单纯形微粒群优化算法的改进及其在优化PID参数问题中的应用

实现了对单纯形微粒群优化算法(SPSO)的改进.在利用单纯形法进行局部寻优的过程中,结合一维搜索中的0.618法选取压缩因子和扩张因子,将这一改进的方法应用在PID调节器的参数优化问题中,并进行了仿真实验.实验结果表明:改进后的单纯形微粒群优化算法的寻优过程更为完善,而且收敛速度更快.     

微粒群优化神经网络算法的研究

介绍了微粒群算法的基本原理、特点,分析了常用的BP网络结构,提出了微粒群优化神经网络算法,实验结构表明,该算法优化了神经网络结构,从而提高了神经网络的模式分类性能。     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

烟草提取液浓缩工艺过程建模与参数优化

蒸发浓缩环节直接影响着食品的生产效率,利用CFD软件优化工艺过程参数对提高浓缩效率和提取液品质具有重大现实意义.通过对提取液浓缩过程的预测,结合相关的实验,研究工艺参数与浓缩过程之间的关系.研究结果表明：提供0.04MPa的真空度,将提取液沸点维持在85℃左右较为适合;加热蒸汽从换热管下部输入,从换热管上部输出,温度维持在115℃左右较好;浓缩前应先将提取液预热到一定温度,除去低沸点物质后再通入蒸发器以提高浓缩效率.     

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。     

基于锯齿型微粒群方法的放大器参数优化

针对放大器电路中多种参数的同时优化问题,对微粒群算法进行改进,提出一种锯齿型动态群体数量的微粒群方法,并将其用于放大器电路参数的优化设计.改进的锯齿型微粒群方法中,群体数量在每个固定的进化阶段线性减少,当群体数量减少到给定最小值时,利用交叉操作产生新个体对群体进行补充.此方法不但减少算法的运算量,而且减少因随机操作产生新个体导致平均适应度振荡的弱点.为验证方法的有效性,以放大器参数优化问题为研究对象,在高频条件下建立非线性电路及非线性器件的数学等效模型,利用不同的微粒群方法实现模拟电路的自动设计,对比实验验证方法的有效性.     

面向企业制造执行系统的工作流建模及仿真优化

针对当前制造企业的增效难题,通过对企业制造执行系统(MES)中的业务流程进行工作流建模、仿真和性能分析,以实现包含并行结构的业务流程性能优化.首先,面向具体业务场景提出生产流程的定义,基于Petri网进行工作流建模,并对模型结构的正确性进行检验;其次,对上述工作流模型进行时间维度扩展形成广义随机Petri网(GSPN),然后运用同构马尔科夫链对模型进行动态性能指标分析.最后,运用仿真软件对模型进行参数模拟,并结合相关性能指标对模型中的并行结构进行性能优化.试验结果表明,研究方法为MES的流程构建分析提供了完整支持.     

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GRNN的电火花线切割加工工艺预测

将广义回归神经网络(GRNN)应用到电火花线切割多次切割加工预测中,减少参数选择的盲目性.采用正交试验的方法,进行放电脉宽、脉间、峰值电流、运丝速度、工作液及每次切割的偏移量对切割速度、表面粗糙度的影响试验,将实验数据作为神经网络的训练样本;将误差序列的均方差作为广义回归神经网络性能的评价指标.实验发现:利用GRNN网络的切割速度预测误差小于4％,表面粗糙度预测误差小于2％,预测精度较高,可以有效地指导加工参数的选择.     

基于粒子群优化的SVR算法与BP网络的比较研究

在回归问题上对比研究了基于粒子群算法优化选参的支持向量回归机模型和采用粒子群算法进行训练的后向传播网络的预测性能.     

基于神经网络和粒子群算法的遗传位点与患病信息的关联性分析

基于遗传疾病与某些遗传基因位点存在的较强关联性,并考虑到位点间存在交互作用的情形,提出了关联性最强的位点组合的筛选方法。将每个候选位点组合对应的基于神经网络的预报准确率作为评价标准,用粒子群算法（PSO）通过迭代逼近找出最优的位点组合,并与神经网络权重分析法进行比较。结果表明,由本文方法得到的位点组合预报精度更高,对患病情况有着较好的识别效果,可为遗传疾病诊断等提供参考方法。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于PSO的BP网络在3D动漫造型评价中的应用

针对标准BP神经网络易陷入局部极小值的问题,本文结合全局随机搜索最优解的粒子群优化算法,建立了一种3D动漫造型评价模型,并将其应用到3D动漫造型的生成过程。该模型充分利用粒子群算法的全局寻优特性,优化BP网络的权值和阈值,使网络的均方误差小于或等于目标设定值。实验结果表明,本文方法在保证BP网络能收敛到全局最优解的前提下,加快了BP网络的收敛速度和收敛精度,并在3D动漫造型的进化中具有较好的评价性能,提高了造型的生成质量。     

工业电阻炉多参数能耗建模与预测

电阻炉温度变化存在非线性、大延迟的特点,建立精确的能耗数学模型比较困难.为解决理论建模复杂且不具备实时性的问题,提出了一种基于数据驱动的电阻炉多参数能耗预测方法.首先,通过分析电阻炉工作阶段的能耗特性,建立了电阻炉理论能耗预测模型;然后,利用粒子群优化算法对支持向量回归的超参数进行寻优,建立了基于支持向量回归的多参数能耗预测模型;最后,对比了支持向量回归、高斯过程回归、自适应模糊神经推理系统模型在单参数及多参数条件下的能耗预测结果.实验结果表明,基于粒子群优化下的支持向量回归多参数能耗预测方法具有更好的预测效果.     

基于粒子群优化支持向量回归机的黄金价格预测模型

为了克服神经网络存在的收敛速度慢、容易陷入局部极值等缺点,提出基于粒子群优化支持向量机(PSO-SVM)的黄金价格预测方法,以影响黄金价格的美元走势、世界黄金储备、石油价格等因素为输入,黄金价格为输出.用粒子群优化算法选择合适的支持向量机参数,对支持向量回归机进行训练.应用训练完成的支持向量回归机预测下一年的黄金价格.结果证明,PSO-SVM的预测精度高于BP神经网络,PSO-SVM适用于黄金价格预测.     

基于改进粒子群算法的球磨机运行优化

为了降低制粉系统球磨机的能耗率,对球磨机进行了运行优化的研究.在运行优化过程中,为了获得运行优化的目标模型,运用支持向量回归机对制粉出力进行了软测量建模,实现了制粉出力的在线软计算,得到了制粉单耗的计算模型.在此基础上,将混沌遍历的思想引入粒子群优化算法,提出了一种新的混沌遍历粒子群算法,该改进粒子群算法具有较快的搜索速度及全局收敛的特点.将该改进粒子群算法用于球磨机运行目标的优化从而获得最佳运行参数值.研究结果表明,运用所建立的运行优化目标模型及改进的优化算法可以获得球磨机的最佳运行优化参数,该研究具有重要的工程应用价值.     

液压系统中粒子群优化神经网络权值的控制算法

针对非线性、时变等缺陷导致传统的控制器控制效果较差、不适应电液伺服系统的现象,提出了用于电液伺服控制的基于粒子群优化算法对神经网络的权值进行学习训练的PSO-NN算法。结合电液伺服系统实例分析,用MATLAB仿真得到了输入阶跃信号和正弦信号时,PSO-NN算法的输出曲线以及适应度曲线;为了展示PSO-NN算法的效果,用BP算法仿真了对应输入阶跃信号和正弦信号的输出。仿真结果表明:在电液伺服系统的控制中,PSO-NN算法性能优于BP算法,系统输出具有更好的收敛性和对输入的跟随性,从而证明PSO-NN算法对于电液伺服系统的控制是合适并有效的。     

基于参数优化神经网络的海底油气管道腐蚀泄漏预测

为有效预测海底管道因腐蚀导致的泄漏风险,提出了一种海底管道腐蚀泄漏预测模型,首先采用斯皮尔曼相关系数分析各影响因素间的相关性,随后基于随机森林袋外数据进行各因素的重要性排序,剔除掉相关性较高且重要性较小的因素,利用筛选出的数据建立前馈神经网络和随机森林回归预测模型,并利用粒子群算法对神经网络预测模型的权值、阈值进行了优化,构建粒子群优化下的神经网络预测模型。经分析结果表明：神经网络预测模型在5组随机模型训练中平均绝对误差(MAE)、均方误差(MSE)的平均值分别为1.59、 3.37,均高于随机森林回归预测模型,说明该模型误差较大,但决定系数(R2)较随机森林回归预测模型高0.13,因决定系数越接近于1,模型拟合越好,故随机森林回归预测模型较神经网络预测模型拟合度较差,长期预测误差较高,因此可采用粒子群算法对神经网络进行优化,优化后的模型MAE为0.79,MSE为0.7293,R2为0.9151,可见优化后的神经网络预测模型在保证精度的基础上提高了稳定性,预测效果更优。最后编制了集随机森林回归、神经网络及粒子群优化下的神经网络为一体的多模型管道腐蚀预测软件。为海底管道泄漏风险的精准预测以及高效控制提供了依据,在海洋油气运输安全方面具有重要意义。     

基于遗传神经网络的漏磁非线性回归分析

文章针对人工神经网络易陷入局部极小、收敛速度慢的缺点,而遗传算法具有全局寻优的特点,将二者结合起来形成一种遗传神经网络的混合算法;通过实例分析和统计学检验,表明该算法可以运用于爪极发电机漏磁非线性回归分析中,并且遗传神经网络非线性回归是准确和高效的。     

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。