一种基于量子粒子群算法的模糊c-均值聚类

把QPSO算法与模糊c-均值（FCM）算法相结合提出一种混合模糊聚类算法（QPSO—FCM）,将FCM算法中基于梯度下降的迭代过程用新算法进行替代,能够在一定程度上克服FCM算法易陷入局部极小的缺陷,降低FCM算法的初值敏感度．通过典型的Wine的数据实验结果证明,改进后的新算法具有良好的收敛性,聚类效果也有一定的改善．     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

碳排放约束下的水工隧洞施工机群配置优化

考虑碳排放约束条件,基于水工隧洞施工机群配置优化和碳减排双赢的改进路径,构建基于工期-成本-质量-碳排放量的多目标优化函数；选择模拟退火算法改进后的粒子群算法,参考施工机械台班费用定额和《IPCC国家温室气体排放清单指南》计算施工机械的台班碳排放量；将新型机械配置纳入碳排放因素,建立以工期、成本、质量和碳排放为一级指标和14个二级指标的水工隧洞施工机群配置目标偏好权重评价指标体系,并构建考虑碳排放的机群配置优化模型,以滇中引水工程万家隧洞3号支洞为例开展多目标约束下的施工机群配置优化分析。结果表明:建立的水工隧洞施工机群配置目标偏好权重评价指标体系可以较全面地考量施工机群对环境的影响性；计算得出该施工机群主要碳排放源为隧道多功能作业台车和混凝土搅拌站,碳排放量(以CO2计)达到1 000.kg/台班。改进后的粒子群算法可以有效增强全局寻优的搜索能力,识别施工机械中碳排放关键风险源,模型优化结果与现场施工情况相符,验证了模型的可行性。     

基于多因素粒子群－神经网络算法的短期电价预测

本文提出在神经网络训练中引入基于全局随机优化思想的粒子群优化（PSO）算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。对美国PJM电力市场的实际电价（LMP）进行预测．与传统BP神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,验证了该方法的有效性和可行性。     

内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于生产函数理论的碳排放量模型及应用

为了准确预测经济社会发展及能源消费的二氧化碳排放量(简称碳排放量),提出了基于生产函数理论的碳排放量模型.首先,以生产函数为理论基础,结合碳排放量与经济社会发展及能源消费相关的事实,构建了碳排放通用模型;利用经典的碳排放模型,验证了通用模型模型的合理性.其次,根据我国可能出现的发展情况,以人口、GDP、城市化率、能源强度、能源结构和产业结构等作为驱动因素,推导出适合我国的碳排放系列模型.最后,将国家统计局历史数据和外推法驱动因素数据带入碳排放预测模型中,实现对我国碳排放量预测.结果表明:新碳排放量模型更加符合实际情况;人口、GDP和城市化率是碳排放的主导驱动因素;用新模型预测得出我国碳排放在2027年左右达到峰值,经济社会发展将在2030年前实现脱碳.     

基于混沌粒子群算法(CPSO)在目标选址问题中的分析

基于国土资源有限的情况下,为使兴建的新工厂和设备在空间资源得到合理分配,对兴建的新工厂和设备等目标建立选址模型,并将蚁群算法,粒子群算法和混沌粒子群优化算法应用在该模型中,由模型数据的三种算法而对得到的数值进行对比和分析证实,混沌粒子群算法在目标选址问题上具有更好的寻优效果。     

PSO-MLP模型预测降雨对府河氨氮的影响

为研究白洋淀上游的保定市区降雨径流对府河水质的影响,采用府河2019年、2020年的常规水质监测数据,基于粒子群算法（particle swarm optimization,PSO）和多层感知机（multi-Layer perceptron,MLP）建立PSO-MLP水质预测模型。分别使用PSO-MLP、MLP、一维水质模型进行对比预测。结果表明：PSO-MLP与一维水质模型相比,平均绝对误差相对降低64.5%~74.7%;与MLP模型相比,平均绝对误差相对降低6.6%~12.6%。选取2021年7月的一次典型降雨对府河膳马庙、安州和南刘庄3个控制断面进行预测,表明PSO-MLP泛化能力更强,预测误差更小,优于一维水质模型和 MLP模型。所建立的府河PSO-MLP水质预测模型,可以提前 4 h准确预测府河各断面氨氮浓度,平均绝对误差小于0.3 mg/L,可应用于保定市区降雨径流对府河水质污染的预测预警,避免降雨径流通过府河影响白洋淀水质。     

基于PSO-ELM的建筑物爆破震动速度预测

 针对影响爆破震动速度因素之间复杂的非线性关系,利用粒子群算法（PSO）的全局搜索最优解原理和极限学习机（ELM）处理非线性关系能力,建立了爆破震动速度预测的PSO-ELM 模型。以某地区爆破震动实测数据为例,选取总药量、最大段药量、爆破点与监测点距离、建筑物所在地面震动速度和测点到地面的高度等5 个因素为输入变量,以建筑物震动速度为输出变量。结果表明,PSO-ELM 模型训练值与预测值,测试值与预测值的均方误差分别为0.18 和2.56,平均相对误差控制在6%以内,显示出该模型具有良好的训练精度和泛化能力。对比传统ELM 模型,PSO-ELM 模型不但提高了精度和泛化能力,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,提高了模型的拟合能力,在类似预测工程中有一定的推广价值。     

基于PCA PSO LSSVM的综合管廊投资 估算方法

为有效地解决现有综合管廊投资估算方法的预测精度不高,且预测精度易受样本量大小、特征参数冗余或贫缺等问题,构建一种将主成分分析法（PCA）与粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）结合的综合管廊投资估算预测模型.采用PCA对影响综合管廊投资估算的特征参数进行降维,剔除噪声或冗余数据,以贡献率较大的主成分作为LSSVM的输入向量,综合管廊单公里造价作为LSSVM的输出向量;利用PSO对LSSVM的核函数参数σ与惩罚因子参数C进行寻优,建立基于PCA PSO LSSVM的综合管廊投资估算预测模型,并对测试集样本进行预测.预测结果显示:PCA PSO LSSVM模型平均相对误差为3.28%,满足投资决策阶段对投资估算预测误差的要求（±10%）,且与PCA LSSVM模型、PSO LSSVM模型、GA BP模型和GA SVM模型相比,预测精度分别提高了67.29%,70.52%,48.13%和38.60%.PCA PSO LSSVM模型预测精度高,泛化性能优,可作为综合管廊投资估算的有效预测方法.     

一种优化组合的GM(1,N)模型

针对GM(1,N)模型在模拟与预测方面的不足,提出了GM(1,N)模型的一种优化组合方式.第一步是在原GM(1,N)模型灰微分方程上添加一个扰动因素,然后利用优化的背景值确定相应的新参数;第二步利用“最小二乘法”得到模型白化方程近似解中新的初始条件,进而得到一种新的GM(1,N)模型的模拟表达式实例验证表明,新GM(1,N)模型的适用范围明显拓宽,而且模拟和预测精度均大大提高.     

基于自相关的GM（1，1）与GM（1，N）联合模型优化及应用

分析基于自相关理论的GM（1,1）与GM（1,N）联合模型,将仅适合GM（1,1）模型的数据拓展到适合GM（1,N）模型。用数值积分中的Simpson公式来重建GM（1,1）与GM（1,N）的联合模型,在参数辨识过程中引入累积法,降低线性方程组系数矩阵的条件数,使联合模型求解更加稳定,提高了模拟及预测精度,并且克服了原GM（1,N）模型必须获得预报时刻点相关数据列的值的缺陷,有利于新息GM（1,N）模型的应用。数值实验结果表明,优化后模型数值稳定性好,其系数矩阵的条件数在数值上比通用的最小二乘法有所降低,且模拟平均相对误差也有所降低,预测精度得到提高。     

两类离散GM(1,1)模型及其软件缺陷预测建模

为了拓广离散GM(1,1)模型的应用范围,建立了近似非齐次指数序列的离散GM(1,1)模型,NDGM(1,1)模型和直接离散GM(1,1)模型,即DDGM(1,1)模型,证明了其可以完全拟合非齐次指数序列,最后将两类离散GM(1,1)对软件进行缺陷预测建模,结果显示,DDGM(1,1)模型具有较高预测精度,可以对后续软件开发中缺陷的存在情况做出相应预测.     

优化GM(1,1)模型在江西省GDP预测中的应用

本文详述了优化GM(1,1)模型,并以江西省GDP数据为实例,验证了优化GM(1,1)预测模型可用于经济指标GDP的预测:最后对模型进行了分析。     

残差修正的GM(1,1)模型预测路基沉降量

用普通GM(1,1)模型进行路基沉降预测时,有时会出现较大偏差,甚至完全失效。为此提出了改进措施,引入残差修正的GM(1,1)预测模型,用于高速铁路某试验段路基的沉降预测。工程实例表明,残差修正的GM(1,1)模型的预测精度明显高于普通GM(1,1)模型。在路基沉降预测中有明显的优势,值得在工程中推广应用。     

无偏直接PGM（1，1）模型及其优化

无偏直接GM（1,1）模型在原始数据为纯指数序列时能保持无偏性,但在原始数据为近似指数序列时,不是最佳无偏直接GM（1,1）模型．提出了一种无偏直接PGM（1,1）模型,并以模式搜索法求解最佳权值P,同时由于无偏直接GM（1,1）模型默认经过了初始点,因此对初始值进行了修正,结合具体数据将无偏直接GM（1,1）模型与无偏直接PGM（1,1）模型进行了比较,结果表明无偏直接PGM（1,1）模型优于无偏直接GM（1,1）模型．     

初值修正灰色GM（1，1）模型的等价性

研究了初值修正灰色GM（1，1）模型的等价性问题．通过选取两个不同初始条件X3（1）＋β、β2X（1），分别得到两个初值修正GM（1，1）模型，并证明了它们的等价性；然后，推广初值修正GM（1，1）模型等价性，得到了结论更为一般的、初值条件为X1（f）＋β1和β2X（1）（i）的、两类GM（1，1）模型的等价性．这些结论不仅揭示了不同初值条件的GM（1，1）模型的本质联系，而且为进一步应用GM（1，1）模型提供了更大的选择空间．     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

基于BP神经网络改进的GM（1,N）模型在经济预测中的应用——以河南省经济为例

论文就修正GM（1,N）预测模型的误差,提出了新方法。使用BP神经网络对预测模型的残差进行预测,得到的残差预测值对所建模型的预测值进行残差修正,以减少因子变量预测误差对行为变量预测的影响。实践表明这些改进模型可以有效地提高GM（1,N）模型的预测精度。     

马尔科夫方法修正的灰色模型在我国农村居民人均旅游消费预测中的应用

随着农村经济的发展,日益富裕起来的农村居民已成为国内旅游的一支旅游大军,加强对我国农村居民人均旅游消费的研究,对促进旅游业的发展及促进经济增长具有重要的意义.采用灰色GM(1,1)预测模型对1998年至2009年的消费值进行拟合,并动态模拟2009年我国农村居民人均旅游消费变化态势,再运用马尔科夫状态转移矩阵对灰色GM...