遗传算法在多模式集成天气预报中的应用

采用实数编码的遗传算法,利用其良好的全局优化特点演化出各模式预报值在集成预报中的权重系数,得出集成预报的模型,实现了天气预报多种模式的集成处理,并利用天津气象科学研究所提供的实际测量数据进行了性能分析和验证,结果表明,利用遗传算法可以实现较好的集成性天气预报.     

利用改进的并行粒子群算法对变分资料同化的研究

近年来,为了提高同化精度和减少同化时间,粒子群算法(PSO)被引入到数值天气预报资料同化中来.粒子群算法虽然令同化精度有所提高,但同化时间仍然存在较大缺陷.基于此,首先设计了一种改进的并行粒子群算法(P2PSO),然后应用于含不连续“开关”过程的变分资料同化中,与时变双重压缩因子粒子群算法(PSOTVCF)和动态权重粒子群算法(PSODIWAF)在同化速度、同化精度和收敛性上进行了比较.实验结果表明,设计的并行粒子群算法在不降低同化精度的同时,将同化时间缩短了一半,在收敛速度上明显优于动态权重粒子群算法和时变双重压缩因子粒子群算法.     

粒子群优化算法中惯性权重改进策略综述

在粒子群优化算法的3个参数中,惯性权重是最重要的参数,它对粒子群优化算法性能的提高起到至关重要作用.因此许多学者对粒子群优化算法中的惯性权重设计进行了广泛研究,目前取得许多成果.本文介绍了基本粒子群优化和标准粒子群优化算法,综述了惯性权重在粒子群优化算法中的各种改进策略.为粒子群优化算法的进一步改进研究提供参考.     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

基于DNPSO的支持向量机的发动机故障诊断

设定了基于粒子序号和粒子邻居数量的动态邻域粒子群模式,并通过田口试验分析了6种测试函数的优化性能,选定了粒子群算法的惯性权重、粒子邻居数量及加速系数等参数的较优渐变模式,建立了具有较为广泛适应性且运算量相对较低的动态邻域粒子群模型.利用该模型优化了支持向量机的惩罚参数和核函数评估参数,在发动机的故障特征识别过程中,通过与BP神经网络及标准粒子群算法优化参数的支持向量机等分类器的比较,动态邻域粒子群算法优化的支持向量机具有较高的特征识别能力和较强的鲁棒性.     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

基于期望生存率的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DAPSO).在该算法中引入期望生存率的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为期望生存率的函数.每次迭代时算法可根据当前粒子群平均期望生存率的大小动态地改变惯性权重,从而使算法具有动态自适应性.对6个典型函数的测试结果表明,DAPSO算法的收敛速度明显优于LDPSO算法,收敛精度也有所提高.     

改进粒子群算法在三维水翼设计中的应用

对基本粒子群算法的权重进行改进,采用非线性权重,使得粒子在整个寻优过程中加速向最优解靠拢,从而快速收敛得到最优解.选取Rastrigin函数和Quadric函数为验证函数,对改进粒子群算法进行验证,改进粒子群算法具有更快更优的搜索性能.将其引入到三维水翼的优化设计中,分别以升阻比和压力分布为优化目标,以三维水翼的升力系数为限制条件,进行迭代优化.优化后三维水翼的升阻比及压力分布得到明显改善,验证了改进粒子群算法在三维水翼优化设计中应用的可行性及有效性.     

基于熵模型的粒子群优化算法

为了改善粒子群算法在解决高维优化问题时易早熟收敛且存在大量无效迭代的问题,提出了一种基于熵模型的粒子群优化(EPSO)算法.通过引入信息熵模型,精确分析了粒子群搜索过程中的聚集特性,将粒子群搜索过程划分为3个阶段进行优化.第1阶段引入粒子迭代熵差,优化调整惯性权重;第2阶段根据粒子群熵值变化,适时重置惯性权重;第3阶段采用截断策略,减少粒子群的无效迭代.实验结果表明,在Sphere、Rosenbrock、Ackley、Griewank、Rastrigin五个标准测试函数中,EPSO算法的求解精度和收敛速度都优于传统粒子群算法、经典粒子群算法、自适应惯性权重粒子群算法以及新的自适应惯性权重粒子群算法,并且减少了算法的大量无效迭代,从而验证了EPSO算法的有效性.     

基于惯性权重自适应改变的混沌粒子群算法

粒子群算法是美国学者受鸟类觅食行为启发提出的一种群体优化算法,在迭代后期易早熟收敛.为此利用混沌运动的随机性、规律性和遍历性的特点对粒子群算法进行优化,提出了一种惯性权重自适应改变的混沌粒子群算法.在算法中对惯性权重进行调整加快算法前期收敛速度,而且加入了变异操作以帮助粒子后期跳出局部极小.最后用测试函数进行仿真实验,结果表明该算法收敛快,寻优能力强,寻优精度高.     

基于改进最小二乘支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集、熵权法、自适应粒子群优化算法与加权最小二乘支持向量机的组合预测模型应用于导弹备件消耗预测的构想。首先阐述了粗糙集、信息熵、自适应粒子群优化算法和加权最小二乘支持机的基本原理,并改进了自适应粒子群优化算法的搜索方式和最小二乘支持向量机的加权方法;然后建立了基于粗糙集、熵权法和自适应粒子群优化加权最小二乘支持向量机的导弹备件消耗预测模型,并分析了其实现过程。实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值。     

变尺度混沌粒子群与小波的地基沉降预测应用

针对粒子群算法易出现早熟,搜索精度低的问题,从惯性权重的确定和算法搜索精度两个方面进行了改进。其中惯性权重由随迭代次数非线性递减函数和一随机扰动项确定,利用这个扰动项的突变性来跳出极小值区域,同时为增加粒子的多样性,提高算法搜索精度,引入了变尺度混沌搜索,并将该方法和标准粒子群算法分别与小波去噪结合,预测地基累计沉降量并做了对比,实验表明本文方法具有良好的全局和局部搜索能力,预测精度高。     

基于组合预测模型的飞机刹车系统性能趋势预测分析

为了对飞机刹车系统进行性能趋势预测分析,提出一种灰色关联分析确定权重的组合预测方法。首先,利用BP神经网络(back propagation network,BP)对刹车片的累积磨损量进行预测,得到网络输出序列与向后预测序列。对于灰色预测(grey model,GM)模型利用粒子群(particle swarm optimization,PSO)对其优化;用粒子群优化灰色模型(particle swarm optimization-grey model,PSO-GM)进行预测得到拟合序列与向后预测序列。在此基础上对BP网络输出序列、PSO-GM(1,1)拟合序列与原始数据序列进行灰色关联分析,确定组合加权的权重。最后对各预测模型的向后预测序列用灰色关联分析法得到的权重进行组合加权,得到最终的刹车片累积磨损量趋势预测值。仿真结果表明,采用灰色关联分析确定权重的组合预测方法具有比单预测模型更好的趋势预测效果,具有对刹车系统性能趋势预测分析很好的实际应用价值。     

多模式集成的RBF神经网络天气预报

针对复杂庞大的多模式数值预报数据,提出一种径向基函数(RBF)神经网络集成天气预报模型.根据天津市预报站点采用的WRF模式、RUC模式等数值预报数据的特点,将多种单模式数据作为RBF神经网络输入,网络输出为集成预报结果.实验表明:RBF神经网络集成预报模型降低了单模式预报误差,更加贴近了真实数据,并且在稳定性和实效性方面均有良好表现.     

组合预测方法在电力系统负荷预测中的应用

组合预测方法是一种性能优越的预测方法.应用最优组合预测和递归等权组合预测方法将自适应滤波模型、灰色模型、指数平滑模型组合在一起进行电网负荷预测,获得了好的预测效果.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

基于粒子群算法的短期电力负荷预测

根据电力负荷的主要影响因素,考虑了休息日和气候因素的影响,建立了基于粒子群算法(PSO)的级联网络短期负荷预测模型.通过粒子群算法对级联网络的训练进行优化,提高模型的运算速度.结果表明,该方法预测精度较高,效果较好.     

基于Kriging代理模型的注塑产品翘曲优化

针对传统的基于CAE的注塑产品工艺优化方法精度不高、效率低,提出了Kriging模型与自适应粒子群算法相结合的集成优化策略.Kriging模型代替CAE分析作为粒子群算法迭代过程中的适应函数,大大减少了优化算法的计算量;同时,通过在粒子群算法中引入自适应惯性权系数,加快了粒子群算法的收敛速度.算例表明,基于Kriging模型与自适应粒子群算法的优化策略可以在小样本情况下获取较高的求解精度,并通过与标准遗传算法做比较,表明该优化策略同时具有较高的计算效率.     

粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

基于相关向量机的中长期径流预报模型研究

鉴于其优越的预报性能,将相关向量机（RVM）应用到中长期径流预报中,并在相空间重构的基础上,建立了基于相关向量机的径流预报模型.该模型首先对径流时间序列进行相空间重构,并以重构后的径流序列作为模型输入;其次,采用粒子群优化（PSO）算法识别模型参数,利用优化所得重构参数验证时间序列具有混沌特性,在模型内循环过程中采用EM算法迭代估计超参数,并将RVM与应用较为广泛的最小二乘支持向量机（LSSVM）和自动回归滑动平均模型（ARMA）进行了比较分析,结果表明该模型具有较好的泛化能力;最后,基于水文过程变化的不确定性、RVM描述输出值的不确定度以及相应概率下的预报区间,使得调度人员在决策中能考虑预报的不确定性,定量估计各种决策的风险和效益.