加工中心可靠性模型,提出了一种基于支持向量回归模型的参数估计方法,并利用改进的局部最优粒子群优化算法对支持向量回归模型的参数进行优化,以提高其对可靠性模型参数的估计精度。与标准的局部最优粒子群优化算法比较,改进的局部最优粒子群优化算法引入了变异操作和自适应调节惯性因子,提高了算法的全局最优解搜索能力。将提出的方法与最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型进行了对比试验。试验结果表明:该方法的参数估计精度高于最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型。最后,将该方法用于估计实际加工中心可靠性模型的参数,得出了相应的平均故障间隔时间的评估数值。     

粒子群算法在薄膜参数反演中的参数选择

为确保用于薄膜椭偏参数反演计算的粒子群算法收敛于全局最优值,采用标准粒子群算法,学习参数c1和c2采用线性关系kc1＋c2=d,选取不同惯性系数叫,通过数值实验分析算法反演Si基底上SiO2薄膜光学常数的优化性能,结果表明粒子群算法的惯性系数CO取值范围在0．5～0．8之间,学习参数c1,c2配对之和不超过3,较小的c1与较大的c2相配对,可以保证用于椭偏参数反演的粒子群算法具有较好的优化性能．     

基于虚拟极值粒子群的电网无功优化研究

为解决电网无功优化中因控制变量种类多、维数高而导致优化结果精度低且容易陷入局部最优等问题,提出一种基于虚拟极值的粒子群算法对电网进行无功优化.该算法采用蒙特卡洛模拟技术对初始种群进行选择,保证取值的多样性;加入影响因子,根据控制变量的种类分区间制定不同的优化参数;引入虚拟全局极值,帮助粒子跳出局部最优.应用该算法对IEEE-14节点系统进行无功优化计算并与传统粒子群算法进行比较,结果表明虚拟极值粒子群算法在电网无功优化计算中具有较强的全局搜索能力和较高的收敛精度.     

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.     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

自适应混沌粒子群优化的粮食应急点选址研究

针对粮食应急点选址,将“运输时间最小”和“应急开始最早”作为目标,建立了相应的优化模型.利用基于粒子群的K-Medoids聚类算法进行求解,为了避免过早地陷入局部最优,提出了自适应混沌粒子群优化算法.该算法利用粒子与已知全局最优粒子的欧式距离来判断粒子群当前状态,并将其作为确定混沌扰动范围的启发信息,可以有效地提高最优解的精度.试验表明该算法优于传统的演化算法,较好地解决了粮食应急点选址问题.     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

基于量子行为粒子群算法的航空瞬变电磁拟二维反演技术

传统的确定性反演算法严重依赖初始模型,易陷入局部极小值中,导致最终反演结果偏离真实模型。粒子群(PSO)算法作为一种随机性反演算法,具有较强的跳出局部极小值的能力,但是仍存在早熟收敛和收敛速度慢等问题,限制了该算法在二、三维电磁反演中的发展。针对上述问题,首先提出采用量子行为粒子群(QPSO)算法代替传统粒子群算法,将量子在势阱中运动规律引入到粒子群算法中,使得粒子可以出现在势阱内任何存在概率分布的位置上,有效地克服了由于群体的聚集性所导致的早熟收敛问题。此外,采用拟二维反演算法代替传统二维反演算法,使得反演模型参数维度下降,寻优过程中局部极小值个数将大幅度减少,显著提高粒子群算法的收敛速度,但是在粒子群中开展拟二维反演时,传统的正则化参数的寻优过程将浪费大量计算资源。结合量子行为粒子群算法中各测点的全局最优粒子在粒子群进化过程中的重要地位,采用α-Trimmed方法开展相邻点间全局最优粒子模型参数光滑约束,实现粒子群算法快速横向约束反演。最后将量子行为粒子群算法拟二维反演技术应用到含噪全航空瞬变电磁仿真数据处理中,反演结果与原始模型具有较好的一致性。     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

基于混沌PSO的循环流化床汽温系统分数阶控制

分数阶PIλDμ控制是传统PID控制的推广与发展,积分阶次λ和微分阶次μ的引入使得分数阶PIλDμ控制器具有更灵活的结构、更好的鲁棒性和更强的抗扰动能力,但也增加了参数整定的难度.参数的取值对控制效果的好坏起着决定性作用,为此提出了采用混沌粒子群优化算法优化分数阶PIλDμ控制器参数.该方法采用自适应粒子群优化算法执行...     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.     

粒子群优化算法及其与遗传算法的比较

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。该文讨论粒子群优化算法的基本原理和实现步骤,分析了该算法中各参数的设置。通过一个测试函数,对粒子群优化算法与遗传算法进行了比较,结果表明粒子群优化算法在找寻最优解效率上好于遗传算法。     

基于改进粒子群算法的PID控制器参数整定优化

针对经典粒子群算法应用在PID控制器参数上整定的方法效果往往不佳的问题上,提出了一种改进粒子群算法的PID控制器参数整定优化设计,在粒子群的基础上加入遗传算法中的交叉算子,并将粒子群中的惯性权重因子改成动态参数,应用到PID控制器,使参数的自适应整定问题也获得了改进,快速性和稳定性也都优于经典粒子群算法的PID控制器．借助Matlab获得仿真系统的响应曲线图,根据对比得出系统性能的指标改进情况．     

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.     

太阳电池工程简化模型参数确定及模型应用

针对现有文献中太阳电池工程简化模型的模型系数值不适用于当今光伏组件的问题,提出简单的仅需利用光伏组件出厂数据的模型系数确定方法.系数b通过拟合25℃下不同辐照度对应的开路电压数据得到,系数a和c分别取短路电流和开路电压的温度系数.不同厂家生产的光伏组件系数b不同,同一厂家生产的不同型号的光伏组件系数b可以取相同值.综合改进后的太阳电池工程简化模型、分段函数形式的太阳电池温度模型和考虑安装条件的入射光强度模型,开展光伏组件电气输出特性的动态仿真.当组件倾角小于最佳倾角时,角度变化对最大输出功率的影响很小;当倾角大于最佳倾角时,角度变化对最大输出功率的影响较大,影响程度随着角度的增大而增大.     

基于改进的自适应粒子群算法的给水管网优化设计

针对粒子群算法在优化给水管网设计时易陷入局部最优难以寻找到最优解的问题,提出改进的动态自适应粒子群算法(modified dynamically adaptive particle swarm optimization,M-DAPSO).定义趋同因子和参数调整函数,使算法能根据种群内部信息自适应调整参数,提出自适应变异策略增加种群多样性.最后,将M-DAPSO算法应用到Hanoi管网优化中,仿真结果表明:该算法能以最小的计算代价求得最优的工程造价;与其他优化算法相比,M-DAPSO算法具有较强的全局搜索能力和较快的收敛速度.