基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

基于粒子群优化算法的灰色模型在电力负荷预测中的应用

传统的灰色预测模型GM(1,1)在预测增长速度较快的电力负荷变化时,预测精度会大幅下降。针对GM(1,1)的这一局限性,本文引入了粒子群优化算法与传统的GM(1,1)相结合来求解灰色模型中的参数。通过对三组不同电力负荷的实例仿真,证明该模型在预测增长速度较快的电力负荷时具有较高的预测精度。     

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.     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征,通过正态云发生器对量子粒子群优化算法（QPSO）进行改进,提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究,定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式,给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO,OPSO,CVCPSO,CMAQPSO 4种算法进行对比测试,实验结果表明,CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

基于改进粒子群算法的BP神经网络优化研究

研究了基于粒子群算法的BP神经网络优化问题,将改进的粒子群优化算法用于BP神经网络的学习训练,并与传统的BP网络进行了比较.结果表明,将改进粒子群优化算法用于BP神经网络优化,不仅能更快地收敛于最优解,而且很大程度地提高了结果的精度.     

基于免疫粒子群神经网络的短期预负荷测

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,提出了基于径向基（RBF）神经网络的短期电力负荷预测模型．采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值．综合考虑气象、天气等影响负荷因素进行短期负荷预测．仿真试验表明,该方法同传统RBF神经网络相比,具有较高的预测精度,同时具有较强的实用性．     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.     

一种基于粒子群优化的极限学习过程神经网络

本文针对过程神经元网络(Process Neural Network,PNN)模型学习参数较多,正交基展开后的梯度下降算法初值敏感、计算复杂、不易收敛等问题,结合极限学习机(Extreme Learning Machine,ELM)的快速学习特性,提出了一种新型的极限学习过程神经元网络.学习过程中摒弃梯度下降算法的迭代调整策略,采用Moore-Penrose广义逆计算输出权值矩阵.同时为弥补极限学习机由于随机赋值造成的不足,利用粒子群算法(Particle Swarm Optimization,PSO)良好的全局搜索能力进行模型参数优化,获得紧凑的网络结构,提高了模型泛化能力.仿真实验以Henon混沌时间序列和太阳黑子预测为例,验证了网络的有效性.     

一种有向传感器网络改进粒子群覆盖增强算法

优化传感器网络覆盖对于合理分配网络的空间资源、更好地完成信息感知和采集任务、提高网络的生存能力都具有重要的意义。在分析传感器节点有向感知模型的基础上,提出了一种有向传感器网络改进粒子群覆盖增强算法。该算法针对随机部署有向传感器网络,以网络区域覆盖率为优化目标,采用改进的多步式位置可选择更新粒子群优化算法,通过调整传感器节点的主感方向,减少网络感知重叠区和感知盲区,实现覆盖增强。仿真实验表明,该算法简单、高效,优于传统的覆盖增强算法。     

一种有向传感器网络改进粒子群覆盖增强算法

优化传感器网络覆盖对于合理分配网络的空间资源、更好地完成信息感知和采集任务、提高网络的生存能力都具有重要的意义.在分析传感器节点有向感知模型的基础上,提出了一种有向传感器网络改进粒子群覆盖增强算法.该算法针对随机部署有向传感器网络,以网络区域覆盖率为优化目标,采用改进的多步式位置可选择更新粒子群优化算法,通过调整传感器...     

一种改进的粒子群优化算法

针对粒子群优化算法在迭代后期容易陷入局部最优、收敛速度变慢,精度降低、计算效率变差等缺点,提出了一种改进的粒子群优化算法.此算法通过引入惯性权重来调节粒子的速度变化,动态变化的学习因子来平衡粒子的社会学习能力和自我学习能力.通过测试函数检验,结果显示该算法能够有效摆脱局部最优,整个收敛速度明显变快,精度大幅提高.     

改进的粒子群算法及在数值函数优化中应用

为提高粒子群算法的优化能力,提出了一种改进的粒子群优化算法。在该算法中,采用Beta分布初始化种群,采用逆不完全伽马函数更新惯性权重,在速度更新式中,引入了基于差分进化的新算子,对于粒子的越界处理,采用了基于边界对称映射的新方法。以50个不同类型的数值函数作为优化实例,基于威尔柯克斯符号秩检验的测试结果表明,该算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和量子行为粒子群算法。     

一种改进的粒子群优化算法

标准粒子群算法能够解决各类优化问题,得到了广泛的应用,也引起很多研究人员的关注.为了提高全局搜索能力,使其不易陷入局部最优,提出了一种新的优化策略.首先,采用了佳粒子的概念,每次更新时,对所有粒子进行排序;然后,在此基础上,对所有的粒子进行评估,衡量每个粒子是否可以保留;最后,删除那些不符合保留要求的粒子,同时生成相应数目的新的粒子,以保持种群的规模,从而提高种群的整体适应性能.实验数据表明,新算法提高了算法的性能,具有更好的全局性能.     

一种改进的粒子群优化算法

提出了一种改进的PSO(粒子群优化)算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项,积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,在该算法中粒子行为是基于个体极值中心点和全局极值点确定的,这使得粒子能够获得更多的信息量来调整自身状态。用3个基准函数对新算法进行了实验,结果表明新算法优于已有的一些改进PSO算法。     

改进的粒子群算法在翼型优化设计中的应用

建立了多目标风力机翼型型线优化模型,并采用改进的粒子群优化算法对多目标风力机翼型型线进行优化,设计出4种不同厚度的性能较好的风力机翼型。对CQUA18和CQUA21两种新翼型的气动特性与相同厚度典型的风力机翼型进行对比分析,结果表明,该翼型具有良好的气动特性,对翼型的前缘粗糙度不敏感,在主要攻角范围内,光滑和粗糙条件下,新翼型的升力系数和升阻比都要高,其气动特性具有显著的提高。     

基于改进粒子群算法排课问题研究

排课问题属于背包问题中具有重要实用价值的一类优化组合难题,描写了如何利用粒子群算法解决排课中的多种冲突.但由于粒子群算法有收敛速度慢且易收敛于局部最优的缺点,针对排课问题中最优解的分布特点,对粒子群算法进行了改进.改进后的算法与传统算法相比有着较高的收敛速度和计算精度,可以在解空间内高效地寻找到全局最优解.