基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化(PSO)算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识.该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识.利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明:改进的PSO算法用于岩石蠕变模型的参数辨识是有效的.     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

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。     

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。     

基于粒子群优化的因子分解机算法

因子分解机(Factorization Machine,FM)是利用矩阵分解思路针对推荐系统中数据稀疏情况设计的机器学习算法.传统的FM模型参数是通过梯度下降方法进行优化求解,但针对数据集训练样本较少的情况,梯度下降方法不能保证参数收敛到全局最优.粒子群算法(Particle Swarm Optimization,PSO)是一种快速启发式算法,具有全局搜索的特性.为提高FM模型的表现能力,首先基于PSO算法确定全局最优位置,然后利用梯度下降优化FM参数,本文提出了PSO-FM算法.在数据集Diabetes进行实验对比,结果表明,改进后的基于粒子群的因子分解机算法PSO-FM在模型训练速度和预测准确度上都优于传统的因子分解机FM算法.     

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。     

采用非线性粒子群算法的同步糖化发酵参数辨识

为进一步优化同步糖化发酵(SSF)工艺,在经典发酵动力学的基础上,总结出SSF工艺中的还原糖变化方程,并采用自适应粒子群优化(PSO)算法进行菌体生长、产物生成以及还原糖消耗的模型参数辨识.通过比较分析线性和非线性动态变化惯性权重的自适应PSO算法在动力学参数辨识过程中的优劣,确定了非线性方法的快速收敛特性.结果表明:模型的拟合值与实验数据比较接近,即利用这些模型来反映此SSF过程的机理具有一定的准确性和可靠性;通过非线性动态变化惯性权重的自适应PSO算法进行参数辨识具有一定的可行性和推广性,也为模型参数辨识提供了一种新思路.     

基于组合混沌策略自适应量子微粒群的Volterra核辨识算法

针对非线性Volterra泛函级数的参数辨识问题,提出了一种基于组合混沌策略自适应量子微粒群算法(CCSAQPSO算法)的Volterra时域核辨识方法.该方法在量子微粒群算法(QPSO)的基础上,采用混沌策略分两个阶段对QPSO进行优化,在初始化时以混沌序列初始化种群,在搜索过程中则引入混沌变异机制,利用混沌变异算子空间遍历特性对个体进行变异操作,同时按照各微粒适应度的优劣程度对其进化过程中的收缩扩张系数进行自适应调节,有效避免了早熟收敛现象的发生,提高了算法的全局寻优能力,保证了算法的准确性和精度.最后将该Volterra核辨识方法与基于标准微粒群算法(PSO算法)和QPSO算法的Volterra核辨识方法进行了对比分析.仿真结果表明,提出的方法具有参数辨识精度高、抗噪声能力强等优点,且在全局优化能力和快速收敛能力上都有较大提高.     

一种无刷直流电机模糊比例积分控制器的设计

为克服传统的比例积分(PI)控制器参数整定方法在无刷直流电机控制中存在精度低、抗干扰能力弱等缺点,提出了一种基于粒子群-引力(PSO-GSA)算法的模糊PI控制器设计方法。PSO-GSA算法融合了PSO算法的全局开发能力和GSA算法的局部探索性能,具有更加优异的最优值搜索能力。将PSO-GSA算法用于优化模糊PI控制器的量化因子和比例因子,实现了模糊控制对PI控制器的实时、高精度调节。仿真和实验表明,该方法可以使得无刷直流电机控制有较好的稳定性和鲁棒性,电机转速控制的精度有显著提高。     

基于变邻域搜索改进的冲突解脱粒子群算法

飞行冲突解脱是航空器安全运行的关键,粒子群优化(particle swarm optimization,PSO)算法和变邻域搜索(variable neighborhood search,VNS)算法都可以用于解决飞行冲突,但PSO算法接近最优解时收敛速度降低,VNS算法的全局搜索能力较差。为融合PSO算法全局搜索的快速收敛特性和VNS算法的局部搜索能力,提出了变邻域搜索改进的粒子群优化算法。仿真结果证明该算法能够快速搜索到全局最优解,继承了二者的优势,同时提高了最终解脱航迹的适应值,并减少了收敛时间。     

基于FNO-PSO算法火电机组煤耗模型的参数辨识

本文针对粒子群(PSO)算法存在的早熟和局部收敛问题,结合分数阶神经优化算法(fractional-neuro-optimizer,即FNO),提出一种新的混合PSO算法—FNO-PSO算法.该算法通过FNO算法对PSO算法中的惯性权重进行更新,以保证粒子在搜索空间运动的多样性,降低了PSO算法后期因种群过于密集而陷入局部最优的可能性.最后,通过这种算法辨识火电机组煤耗模型中的参数,并与PSO算法、IPSO算法进行对比,仿真结果显示该混合FNO-PSO算法能够更准确、更快速的辨识煤耗模型中的未知参数.     

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优。最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AFSA-PSO-LSSVM算法模型。实验结果表明,AFSA-PSO-LSSVM相较于PSO-LSSVM和AFSA-LSSVM模型,收敛速度更快、精度更高,验证了方法的有效性。     

采用混沌粒子群优化算法的水质模型参数辨识

提出了一种新的适用于水质模型参数辨识的混沌粒子群优化(LCPSO)算法.与粒子群优化(PSO)算法相比,该算法将Logistic混沌搜索嵌入到PSO算法中,利用混沌变量产生初始粒群,并对子代部分粒子群体进行微小扰动,随着搜索过程的深入逐步调整扰动幅度,以克服PSO算法的早熟、易陷入局部极值等固有缺陷.采用标准测试函数,将该算法与遗传算法(GA)和PSO算法进行比较,证明了其收敛速度和寻优能力的优越性.采用实测水质数据,将LCPSO算法应用于具有一定工程价值和复杂程度的Dobbins-Camp BOD-DO水质模型的参数辨识.结果显示,所得水质数据与实测值误差平方和仅为0.150 3,且相对误差在±0.2%范围内,故该算法可为水质模型的参数辨识提供一条新的途径.     

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力.该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性.利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证.研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求.     

一种改进的T-S模糊模型建模及优化方法

模糊建模是一种有效的非线性系统建模方法,因为非线性系统的复杂性,仍有很多问题难以处理。针对T-S模糊模型,提出了一种改进的建模及优化方法。首先,将快速搜索密度峰聚类和模糊C均值聚类(FCM)算法相结合,使用快速搜索密度峰聚类算法找到聚类个数和初始聚类中心后,再用FCM算法进行聚类;然后,通过最小二乘法辨识结论参数得到初始T-S模糊模型,使用改进的差分进化(DE)算法整体优化模型的结构和参数,获得最终的T-S模型;最后,选择代表性实例,使用MATLAB程序进行仿真分析和比较,验证了本文方法能有效提高T-S模糊模型的辨识精度和速度。     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

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。     

一种无刷直流电机模糊PI控制器设计

为克服传统的PI控制器参数整定方法在无刷直流电机控制中存在精度低、抗干扰能力弱等的不足,本文提出了一种基于PSO-GSA算法的模糊PI控制器设计方法。PSO-GSA算法融合了PSO算法的全局开发能力和GSA算法的局部探索性能,具有更加优异的最优值搜索能力。将PSO-GSA算法用于优化模糊PI控制器的量化因子和比例因子,实现了模糊控制对PI控制器的实时、高精度调节。仿真和实验表明,该方法可以使得无刷直流电机控制有较好的稳定性和鲁棒性,电机转速控制的精度有显著提高。     

一种基于GSA SVM网络安全态势预测模型

针对支持向量机的参数选择问题,结合引力搜索算法(GSA)需要设置的参数少以及全局优化能力强的特点,提出了一种GSA优化SVM参数的网络安全态势预测模型(GSA-SVM)。首先把SVM的参数视作在空间中的物体,并将SVM在该参数下预测产生的预测值和实际值之间的均方误差mse作为目标优化函数,然后GSA通过模拟万有引力规律影响下物体的运动规律不断变化参数,最终找到SVM最优参数。最后根据最优参数建立网络安全态势预测模型。在Matlab平台采用MIT Lincoln实验室提供的DARPA1999数据集进行仿真测试,仿真结果表明:相对于其它预测算法,GSA-SVM提高了网络安全态势预测的准确度,加快了网络安全态势预测的速度,为网络安全态势预测提供了一种新的解决途径。     

规则递归T-S模糊模型及其辨识方法

针对传统T-S模糊模型不能较好描述系统时变特性的问题,提出了一种基于递归策略的动态T-S模糊模型及其辨识方法.规则递归T-S模糊模型在传统T-S模糊模型基础上,增加了具有一定权重的反馈环节,该环节对当前激励强度与前一时刻激励强度进行加权和得到当前时刻新的规则激励强度,从而实现动态递归变化,有效描述了系统的动态过程.为使规则递归T-S模糊模型具有较少的规则数量和较好的泛化能力,前件参数采用一种基于规则激励强度的模糊聚类算法获得,而后件和递归环节参数则采用一种由支持向量机和粒子群优化算法组成的联合辨识方法获得.Box-Jenkins煤气炉的仿真结果表明,规则递归T-S模糊模型及其辨识方法具有较好的动态描述能力,与混合聚类方法相比,均方差降低了1.2％.