基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.     

采用混沌粒子群优化算法的水质模型参数辨识

提出了一种新的适用于水质模型参数辨识的混沌粒子群优化(LCPSO)算法.与粒子群优化(PSO)算法相比,该算法将Logistic混沌搜索嵌入到PSO算法中,利用混沌变量产生初始粒群,并对子代部分粒子群体进行微小扰动,随着搜索过程的深入逐步调整扰动幅度,以克服PSO算法的早熟、易陷入局部极值等固有缺陷.采用标准测试函数,将该算法与遗传算法(GA)和PSO算法进行比较,证明了其收敛速度和寻优能力的优越性.采用实测水质数据,将LCPSO算法应用于具有一定工程价值和复杂程度的Dobbins-Camp BOD-DO水质模型的参数辨识.结果显示,所得水质数据与实测值误差平方和仅为0.150 3,且相对误差在±0.2%范围内,故该算法可为水质模型的参数辨识提供一条新的途径.     

采用非线性粒子群算法的同步糖化发酵参数辨识

为进一步优化同步糖化发酵(SSF)工艺,在经典发酵动力学的基础上,总结出SSF工艺中的还原糖变化方程,并采用自适应粒子群优化(PSO)算法进行菌体生长、产物生成以及还原糖消耗的模型参数辨识.通过比较分析线性和非线性动态变化惯性权重的自适应PSO算法在动力学参数辨识过程中的优劣,确定了非线性方法的快速收敛特性.结果表明:模型的拟合值与实验数据比较接近,即利用这些模型来反映此SSF过程的机理具有一定的准确性和可靠性;通过非线性动态变化惯性权重的自适应PSO算法进行参数辨识具有一定的可行性和推广性,也为模型参数辨识提供了一种新思路.     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化(PSO)算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识.该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识.利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明:改进的PSO算法用于岩石蠕变模型的参数辨识是有效的.     

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

PSO算法在土壤水分运移参数优化中的应用

把土壤水分运移参数的拟合按照模型参数的辨识和优化问题来考虑,将粒子群优化（PSO）算法应用到土壤水分运移参数的辨识和优化中,通过仿真及与其它参数辨识和优化方法的比较表明,PSO算法得出的模型参数优于自适应免疫遗传算法和最小二乘算法,具有简单、精度高、速度快、与初值无关和全局收敛等优点,是一种土壤水分运移参数辨识和优化的新方法。     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.     

基于改进粒子群算法的轮胎模型参数两级辨识

为提高PAC89(Pacejka'89 tyre model)轮胎模型的辨识速度和辨识精度,采用加入自适应权重和自然选择性的粒子群算法,并将PAC89轮胎模型参数分为两级,依次进行辨识.以轮胎模型侧偏力曲线的辨识为例,轮胎模型中的刚度因子、形状因子、峰值因子、曲率因子、垂直和水平偏移率为一级参数,通过改进粒子群算法进行一级辨识得到;组成上述因子的特性参数为二级参数,通过改进粒子群算法进行二级辨识得到.一级辨识收敛时的迭代次数小于40,二级辨识收敛时的、迭代次数在100左右,通过实验数据与辨识模型的对比得出平均相对残差为1.6961％.辨识结果表明,采用改进粒子群算法分两级对PAC89轮胎模型进行辨识的方法,能够在保证模型精度的同时提高辨识速度,是一种有效的多参数辨识方法.     

微生物连续发酵系统参数辨识与优化算法

考虑3-HPA对细胞生长的抑制作用和底物与产物的跨膜运输方式,建立了能更好描述微生物连续发酵过程的新的数学模型,以计算值与实验稳态数据之间的平均相对误差为优化目标,以多个动力系统为状态约束,建立了参数辨识模型,证明了该辨识模型的参数可辨识性,并构造了改进的粒子群(PSO)算法求解该辨识模型.数值结果表明该新的动力学模型能更好地描述实际微生物连续发酵过程.     

基于Memetic框架混合群智能算法的NARMAX模型参数辨识

针对NARMAX模型的参数辨识问题,提出一种新颖的混合群智能算法.该算法在Memetic算法框架的基础上,采用粒子群算法与人工蜂群算法融合作为全局搜索策略,采用单纯形优化法作为局部搜索策略.针对三个复杂程度不同的NARMAX模型进行的参数辨识仿真实验,结果显示,与标准人工蜂群算法和随机惯性权重粒子群算法相比,新算法无论在鲁棒性还是求解精度上都具有一定优势.     

基于粒子群算法的井眼轨迹优化研究

为了更优更快地对石油工程中的井眼轨迹进行优化,进行了基于改进粒子群优化(PSO)算法的井眼轨迹优化研究.通过对造斜率归一化,推导出目标函数表达式,将问题归结到对式中参数优化问题上来.引入PSO算法,在保持了PSO算法结构简单可行特点的同时,利用惩罚函数方法和叉乘控制项,对基本PSO算法易限入局部极小点周边区域的局限进行了改进.该井眼轨迹模型和相应算法提高了井眼轨迹优化速度.通过对钻井工程中轨迹参数的优化实践,验证了本算法优于基本的PSO算法,较好地实现了对井眼轨迹的优化.     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

基于模拟退火粒子群算法的飞机气动参数辨识

针对飞机气动参数辨识中如极大似然法等常规方法存在收敛慢、对初值敏感或数学形式复杂等缺点,讨论了模拟退火粒子群算法及其在气动参数识别中的应用,该方法主要辨识策略是一次采集多次迭代,增强了粒子群算法的收敛性和全局性.对某飞机纵横向气动参数辨识进行了仿真研究,结果表明模拟退火粒子群算法对飞机气动参数辨识问题行之有效,并且在扩展搜索空间上,比基本粒子群算法和自适应粒子群算法更有优势.     

基于粒子群优化的图像去噪算法

本文提出了一种基于PSO优化的非局部平均去噪算法,该算法以Non-Local means算法处理图片,以滤波参数h作为PSO的粒子,以PSNR的函数模型作为PSO中的目标函数,以群智能算法优化去噪效果.通过仿真,该算法比传统算法有更好的视觉效果和更快的速度,达到了算法的最佳性能.     

改进的PSO优化SVM的病理图像分类算法

为了提高医学病理图像分类的准确率,提出了一种带有粒子位置权重和粒子之间相关度函数的PSO(particle swarm optimization)参数寻优算法.首先,在经典PSO算法的基础上提出了一种基于适应性原则的位置更新策略.然后,在粒子进行参数寻优的过程中,设计了一个增加粒子之间相关性的函数.该算法可以在不考虑速度影响的情况下进行参数最优解的搜索.最后,用经过PSO优化的支持向量机(SVM)算法分类检测病理图像.实验结果表明,该算法的分类准确率达到了98.5%,较高于另外几种算法.分类检测结果符合临床诊断结果,满足医学研究要求.     

基于柯西分布量子粒子群的混合推荐算法

协同过滤推荐算法是最经典、应用最成功的推荐算法之一,但该算法在数据稀疏性、冷启动和时间因素等方面还存在一定问题,于是,提出一种基于柯西分布量子粒子群的混合推荐算法。该算法首先构建基于时间因子的混合推荐模型,再利用柯西分布量子粒子群算法搜索模型中的最优参数组合,其中,混合推荐模型通过把用户和项目的属性信息添加到协同过滤推荐算法中,并引入能够代表用户兴趣迁移特性的时间因子构建而成。最后,与人工蜂群算法(ABC)以及基本粒子群算法(PSO)进行比较。研究结果表明:在提高推荐准确度、缓解数据稀疏性以及冷启动等方面,本文提出的算法优于其他算法。     

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PSO-BP算法的微带天线谐振频率神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.本文提出基于粒子群优化(PSO)算法和反向传播(BP)算法的一种混合算法(PSO-BP)来训练神经网络,并基于该网络对矩形微带天线的谐振频率进行建模.该算法充分利用了PSO的全局搜索特性和BP的局部搜索特性,可以有效地提高神经网络的建模精度.仿真试验表明,基于PSO-BP算法的神经网络所建立的微带天线的谐振频率模型好于此问题的已有结论.