改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于生产间歇改进Elman的转炉煤气发生量预测

针对钢铁企业转炉煤气发生量间歇时长波动大,预测精度低的问题,基于生产间歇特征分类,提出基于混沌映射粒子群算法（CPSO）优化Elman神经网络的转炉煤气发生量预测模型（CPSO-Elman）。提取转炉煤气发生量时间序列中生产间歇特征,并根据间歇时长进行分类;引入经混沌扰动改进的PSO算法优化ENN的初始权值和阈值,利用非线性更新的惯性权重以平衡全局搜索与局部搜索能力,并在粒子初始化中添加了混沌映射;构建CPSO-Elman转炉煤气发生量组合预测模型;在预测未来时间内间歇时长基础上,预测转炉煤气发生量。仿真结果表明：所提方法在预测精度上比未经过优化而预测的方法提高了5%左右。     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

基于多智能体粒子群的快速碰撞检测算法研究

在层次包围盒的基础上,提出一种基于多智能体粒子群的快速碰撞检测方法.算法首先利用层次包围盒方法快速减小物体间可能发生的碰撞检测区域,并基于随机碰撞检测核心思想将问题转变为物体特征对间距离机制的非线性优化问题,在建立的层次拓扑结构基础上,结合多智能体系统技术和粒子群算法的进化策略,设计了一种多智能体粒子群算法来求解碰撞检测问题.通过仿真测试表明,该算法具有很高的搜索效率和寻优性能,能够满足碰撞检测的实时性要求.     

基于粒子群算法混合优化的广义预测控制器研究

提出一种基于粒子群算法混合优化的广义预测控制器(generalized predictive control based on particleswarm optimization,简称PSOGPC),将粒子群优化算法(particle swarm optimization,简称PSO)引入到广义预测控制的滚动寻优过程中,有效解决了广义预测控制在被控对象存在约束时难以获得最优预测控制输入及求解复杂的问题。并对普通粒子群优化算法进行了改进,提高了优化过程的求解精度和收敛速度。多种约束情况和对电厂锅炉的主汽温控制系统的仿真结果表明了该方法的有效性和优良的控制性能。     

整车物流网络规划问题的混合粒子群算法研究

综合考虑整车物流系统中的运输规模经济效应、库存控制策略、设施、服务质量等决策因素,建立了整车物流网络规划集成优化模型.给出了一种流预测算法和粒子群算法相结合的求解方法,用粒子群算法搜索物流网络可行结构,用流预测算法确定其最优运输路径,二者相互协调实现最优解的搜索.在粒子群搜索过程还加入了交叉变异操作来增加种群的多样性,以避免早熟收敛.实例仿真表明混合粒子群算法的运行效率有显著提高,且有更高概率搜索到全局最优.     

一种促进PSO全局收敛的参数调整策略

模拟鸟群捕食行为的粒子群算法存在早熟收敛问题。理论和实验都证明了粒子群算法参数确定局部搜索能力与全局搜索能力的比例关系,对算法的收敛能力影响极大。对现有的参数调整策略进行了分析,指出了存在的问题。借鉴免疫机制中的多样性和变异理论,提出一种新的参数调整策略,该策略基于抗体的亲和力和粒子的聚集程度来确定粒子的最优适应值变化率及算法参数值。对经典测试函数的实验结果表明,提出的参数调整策略使算法的全局收敛能力得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题。     

基于免疫粒子群算法的飞行控制器参数寻优

提出了一种免疫粒子群混合优化算法.该方法将免疫算法中的基于浓度的抗体繁殖策略与粒子群优化算法相结合.对浓度低的粒子进行促进,对浓度高的粒子进行抑制,因而保持了粒子的多样性,克服了PSO算法易于陷入局部最优点的缺点,寻优速度快.将该方法用于飞行控制器的参数优化设计.仿真结果表明：使用该方法进行参数优化设计获得了优良的飞行控制效果,能够较大地提高飞行控制器参数的设计效率.     

混合粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构。通过构造单个粒子的最优序列代替单一的进化方向和类似于蚁群算法信息素表的选择机制,保留了粒子的多种进化可能方向,提高了粒子间的多样性差异,从而改善算法能力。算法同时设计了最优序列的加入规则和基于粒子群聚度的最优序列动态长度控制方法。改进后的混合粒子群算法保证了算法拥有更强的搜索能力,也保留了粒子群算法高效优化的特点。仿真实验证明,混合粒子群方法相对传统方法而言具有明显的精度优势。     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

单纯形微粒群优化算法及其应用

将微粒群优化算法(PSO)与单纯形法(SM)相结合,提出单纯形微粒群优化算法(SPSO)。通过对5种常用测试函数进行优化和比较,结果表明SPSO比PSO和SM都更容易找到全局最优解。然后将SPSO用于催化裂化装置主分馏塔粗汽油干点软测量,建立基于SPSO的粗汽油干点神经网络软测量模型,通过与实际工业数据对比,表明该模型具有高的精度、好的性能和广阔的应用前景。     

基于SVM和PSO算法的飞机部件DMC预计方法

控制维修成本是飞机研制中的一项重要任务,而部件直接维修成本(DMC)的预计是控制过程中的关键步骤。鉴于现有的预计方法精度不高、波动性大或可操作性不强,引入了支持向量机(SVM)理论对不同单一模型进行非线性组合,并改进了粒子群优化(PSO)算法用于同时求解离散变量和连续变量,达到了模型选择和SVM参数的联合优化。实验证明,该预计方法算法简单、速度快,并且比以往的方法在精度和稳定性上都有显著提高。     

PSO与相位因子优选对结合降低OFDM峰均比的算法

针对正交频分复用 (orthogonal frequency division multiplexing, OFDM)系统的峰均功率比高的缺点,提出一种新的相位因子优选对方法,降低OFDM系统的峰均比。相位因子优选对方法原理是,筛选出多个低峰均功率比的子序列,将这些子序列重组后传输来降低系统峰值平均功率比 (peak to average power ratio, PAPR)。把相位因子优选对方法、粒子群优化算法（particle swarm optimization, PSO）与相位因子优选对结合的方法与传统PSO方法对比验证。仿真结果表明,把PSO与相位因子优选对结合的方法应用在OFDM系统中,获得了优于传统PSO算法0.1~0.2 dB的PAPR性能值,证明了新方法的有效性。     

基于混沌粒子群优化的系统级故障诊断策略优化

针对诊断设计优化过程中的关键问题--故障诊断策略优化,提出了基于混沌粒子群优化算法的系统级故障诊断策略优化方法。该算法利用混沌优化不重复遍历系统所有状态的特点,引导粒子在全局范围内搜索,从而克服了粒子群算法“早熟”收敛的缺点。这使算法不仅具有较快的收敛速度,又保证了获得的最优解的可靠性,为获得有效的系统级故障诊断策略提供了可行的方法。最后,给出了该算法在诊断策略优化过程中的关键步骤,通过仿真证明了该算法对于系统级故障诊断策略优化的有效性。     

基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

基于相关系数的优性组合预测模型研究

传统的组合预测模型是从改善某种拟合误差角度建立的.基于相关系数的组合预测模型有别于传统的组合预测模型,它是研究组合预测方法的一个新思路.针对该模型,提出了新的优性组合预测、预测方法优超,冗余度等概念;探讨了非劣性组合预测、优性组合预测以及冗余预测方法的存在性,并证明冗余预测方法的一个判定定理.这在理论上表明基于相关系数的组合预测方法的有效性,最后文中进行实例分析也验证了这个结论.     

车辆路径问题的粒子群算法研究

车辆路径优化问题是一类具有重要实用价值的组合NP问题．粒子群算法(panicle swarm optimization)是一种新出现的群智能(swarm intellingece)优化方法，将其应用于车辆路径优化问题，构造车辆路径问题的粒子表达方法，建立了此问题的粒子群算法，并与遗传算法作了对比试验．结果表明，粒子群算法可以快速、有效求得车辆路径问题的优化解，是求解车辆路径问题的一个较好方案。     

基于混合粒子群-NEH算法求解无等待柔性流水车间调度问题

针对以最小化最大完工时间为目标的无等待柔性流水车间调度问题,提出了一种混合粒子群-NEH算法.该算法 利用粒子群优化算法解决机器分配问题,并进行全局优化;利用改进的NEH算法确定工件加工顺序,并首次提出差值 平移算法计算问题目标值.在算法求解过程中,通过不断对停滞粒子实行变异操作,避免粒子群陷入早熟收敛状态.基 于典型算例的仿真实验,证明了所提算法求解该类问题的可行性和有效性.