基于混合智能算法优化LSSVM的短期风压预测

利用最小二乘支持向量机(least square support vector machine, LSSVM)预测建筑表面的风压.为提高LSSVM对风压预测的泛化能力与精度,提出了基于混合蚁群(ant colony optimization, ACO)和粒子群(particle swarm optimization, PSO)优化LSSVM的预测方法(ACO+PSO-LSSVM),对参数进行搜索寻优,该方法避免了ACO和PSO二者的缺点并实现优势互补.利用ACO+PSO-LSSVM算法对建筑表面风压进行单点和空间点预测,并与ACO-LSSVM和PSO-LSSVM算法作比较.结果表明,基于混合蚁群优化和粒子群优化的LSSVM预测模型预测精度高、鲁棒性强,具有较高的工程应用前景.     

基于混沌粒子群优化的微电网短期负荷预测

针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)时存在非最优解问题,提出了一种基于混沌理论(Chaos theory)的粒子群优化LSSVM参数的短期负荷预测的方法.该预测模型首先引入混沌理论,对粒子群算法加以改进;然后让结合混沌理论的PSO对LSSVM回归估计进行参数优化,得到CPSO-LSSVM;最后将该方法应用于短期负荷预测,通过Matlab仿真训练得到预测结果.仿真实验结果表明该方法不仅可以降低算法陷入局部极值的可能性,还提高了学习能力,从而提高了预测的精准度.     

基于GMDH-PSO-LSSVM中长期电力负荷预测

针对电力负荷预测粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型输入节点难以确定的问题,提出了一种基于数据分组处理方法(Group Method of Data Handling,GMDH)来优化PSO-LSSVM(Particle Swarm Optimization-Least Squares Support Vector Machine)的中长期电力负荷预测预测方法。该方法是首先利用GMDH算法获得LSSVM建模中的输入变量;然后利用基于自适应变异的PSO算法对LSSVM建模中的参数进行优化,选用某地区2008~2013年的历史数据作为模型的训练样本建立模型;最后使用训练好的GMDHPSO-LSSVM模型对2014、2015年的用电量进行外推预测。组合模型预测结果表明该方法达到了较高的预测精度,预测精度提高了2.21%。     

基于RF-PSO-LSSVM的高层建筑项目工期风险预测

针对高层建筑项目在工期风险预测时样本数据少且特征维度高的特点,建立了利用随机森林(ran-dom forest,RF)算法和粒子群(particle swarm optimization,PSO)算法优化最小二乘支持向量机(least squares support vector machine,LSSVM)的高层建筑项目工期风险预测模型.采用在特征选择方面具有显著优势的RF算法筛选出最佳特征子集;利用PSO算法对LSSVM的正则化参数和核函数参数进行优化;采用精确率、召回率以及F1m值对所建立模型的预测性能进行验证与评估.研究结果表明:用所建立的模型对高层建筑项目进行工期风险预测,平均精确率达到了93.71％,平均召回率达到了94.04％.该模型能够准确预测高层建筑项目工期的风险等级,进一步完善了高层建筑项目工期风险的预测方法,其预测结果可为高层建筑项目控制工期风险提供一定的参考.     

基于改进PSO-LSSVM和蒙特卡洛法的电力系统可靠性评估

针对电力系统可靠性评估方法耗时长、误差大等问题,提出一种用改进粒子群优化算法(PSO)优化最小二乘支持向量机(LSSVM)参数,并将构建好的PSO-LSSVM模型与蒙特卡洛法(MCS)相结合用于发输电系统可靠性评估的方法。该方法通过对PSO算法进行合理的改进,得到更为精确的LSSVM模型参数,建立用于分类系统状态样本的PSO-LSSVM模型。对MCS方法抽取的系统状态样本分类得到故障状态和正常状态,仅对故障状态样本进行可靠性指标计算,统计输出可靠性评估结果。采用该方法对IEEE-RTS 79系统不同运行情况下的可靠性指标进行计算,结果表明该方法保证计算时间不变的同时提高了LSSVM-MCS方法的评估精度。     

基于PCA PSO LSSVM的综合管廊投资 估算方法

为有效地解决现有综合管廊投资估算方法的预测精度不高,且预测精度易受样本量大小、特征参数冗余或贫缺等问题,构建一种将主成分分析法（PCA）与粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）结合的综合管廊投资估算预测模型.采用PCA对影响综合管廊投资估算的特征参数进行降维,剔除噪声或冗余数据,以贡献率较大的主成分作为LSSVM的输入向量,综合管廊单公里造价作为LSSVM的输出向量;利用PSO对LSSVM的核函数参数σ与惩罚因子参数C进行寻优,建立基于PCA PSO LSSVM的综合管廊投资估算预测模型,并对测试集样本进行预测.预测结果显示:PCA PSO LSSVM模型平均相对误差为3.28%,满足投资决策阶段对投资估算预测误差的要求（±10%）,且与PCA LSSVM模型、PSO LSSVM模型、GA BP模型和GA SVM模型相比,预测精度分别提高了67.29%,70.52%,48.13%和38.60%.PCA PSO LSSVM模型预测精度高,泛化性能优,可作为综合管廊投资估算的有效预测方法.     

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优.最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AF...     

基于黑洞算法的LSSVM的参数优化

采用黑洞(BH)算法对最小二乘支持向量机(LSSVM)的惩罚系数C及径向基核函数参数σ进行搜索优化,提高LSSVM的预测性能.黑洞算法模拟自然界黑洞,吸引一定范围内的星体向其运行并吸收它们;算法在运行过程中,始终保持黑洞为最优解,通过星体的运行搜索整个空间.通过基于黑洞算法的LSSVM和基于粒子群(PSO)算法的LSSVM实现对二维函数的预测,并对二者进行了仿真研究.仿真结果证实,黑洞算法可以更好地实现LSSVM参数的优化搜索,且基于黑洞算法的LSSVM方法具有更高的预测精度.     

基于黑洞算法的LSSVM的参数优化

采用黑洞(BH)算法对最小二乘支持向量机(LSSVM)的惩罚系数C及径向基核函数参数σ进行搜索优化,提高LSSVM的预测性能.黑洞算法模拟自然界黑洞,吸引一定范围内的星体向其运行并吸收它们;算法在运行过程中,始终保持黑洞为最优解,通过星体的运行搜索整个空间.通过基于黑洞算法的LSSVM和基于粒子群(PSO)算法的LSSVM实现对二维函数的预测,并对二者进行了仿真研究.仿真结果证实,黑洞算法可以更好地实现LSSVM参数的优化搜索,且基于黑洞算法的LSSVM方法具有更高的预测精度.     

基于LM-PSO算法和BP神经网络的非线性预测控制

针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。     

Hammerstein-Wiener非线性系统的模糊预测控制

针对输入和输出受约束的Hammerstein-Wiener型非线性系统,提出一种基于T-s模糊模型的非线性预测控制算法,并用Lyapunov函数分析系统稳定性.通过建立T-S模糊模型,将预测控制器设计中的非线性优化问题转化为相应的线性优化问题;通过离线设计状态反馈控制律,在线实施符合条件的反馈控制律,极大程度地提高了在...     

An integrated scheme of neural network and optimal predictive control

An approach of adaptive predictive control with a new structure and a fast algorithm of neural network (NN) is proposed. NN modeling and optimal predictive control are combined to achieve both accuracy and good control performance. The output of nonlinear network model is adopted as a measured disturbance that is therefore weakened in predictive feed-forward control. Simulation and practical application show the effectiveness of control by the proposed approach.     

基于PSO优化LSSVM的出水BOD5预测建模

针对城市污水处理中有机物污染度指标BOD5缺少运行状态信息难以做到实时检测,提出了一种基于粒子群算法（PSO）优化最小二乘法支持向量机（LSSVM）的出水BOD5预测控制策略。在保证出水水质参数稳定达标条件下,提取城市污水处理过程中输入输出参数数据,通过LSSVM对被控对象出水BOD5进行建模,同时利用PSO对LSSVM模型进行参数寻优,获得最佳正则化参数γ和核函数参数σ。仿真结果说明,该模型提高了对出水BOD5值的预测精度并具有良好的泛化能力,达到了实时性的效果。     

无模型预测控制及在溴化锂机组控制中的应用

为解决带有时滞特性的制冷系统的控制问题,提出了一种改进的无模型自适应预测控制算法,并将其应用到制冷系统控制方案中。首先,提出一种引入两个参数L1,L2的参数估计控制方案,改善了MFAPC( Model-Free Adaptive Predictive Control) 的伪偏导数参数估计过程,使算法在达到减参目的的同时提升了稳定效果; 之后在控制输入准则函数中加入了控制输出误差和。最后引入典型线性和非线性时滞系统、跟踪时变信号系统、溴化锂制冷系统,对其跟踪控制问题进行了仿真比较研究。仿真结果表明,改进的无模型预测控制算法能取得更稳定的输出结果,且有更快的响应速度和更好的控制性能,同时解决了带有时滞特性的制冷系统控制问题。     

一种非线性鲁棒均值预测控制器

提出了一种有界随机动态控制系统输出均值的非线性鳍棒预测控制器。在采用B－样条神经网络的平方根模型表示随机动态系统的输出概率密度函数基础上，输出分布的均值控制转换成一个非线性优化问题。为了解决这一问题，采用了L－M修正梯度搜索方法，得到预测控制器。基于Lyapunov稳定分析，得到了闭环渐近稳定的充分条件和考虑系统建模误差时的鲁棒稳定充分条件。仿真例子表明此算法正确，并获得了很好的结果。     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

基于粒子群寻优的汽车自适应巡航预测控制

为进一步提升多目标自适应巡航系统预测控制精度,提出一种基于粒子群寻优的汽车自适应巡航预测控制算法.首先建立一种包含前车加速度扰动的自适应巡航系统车间纵向运动学模型,并对其线性离散化;其次综合车距误差、相对车速、自车加速度和冲击度,设计二次型多目标优化性能指标函数和多参数约束条件,构建自适应巡航预测控制优化命题;最后为便于问题求解,将目标函数和约束条件推导转化为以预测控制增量为优化变量的规范形式,并基于粒子群优化算法求解自适应巡航预测控制的最优控制律.通过Matlab/Simulink多工况仿真结果表明,粒子群算法求解的最优控制律能够控制自车保持更好的跟踪性和自适应性.      

基于改进粒子群优化算法的可控发射电流频率SHEPWM控制方法

针对传统方法控制的发射电流频率间隔固定、 频域不完全可控的问题, 为提高频率域电磁测深效率, 提出一种基于改进粒子群优化算法的可控发射电流频率的选择性谐波消除脉宽调制(SHEPWM)控制方法. 先根据勘探目标计算出期望的频谱, 再根据发射电流的时频域特性建立半周期镜像对称SHEPWM非线性方程组, 最后采用改进粒子群优化算法对非线性方程组求解, 得到对应的开关时刻序列, 由开关时刻序列控制发射系统逆变器, 即可输出探测所需的发射电流.  当勘探特定深度目标时, 发射系统可输出最优的发射电流, 进而提高纵向分辨率.     

基于改进粒子群优化算法的可控发射电流频率SHEPWM控制方法

针对传统方法控制的发射电流频率间隔固定、 频域不完全可控的问题, 为提高频率域电磁测深效率, 提出一种基于改进粒子群优化算法的可控发射电流频率的选择性谐波消除脉宽调制(SHEPWM)控制方法. 先根据勘探目标计算出期望的频谱, 再根据发射电流的时频域特性建立半周期镜像对称SHEPWM非线性方程组, 最后采用改进粒子群优化算法对非线性方程组求解, 得到对应的开关时刻序列, 由开关时刻序列控制发射系统逆变器, 即可输出探测所需的发射电流.  当勘探特定深度目标时, 发射系统可输出最优的发射电流, 进而提高纵向分辨率.