基于改进PSO算法和集成神经网络的裂解炉在线优化

针对传统粒子群算法(PSO)寻优时易陷入局部最优、后期全局搜索能力下降等不足,提出了基于载波的粒子群算(CWPSO).通过粒子基于载波的搜索和载波扩展精确寻优,较好地克服了上述缺点,且寻优时间明显减少.同时,针对工业裂解炉在线优化要求,采用了权值动态集成的集成神经网络(NNE)对双烯收率进行建模预测,并结合CWPSO算法进行了在线滚动优化.仿真结果表明,该方法对裂解炉的优化效果明显,双烯平均收率有了明显提高.     

基于CSP-BPSO的脑-机接口电极选择

在与运动相关的脑–机接口(BCI)中,安置不必要的电极可能会引入伪迹,不利于特征提取和分类.为此,文中提出一种基于共空间模式(CSP)和二进制粒子群优化(BPSO)的电极选择方法.该方法在提取高区分度特征的同时限制电极数量,并依据CSP滤波器的权值调整初始电极组合的生成概率,以提高BPSO的收敛速度.实验结果表明:采用文中方法,选择少数电极即可获得令人满意的分类精度.     

基于粒子群优化和模拟退火的神经网络优化研究

文章把模拟退火思想引入到粒子群优化算法中,提出一种关于神经网络结构的优化设计方法,用于同时完成对网络结构空间和权值空间的搜索。算法对神经网络的结构和权值进行了优化,删除了网络中的冗余结点和权值,提高了网络的处理能力。实验结果表明,算法能够有效抑制粒子群优化算法不成熟收敛的发生,有效提高前馈神经网络的收敛精度和收敛速度,表现出良好的性能。     

基于权值优化的粒子滤波算法研究

为解决粒子滤波算法中存在的权值退化和实时性差的问题,提出了一种改进的权值优化组合粒子滤波算法(impWOPF),该算法通过对粒子权值设定门限Thershold,剔除权重小于Thershold的粒子,减少不必要的粒子运算,然后对小于粒子群权值均值的粒子进行权值优化组合,以增大小权值粒子的权值,保持了粒子多样性,提高了算法的实时性。仿真结果表明,该算法能够在保证估计精度的同时,有效降低重采样过程中的计算量,有利于实时信号的处理。     

基于CNBPSO算法的需求侧资源计划

为克服二进制粒子群优化(BPSO)算法易于陷入局部极值的不足,在粒子群算法(PSO)的速度更新公式中引入混沌参数与小生境机制,在此基础上提出了一种新的二进制粒子群(混沌小生境二进制粒子群优化,CNBPSO)算法.将新算法应用于两种不同复杂度的负荷削减需求计划问题的求解,均获得了比BPSO更好的中断方案,证实了算法的有效性,新算法具有简单、快速、均衡收敛等优点.     

基于模拟退火粒子群算法的含DG配电网重构研究

含分布式电源的配电网重构是配网优化的重要课题．二进制粒子群算法（BPSO）是解决优化问题的重要算法,首先根据配电网重构的拓扑约束条件,将轮盘赌操作引入到BPSO中,改进了BPSO算法中粒子位置状态更新策略．接着将模拟退火算法中的动态变异机制引入到改进的BP—So中,解决了BPSO容易陷入局部最优的缺点,最终能够快速有效地达到网路损耗最小的目的．选取IEEE69节点系统进行算例仿真,并与现有研究成果进行对比,结果表明该算法在继承了粒子群优化算法简单容易实现的特点同时,使其具有了摆脱局部极值点的能力,能够优化最优解,提高算法的收敛速度,适合解决含分布式电源的配电网重构问题．     

利用种群平均信息的二进制粒子群优化算法

在Kennedy和Eberhart的二进制粒子群优化算法(BPSO)的基础上提出一种利用种群平均信息的二进制粒子群优化算法。新算法利用种群个体极值的平均信息和粒子的个体极值决定粒子当前取值的概率,使粒子可以充分利用整个种群的信息。通过测试函数优化和0—1背包问题,结果表明该算法具有较好的收敛速度和稳定性,求解结果要优于BPSO和一些改进算法。     

神经网络二次集成预测算法研究

针对常用预测算法不同程度地存在泛化能力不足的缺陷，提出了基于神经网络二次集成的优化算法(NNE2-QQ).该算法在第一次集成时采用量子粒子群算法进行个体网络的选择优化，在第二次集成时采用量子免疫算法进行集成结论生成优化，并通过多次迭代自适应寻求个体和权值的最佳组合，实现神经网络二次集成模型的性能最优，最后实验验证了NNE2-QQ算法的有效性和实用性. NNE2-QQ可从海量数据中发现各种因素之间的联系及其规律，为预测判断提供支持.     

一种求解集合组合问题的离散粒子群优化模型

针对变长集合组合优化问题,提出了一种离散粒子群优化模型.该模型将集合的概念和运算引入粒子群优化中,定义了一个可变集合搜索空间,并重新定义了粒子的位置、速度及作用于此空间的运算规则,既保留了粒子群本身的优化特性,又体现了集合组合优化的特点.采用典型的变长集合组合优化问题——背包问题来验证此模型的性能,并与二进制粒子群优化(BPSO)算法进行了对比.结果表明,该模型具有较强的寻优能力和更高的稳定性.     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于BPSO与神经网络的实时P2P协议识别算法

针对互联网中P2P协议以及加密协议无法使用传统方法进行识别的问题,提出一种新的基于会话流统计特征的网络协议识别算法。采用二进制粒子群算法(BPSO)定量选出最能体现不同协议区别的特征子集;并针对BP(Back Propagation)神经网络结构难以确定、易陷入局部极小值等缺陷进行分析,使用粒子群算法对BP神经网络进行优化以提高识别率。实验结果表明:该方法能够有效地从多种网络特征属性中选出最能体现不同协议区别的特征子集,且对于基于UDP协议的网络应用也有较高识别率,经优化后的BP神经网络具有更高识别率。该算法对常见的P2P协议平均识别率达到96%,且能够实时地对网络协议进行识别。     

神经网络紧凑集成模式

在分析现有神经网络集成构造过程的基础上，提出了一种神经网络紧凑集成模式，集成中成员网络的训练和网络组合权重的优化在同一个学习过程中进行，各参数的调整以提高集成泛化性能为目的．与现有神经网络集成模式相比，集成构造过程更加紧凑，它将个体网络生成阶段与结论合成阶段合二为一，并且网络之间的信息交互建立在实时动态的集成结构基础上，保证了成员网络训练与结论合成之间信息传递的始终一致性．为验证该模式的有效性及优越性，采用4种典型的分类数据集对神经网络紧凑集成模式与CNNE、Bagging、Boosting等现有的集成模式在泛化性能上进行了比较，结果表明神经网络集成模式在测试数据集上的错误率降低了8％～16％．     

基于二次选择匹配的神经网络集成构造方法研究

研究12种基于二次选择匹配的选择性神经网络二次集成构造方法.分析了两次集成中所用选择方法的匹配关系及第1级结构中选择性神经网络集成个体的个数对神经网络集成效果的影响.仿真结果表明,通过采用二次选择匹配以及一定的集成个数可以保证个体具有较高的精度、差异度,并减少过拟合对集成结果的影响,提高神经网络的集成精度.     

基于神经网络测试码生成的一个鲁棒算法

针对基于组合电路神经网络模型进行测试码生成,提出了一个对神经元连接权值不敏感的鲁棒算法——改进的遗传算法．它克服了运用概率松驰搜索算法求解测试矢量时,神经元之间连接权值的选择影响测试结果的缺陷,增强了测试码的鲁棒性．该算法对不同的连接权值都能得到满意的测试结果     

基于遗传神经网络的城镇基准地价评估应用——以广西灌阳县为例

提出了一种融合遗传算法与BP神经网络的城镇基准地价评估模型。该模型以正方形网格作为基本评价单元,以遗传算法优化BP神经网络连接权值,以BP神经网络训练样本数据,实现其他网格地价的模拟与预测。结果表明,遗传算法可以有效增强BP神经网络快速学习网络权值能力和克服收敛速度慢、易陷入局部极小值等问题,BP神经网络的网络训练学习与自适应性符合处于动态变化的土地价格发展要求,呈现出广阔的应用前景。     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

粒子群改进算法在配电网故障定位中的应用

为了满足含分布式电源配电网故障定位的要求,对传统二进制粒子群算法进行改进,利用改进二进制粒子群算法(BPSO)解决配电网故障定位问题。改进BPSO初始化随机数采用均匀分布,同时引入收缩因子和线性变换的惯性权重来提升算法收敛于最优解的能力,避免陷入局部最优,提升故障定位的精确性。对算例配电网中的多种故障情形进行仿真分析,包含少量故障信息畸变的情况,诊断结论全部正确。仿真结果表明,改进算法在精确性和收敛速度上均优于传统粒子群算法,对含分布式电源的配电网故障定位具有一定的有效性和容错性。改进BPSO可以满足电网定位对准确和实时性的要求。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.