基于大爆炸优化算法的结构参数识别

作为一种新颖的优化工具,大爆炸算法（Big Bang-Big Crunch optimization,BB-BC）被成功应用于很多复杂优化问题。结构参数识别一直是结构健康监测的核心问题,利用BB-BC算法进行结构参数识别的研究。该方法的基本思想是通过最小化识别模型与实际结构系统响应的误差,从而将参数识别问题转化成一个多峰值非线性非凸的优化问题,并利用BB-BC算法发现系统参数的最优估计。利用BB-BC算法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了参数识别,并与基于遗传算法（GA）、粒子群（PSO）的参数识别方法进行了比较。结果表明：该方法可以成功地应用于结构参数识别,识别效能更优越。     

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。     

高斯过程回归超参数自适应选择粒子群优化算法

超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。     

基于APSO算法的参数辨识与优化

将自适应粒子群优化（APSO）算法应用在系统辨识和参数优化中,定性地分析系统参数空间范围,把系统辨识和参数优化问题转化为参数空间寻优,利用APSO算法在寻优过程中有效避免局部最优的特点,在整个参数空间内并行寻找获得系统参数的最优解。通过对多种模型的仿真实验研究表明,APSO算法在系统辨识和参数优化问题中优于原有的GA和PSO方法。     

基于量子粒子群优化算法HAPF参数的多目标优化

文章用一种量子粒子群优化算法对混合型有源电力滤波器(HAPF)参数进行多目标优化设计,优化目标包括系统的投资成本、无功补偿和滤波效果等,该算法解决了HAPF系统的参数匹配以及无源、有源容量的分配问题。实验中该算法寻优速度较快,THDU、THDI分别降低到1.9%和2.0%,APF容量仅占混合滤波器容量的8.1%,使HAPF在电能质量综合治理中实现了既有效又经济的目的。     

基于粒子群优化的DCT域盲水印算法

提出了一种基于粒子群优化的DCT域盲水印算法.该算法采用粒子群优化在图像DCT变换域中寻找最优的水印嵌入位置,并综合考虑不可见性和鲁棒性两个数字水印基本要求,以PSNR值和NC值的线性组合为适应度函数.根据粒子群算法得到的最优值,将水印信息嵌入到图像分块的DCT变换的AC系数中.实验结果表明,在满足水印不可见性同时,算...     

基于粒子群优化的DCT域盲水印算法

提出了一种基于粒子群优化的DCT域盲水印算法.该算法采用粒子群优化在图像DCT变换域中寻找最优的水印嵌入位置,并综合考虑不可见性和鲁棒性两个数字水印基本要求,以PSNR值和NC值的线性组合为适应度函数.根据粒子群算法得到的最优值,将水印信息嵌入到图像分块的DCT变换的AC系数中.实验结果表明,在满足水印不可见性同时,算法在噪声,压缩,裁剪等攻击下具有较好的鲁棒性.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

新型工程机械驾驶室悬置系统建模与参数优化

为进一步提高工程机械驾驶室悬置系统的隔振性能,改善工程机械的乘坐舒适性,提出一种包含惯容器的新型工程机械驾驶室悬置系统,该系统由主弹簧、副弹簧、减振器以及新型隔振元件——惯容器等四个基本元件构成。为确定该新型悬置的最优结构参数,基于牛顿运动定律建立了工程机械全浮式驾驶室悬置三自由度动力学数学模型,确定了驾驶室悬置参数的优化目标及约束条件,并采用粒子群优化算法对工程机械驾驶室悬置参数进行了优化。仿真对比结果表明,基于最优参数的新型悬置系统可使驾驶室地板垂向振动加权加速度均方根值由0.42降低到0.33,降幅达21%,工程机械的乘坐舒适性得到了明显提高,研究将为基于惯容器的新型工程机械驾驶室悬置系统分析和改进提供理论基础和技术支持。     

基于混合仿生算法的SVM参数优化

本文提出一种SVM参数优化的新方法.应用遗传算法先对SVM参数进行初步的优化,把得到的优化结果邻近的一段区域再作为粒子群算法的搜索区间进行二次优化,以提高支持向量机的泛化能力,缩短SVM参数寻优的时间.仿真实验表示,该方法在样本数据缺失的情况下,同样具有较好的泛化能力.     

基于BP-PSO的致密气压裂施工参数优化

压裂施工参数优化是水力压裂过程中的重要一个环节。为了精准设计压裂施工参数,达到节约开发成本和增产的目的。首先初选出影响水力压裂效果的参数,再用灰色关联分析法对参数进行排序,然后讨论参数个数对BP神经网络模型效果的影响,最终确定参数个数为10个。利用粒子群算法构建日产气量最优化模型,进而反演出最优压裂施工参数。应用于X区块的97口致密气井,BP神经网络模型准确率为86.52%。对7口井进行压裂施工参数优化后,每口井所有层的总平均增产率为5.57%。该方法具有投入成本低和操作简单等优点,为现场压裂设计提供借鉴和参考,具有一定的实际意义。     

基于粒子群算法的工件三维膨胀变形下转站参数优化

大型航空产品工件受温度变化而膨胀变形等影响,这会对产品的精确数字化测量以及部件对接的精度产生重要影响.该文提出一种工件三维膨胀变形的激光跟踪仪转站参数优化方法,根据工件的三维数模,通过ANSYS有限元热分析计算工件初步热膨胀变形的中心点;建立考虑工件三维热膨胀变形的转站目标优化函数,对种群个体进行随机初始化赋值,并计算...     

露天矿山技术经济参数系统免疫粒子群优化研究

根据露天矿山生产工艺特点,运用自适应模糊推理系统技术建立矿山技术经济参数集成系统模型,应用融合免疫算法、粒子群优化算法的优良性能的免疫粒子群算法优化系统模型参数,并以水泥原料矿山为例,成功实现了露天矿山生产工艺技术经济参数的在线优化问题,为矿山企业数字管理提供了重要参考价值.     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于粒子群算法的多用途船结构优化

建立了多用途船的舱段有限元模型,利用Matlab调用有限元软件,将粒子群算法（PSO）引入复杂船舶结构的优化中,实现了PSO对复杂船舶结构的优化,取得较好的结果,并与遗传算法的结果进行了对比, 验证了PSO用于复杂船舶结构优化的有效性.     

基于随机参数的粒子群优化算法

粒子群优化算法本质上是一种全局随机优化技术,优化性能高但容易陷于局部最优,并且算法性能很大程度上依赖于参数设置。本文对该算法的3个控制参数进行数据实验和调查,分析参数设置对算法性能的影响规律,提出一种改进的粒子群优化算法,该算法在迭代的每一代中,惯性权重和加速系数都是在一定范围内随机产生：ω=rand（0.4,0.7）,C1=rand（0.5,3.0）,C2=rand（1,3.5）。由于该算法的控制参数不再固定取值;而且在一定范围内随机产生,从而增强了算法的多样性和遍历性,能够有效避免算法早熟收敛。通过标准函数的测试,验证了该算法性能优于固定参数粒子群算法和随机加速系数粒子群算法,具有更好的收敛性和稳定性。     

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.     

一种基于遗传算法的模糊神经网络结构和参数优化

提出一种基于遗传算法的三阶段优化策略。在给定初始参数基础上,利用基于十进制编码的遗传算法实现模糊神经网络的结构优化,用基于二进制编码的遗传算法实现模糊神经网络的参数优化。仿真结果表明上述优化策略是有效的。