改进PSO的WNN模型在短期负荷预测中的应用

针对电力系统负荷预测中实际的负荷数据往往具有极大的波动性,模型呈现出极大的非线性,提出一种改进粒子群优化的小波神经网络模型,将其应用于电力系统的负荷预测研究.首先,分析和介绍了小波神经网络和改进的粒子群算法的基本原理和优点;其次,将改进的PSO算法用于优化小波神经网络的参数优化;最后对改进的PSO-WNN负荷预测模型进行仿真分析.实验结果与传统PSO-WNN的实验结果进行对比,证明改进的PSO能够提高模型的运算效率和负荷预测精度.     

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。     

基于改进PSO算法参数优化的模糊支持向量分类机

借助遗传算法中交叉和选择的思想策略,提出一种改进的粒子群算法对模糊支持向量机的参数进行优化选择.结果表明:该方法能够减少模糊支持向量机参数选择的盲目性,增强了模糊支持向量机的泛化能力,同时也提高了其分类精度.     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

基于粒子群优化算法的神经网络钻削参数优化

神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP或其它梯度算法,导致训练时间较长且易陷入局部极小点,本文探讨用粒子群优化算法训练神经网络,并应用到钻削加工参数优化中,试验表明粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。     

基于改进PSO的高分子材料降解模型参数优化

为提高可降解高分子材料降解模型仿真的准确程度,结合高分子材料降解的实际原则和所要考虑的各种因素,建立了适合优化的参数优化模型,并将粒子群优化算法(PSO)用于模型的求解.针对标准粒子群算法存在的一些不足,提出了一种改进的粒子群优化算法来求解最优值,改进的算法引入了动态自适应惯性权重和异步时变学习因子.采用5个标准测试函数对改进的粒子群算法进行了测试,并将算法应用于参数优化模型的求解.测试与试验结果表明:新算法有效地避免了过早陷入局部最优,提高了收敛速度和收敛精度,并且采用优化所得参数显著地提高了高分子材料降解模型仿真的精准度,有利于揭示降解机理的科学意义和指导实际医用器件的设计与生产.     

基于PSO粒子群算法的PID参数整定优化

PID控制器是一种广泛应用于工业上的一种控制器,但由于传统的PID参数整定过程中一般需要经验丰富的工程技术人员来完成,既耗时又费力,加之实际系统千变万化,对于一些复杂系统存在一定的滞后性、非线性等因素,从而使得PID参数整定有一定的难度。本文基于对PSO粒子群优化算法的研究,对PID参数整定进行设计,考虑种群的规模与速度等因素合理构建系统模型,并且通过Matlab仿真证明了该算法在PID参数整定上的优越性,具有很好的工程应用前景。     

基于改进的PSO算法的神经网络集成

提出了一种新的神经网络集成结论生成方法,即基于可重复采样技术(Bootstrap)的粒子群优化(PSO)算法——BPSO算法,通过限制组合权值的范围来减小“多维共线性”的影响,还利用采样技术构造不同的适应度函数,增加“粒子”的多样性从而便于在一定范围内灵活调节组合权值,并减小噪声对集成的影响．实验表明。BPSO算法是优化组合权值的有效方法,提高了神经网络集成的泛化能力．     

改进粒子群算法在暴雨强度公式参数优化中的应用

本文基于充分的信息共享机制,提出了一种改进的粒子群算法,并将其应用于北京市郊区不同重现期的暴雨强度与降雨历时关系式中参数的优化,与基本的粒子群算法,遗传算法,传统回归法和优选回归法的优化效果进行了分析比较。实例计算结果表明：粒子群算法用于暴雨强度公式中的参数估计精度高于遗传算法,传统回归法和优选回归法的参数估计精度,而改进的粒子群算法的参数估计精度又高于基本的粒子群算法。     

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.     

基于小波网模型的区域供热系统负荷预测

中国的供热系统运行调节中普遍存在由于系统本身的热惯性等因素导致供热量不能实时跟随需求量调整的问题。将小波网络引入热力过程优化运行,通过综合分析系统运行数据间关系,识别供热系统复杂非线性动态特性,建立区域供热系统热负荷小波预测模型。仿真实验表明,该方法在网络规模和预测精度上优于常规多层前馈神经网络。实际运行预测结果表明,该方法辨识精度高,实时性强。     

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.     

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.     

用随机模式和调整机制改进粒子群优化算法

提出一种改进的粒子群优化(particle swarm optimization,PSO)算法,将随机(random)概念与调整(regula-tion)机制导入PSO算法中,既可避免族群搜寻过程中陷入局部最优解,又可提高算法在最优区域局部搜寻的能力.最后用2种复杂程度不同的函数为例,比较了本算法与广被采用的PSO-CF算法的最优化能力.结果显示,算法在搜寻成功率、平均收敛时间及平均收敛代数方面的性能皆优于PSO-CF算法.     

粒子群算法优化神经网络的异步电机转速估计

在异步电机的矢量控制系统中,电机的转速检测是必不可少的,并且转速检测的精度直接影响磁场定向的准确性。讨论了各种无传感器速度辨识方法的特点,利用BP神经网络对异步电机转子转速进行辨识,通过粒子群算法优化使BP神经网络获得更好的网络初始权值和阀值,在此基础上利用Matlab/Simulink建立一个异步电机矢量控制系统,仿真结果表明这种方法能较好地辨识异步电机转子转速,系统具有良好的动态性能,对系统参数变化具有较强的鲁棒性。     

粒子群优化算法在定量结构活性相关性研究中的应用

粒子群优化(PSO)算法是一种新兴的优化技术，该算法简单易实现，可调参数少，已广泛应用于许多研究领域，但PSO在化学中的应用还非常少．介绍了粒子群优化算法和改进的离散粒子群优化算法的基本原理，同时结合作者科研组的工作，将其在化学构效关系研究中的应用给予简述．     

一种基于PSO思想的改进量子遗传算法

文章提出一种基于PSO思想的改进量子遗传算法.将PSO中的合作机制和记忆功能引入到QGA中,构造种群个体与当前最优解的距离参量,根据每个个体与当前最优解距离大小智能地控制旋转角的大小,使旋转角能够根据个体的进化差异选择不同旋转角的自适应调整进化过程,从而使算法始终保持合适的搜索网格,加快算法收敛,同时也可以保证能够收敛...