考虑风险因素影响的引水隧洞施工方案优选

为了综合考虑活动时间随机变化、施工机械故障以及塌方、涌水等风险对引水隧洞施工方案优选的影响,实现施工方案的合理选择,提出考虑风险因素影响的引水隧洞施工方案优选方法。该方法建立考虑风险因素影响的隧洞施工方案优化模型;采用Levy飞行自适应混沌粒子群(LFACPSO)优化算法来求解优化模型以获得Pareto方案集,该算法引入Levy飞行来提高粒子跳出局部最优的能力,同时采用混沌算法来初始化粒子,并自适应地调整粒子惯性权重系数;采用直觉模糊熵权幂平均(IFEWPA)方法,在考虑专家评价犹豫度的条件下从待选方案集中优选出最终方案。工程实例应用表明,相比不考虑风险影响的施工方案仿真进度和计划进度,综合考虑风险因素影响的仿真进度更贴近工程实际,证明了考虑风险因素影响的引水隧洞施工方案优选方法的有效性;与自适应混沌粒子群(ACPSO)算法、粒子群优化(PSO)算法和带精英策略的非支配排序遗传(NSGA-Ⅱ)算法相比,LFACPSO算法所得的Pareto优化方案数量平均值最大,标准差最小,表明了LFACPSO算法的优越性与鲁棒性。     

带条件风险约束的发电商最优投标模型及计算

采用条件风险(CVaR)作为风险度量指标,建立了双层优化的发电商投标模型,上层解决社会效益最大和风险最小问题,下层解决发电商利润最大问题,设计了启发式粒子群算法(PSO)求解该复杂的双层优化模型.在4节点2机系统和9节点3机系统进行了实验,说明该模型和算法具有较好的计算效果和时效性,通过实验数据比较显示CVaR比VaR更准确地度量了发电商的风险.     

基于MAPSO优化LSSVM的锅炉燃烧建模研究

针对锅炉燃烧系统智能算法建模,为克服标准粒子群(PSO)优化算法对最小二乘支持向量机(LSSVM)模型参数进行优化时容易陷于局部最优解的缺点,提出一种改进型的蚂蚁?粒子群算法(MAPSO)对LSSVM模型参数进行优化.根据模式搜索的"探测"思想,通过与蚁群算法移动规则的结合改进粒子群算法,增加粒子群算法的小步长局部搜索...     

基于信用迁移的贷款组合多目标优化问题研究

针对现有研究大都仅对单个目标进行优化的现状,提出一种优化决策模型,即将企业信用风险迁移引入到贷款收益率的计算中,以限制资产数目、决策变量上下界等为约束条件,建立组合投资的收益最大、同时方差风险最小的优化决策模型。该模型是一个混合0-1变量的多目标规划问题,提出求解该模型的一种自适应改变惯性权重的离散粒子群算法,数值结果表明该算法是有效的,模型是合理的。     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

基于粒子群优化及高斯过程回归的铅酸电池荷电状态预测

为了提高铅酸电池荷电状态(SOC)的预测准确率,该文提出一种基于粒子群优化的高斯过程回归(PSO-GPR)算法。该算法的核心思想是通过粒子群优化(PSO)算法来解决高斯过程回归(GPR)模型中的超参数优化问题。PSO-GPR首先随机生成一个粒子群,群中的每个粒子包含对应的GPR超参数信息。随后执行如下迭代步骤:根据当前每个粒子的超参数信息训练对应的GPR模型并评估该模型的性能,结合适应度函数和每个模型的评估结果计算出每个粒子的适应度,并更新每个粒子中的超参数信息;经过多次迭代后,找到粒子群中适应度最小的粒子;最后从该粒子中提取相应的超参数信息,并训练最终的GPR预测模型。在铅酸电池数据集上的实验结果表明,所提方法优于对比模型。     

基于粒子群算法的带有运输衔接的应急物资运输路径优化问题

针对应急物流时间紧迫性及物资需求的特殊性,建立以灾区需求满意度最大和运输成本最小的应急物资运输路径优化调度模型。采用直升机运输与汽车运输分层处理的方式,设计粒子群优化算法进行物资运输和分配决策。数值算例验证了模型及粒子群算法的有效性与稳定性。     

热障涂层加热系统的自适应模糊预测控制

针对航空发动机热障涂层加热过程中的时变、大惯性、滞后以及高度非线性等问题,提出了一种基于T-S模糊模型的广义预测控制策略来控制涂层的温度。首先,针对模糊C均值(FCM)算法容易陷入局部最优的问题,采用自适应遗传粒子群优化(GA-APSO)算法来优化模糊C均值(FCM)算法的全局寻优能力,并对T-S模糊模型的前件参数进行辨识;其次,采用自适应遗忘因子的递推最小二乘法来估计T-S模糊模型的后件参数。 最后,根据得到的T-S模糊模型设计模糊预测控制器并进行仿真实验。仿真结果表明,在利用自适应遗传粒子群算法对FCM算法进行优化后,算法的初始适应度值、收敛适应度值以及辨识模型的均方误差都有较大程度的降低,说明改良后算法的全局寻优能力得到了很大提升,对样本的模糊聚类效果也更好。在有干扰的情况下利用PID控制器和模糊预测控制器分别跟踪期望温度,相比传统的PID控制,模糊预测控制的控温精度更高,达到稳定期望温度所需时间更短,仿真结果验证了控制方法的有效性。     

基于混合优化算法的最大功率点追踪方法

针对部分阴影条件下粒子群优化（PSO）算法追踪最大功率点时间较长与功率波动大的问题,提出一种基于万有引力与粒子群混合优化(GPSHO)算法的最大功率点追踪（MPPT）方法。该方法将万有引力搜索算法引入粒子群算法,在迭代过程中通过调节PSO算法的惯性权重、认知因子和社会因子提高算法的收敛速度,实现追踪全局最大功率点。仿真与实验结果表明:该方法能够在不同光照情况下精准地追踪全局最大功率点,其搜索速度大约比基于自适应惯性权重粒子群(APSO)算法的MPPT方法快１倍,功率振荡亦更小。     

具有随机扰动机制的改进QPSO算法及其应用

针对原始量子粒子群优化算法(QPSO)在面对复杂多模函数时容易出现早熟和收敛精度低的 情况,提出了一种具有随机扰动机制的改进 QPSO 算法(MQPSO)。在改进算法设计时,首先借鉴了遗传算 法中交叉算子的思想,并结合随机扰动操作,对单个粒子的历史最优位置和全局最优位置进行了重新设定, 以增强算法在迭代后期的收敛性能,同时维持种群的多样性;其次,对QPSO算法中的重要参数收缩-扩张因 子,进行了非线性调整,以提高算法的全局收敛速度和精度。 通过8个测试函数,将 MQPSO 算法与4个现有的改进算法从平均值、标准差和最好取值三个方面进行了对比;进而根据中国证券市场中 15 只股票的历史 数据,分别运用粒子群优化算法、量子粒子群优化算法、布谷鸟搜索、蝙蝠算法和 MQPSO 算法对一类具有最小最大风险的投资组合优化模型进行数值求解。实验表明:MQPSO算法无论在基准测试中还是在仿真应用上,其计算结果在收敛精度和稳定性方面均优于其他群智能算法。     

基于PSO-BP神经网络的红外无损检测缺陷定量识别

为解决红外无损检测缺陷定量识别困难的问题,提出了一种粒子群算法(PSO)优化反向传播(BP)神经网络的缺陷定量识别方法。以最佳检测时间与最大温差为模型的输入,孔洞缺陷的深度与直径大小为模型的输出,建立粒子群优化的BP神经网络缺陷定量识别模型。使用ANSYS软件对带有平底孔洞缺陷的金属平板进行脉冲热分析,提取金属平板检测表面的最大温差与最佳检测时间,作为神经网络模型训练与检验的数据样本,使用神经网络进行预测。计算结果表明:预测值的最大误差为5.5%,最小误差为1%,证明了粒子群优化BP神经网络方法进行红外无损检测定量识别的可行性。     

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.     

最小收益风险模型在水库发电调度中的应用

为了在水电站水库优化调度中能对调度方案风险的大小进行量化,应用离散时间、非时齐马尔可夫决策过程,建立了水库中长期调度发电收益最小风险模型,以整个调度期发电收益未超过预先给定目标值的风险(概率)最小为优化准则.考虑到水电尽可能在高电价时段运行以获取更大利润,通过对电力系统的典型日负荷过程分析,确定水电厂时段收益电价与出力的函数关系.与期望发电效益最大模型相比,该模型适合需要对风险有直接限制的决策制定,以体现决策者的意愿或风险偏好.采用随机动态规划法对模型进行求解,并以三峡水电厂为实例,对所建立的模型进行检验,结果表明:该模型有利于水电厂调度人员作出风险决策,并实现水电厂的优化运行.     

基于改进粒子群优化的BP神经网络图像压缩方法

为了改善反向传播(BP)神经网络算法过度依赖初始参数,导致网络收敛速度慢,容易陷入局部极小值的问题,提出利用改进的粒子群优化(IPSO)算法,对BP神经网络的参数进行优化,找出合适的初始权值和阈值。该文算法在基本粒子群优化(PSO)算法中增加了基于四分位数的选择策略,引入遗传算法的自适应变异概率作为扰动概率,加入基于个体自身适应度值与种群平均适应度值比值的自适应扰动策略。该文算法IPSO-BP对训练图像Lena、测试图像Cameraman和验证图像Peppers效果都有明显的提高,经过IPSO-BP训练的模型峰值信噪比(PSNR)和均方误差(MSE)明显好于惯性权重线性递减的粒子群优化-反向传播(LDWPSO-BP)、基于动态加速因子的粒子群优化-反向传播(PSO-DAC-BP)、基于正态分布衰减惯性权重的粒子群优化-反向传播(NDPSO-BP)、自适应变异粒子群优化-反向传播(ADVPSO-BP)、遗传算法-反向传播(GA-BP)以及天牛须搜索-反向传播(BAS-BP),PSNR在7种算法中最大,MSE在7种算法中最小。虽然IPSO-BP在图像Lena上的压缩率(CR)小于PSO-D...     

基于混合粒子群法的RLV上升段轨迹优化

针对可重复使用运载器(RLV)轨迹优化问题,提出了一种混合粒子群法(HPSO).算法采用改进粒子群算法与序列二次规划法相组合的优化方法,应用了一种新的粒子群划分方案,引入调节搜索速度的时变惯性因子,改进了速度和位置的更新策略.给出了上升段轨迹优化问题的飞行运动学方程、发动机模型、气动力模型、约束条件;确定了优化设计步骤,包括配点离散、多邻域改进PSO、HPSO混合策略;并对最小燃料消耗问题进行了优化分析.计算结果表明:HPSO算法在没有合适初始值的情况下,仍能得到满意的全局最优解,具有正确性、高效性和鲁棒性好等优点,可以很好地解决RLV轨迹优化问题.     

氧化锆陶瓷车削刀具几何参数的多目标优化

通过氧化锆车削试验测得切削力和刀具磨损量,以工件材料去除量与刀具磨损量的比值作为刀具利用率的量化指标.采用粒子群算法改进BP神经网络,并以此对单因素试验值进行训练预测.采用最小二乘拟合,建立刀具利用率和切削力关于各刀具几何参数的一元模型,以相关系数检验模型的可靠性.基于一元模型,分别提出了刀具利用率和切削力关于刀具几何参数的多元模型.利用粒子群算法结合正交试验值对多元模型进行优化求解,并通过验证试验证明了多元模型具有较高的精度.将多元模型作为目标函数,以刀具利用率最大和切削力最小为优化目标,基于粒子群算法进行了刀具几何参数的多目标优化,验证试验结果表明优化得到的刀具几何参数是合理的.     

基于假设检验的NLOS确定及最小残差定位算法

针对室内非视距传播会降低定位精度的情况,提出基于假设检验的NLOS确定算法,并在此基础上提出基于粒子群优化算法的最小残差定位算法.通过联合信号接收强度模型和到达时间模型,利用假设检验的方法确定当前信号是否受到非视距污染.仿真结果表明,与标准差分析法相比,所提出的方法具有计算量小、不需要太多的传播模型参数等特点,具有较高的正确率.在确定信号传播环境后,在非视距干扰比较严重的情况下,提出了基于粒子群优化算法的最小残差定位算法,定位精度优于加权最小二乘法和Fang氏算法.     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。     

PSGO-BP在股票预测中的应用研究

反向传播算法有容易陷入局部最小点、收敛速度慢的问题,为了克服这些缺点,在粒子群优化算法中,引入遗传算法中的克隆算子和变异算子,得到一种改进的粒子群遗传优化算法(PSGO),建立一种PSGO优化BP神经网络模型.利用该模型通过matlab编程仿真对证券市场指数和股票收盘价进行预测研究,试验结果证明了该方法的有效性和可行性.     

基于动态自适应PSO算法的GM(1,1)融合预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b是两个关键的参数,其对模型的预测精度有较大的影响.在分析GM建模原理和参数对模型精度影响的基础上,提出了一种基于动态自适应粒子群算法的灰色GM融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用改进的粒子群优化算法来求解模型的相关参数.实例分析表明:与传统的GM(1,1)模型相比,动态自适应粒子群优化算法与GM融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型更具优势.