基于改进粒子群算法的BP神经网络在边坡稳定性评价中的应用

边坡稳定性分析与评价是边坡工程的核心内容,具有高度非线性和不确定性特征。首先,选取了多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、粘聚力、坡角、坡高、孔隙比六个主要影响因素作为土坡稳定性的评价判别指标;然后,采用改进的粒子群算法优化BP神经网络模型,将网络权值和阈值粒子化,通过引入粒子群进化度和粒子群聚合度实现惯性权重的动态变化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而增强算法对非线性问题的处理能力,加快了收敛速度;最后,通过与其它边坡稳定性评价算法进行比较分析,表明了本文研究算法的可行性与合理性。     

基于改进粒子群算法的分布式电源选址定容优化设计

在分析了分布式电源接入对配电网影响的基础上,针对配电网中的关键问题———分布式电源的选址和定容,进行了优化设计.通过构建包含分布式电源的投资运行费用、环境因素、网损费用的目标函数,并考虑潮流约束、电流约束、电压约束、系统容量约束等条件,搭建了分布式电源的模型,采用一种改进的粒子群算法,设计出了分布式电源所处位置及容量.通过仿真分析计算,验证了该方案的正确性和有效性.     

基于PSO-DE混合算法的结构可靠性优化设计

为提高结构可靠性优化设计的效率,利用粒子群优化(PSO)和差分进化(DE)算法的搜索特性,构造一种PSO-DE混合算法,以克服基本PSO算法的早熟问题.将PSO-DE混合算法与结构可靠性优化理论相结合,建立了结构系统失效概率约束下以结构质量最小化为目标的优化模型.算例结果表明:与基本PSO算法相比,文中提出的PSO-DE混合算法提高了收敛速度和计算精度;该算法易于实现,鲁棒性好.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

基于零件库绿色模块划分EHDPSO不确定优化

针对绿色模块划分过程中基本单元本身属性的多样性和其绿色属性的模糊不确定性,研究了绿色设计中包含不确定因素的产品模块划分问题,论述了基于零件库的产品绿色模块划分,既考虑模块之间功能相关性和结构相关性,又考虑零件库中零件本身的绿色属性,以模块内部最大聚合度、模块之间最小耦合度和零件库中零件之间组合绿色度最高为目标函数,建立了产品绿色模块划分的不确定优化模型,提出EHDPSO（十一进制离散粒子群,Eleven hexadecimal discrete particle swarm optimization）方法,求出最优模块划分以及相应各零件库中最优零件记录数。以双梁桥式起重机桥梁作为实例,得出最优编码10,10,10,10,8,8,9,9,9,6,3,库记录数2,1,1,2,1,2,2,1,1,2,2,可得主梁库中记录2、轨道库中记录1、端梁库中记录1和端梁栏杆库中记录2为同一模块,走台库中记录1和走台栏杆库中记录2为同一模块,直梯库中记录2、斜梯库中记录1和司机室平台库中记录1为同一模块,司机室库中记录2和检验平台库中记录2分别为独立模块;三次实验结果均验证其合理可行性,在目前日益丰富的零件供应时代和零件本身因属性各异而需定性处理的情况下,本研究贴近企业生产,具有很好的实用价值。     

粒子群优化结合相关反馈的花卉图像检索

针对花卉图像特性,为平衡花卉图像检索系统的检索精度与速度,提出一种将粒子群优化结合于花卉检索相关反馈的算法.算法以2RGB为花卉图像的颜色模型,选取计算量较小的图像低层特征描述,按用户的满意度对检索结果进行评价,指导反馈过程中粒子的最优运动方向.实验结果表明,该算法能有效提高系统的检索效率.     

水轮发电机组闭环开机特性仿真及优化

针对水轮机转轮叶片裂纹现象,从水轮机调速器的开机规律对转轮的影响角度出发,建立计入非线性环节的电液随动系统模型和基于模型综合特性曲线的水轮机模型,分析按一段直线规律变化的闭环开机特性,提出了考虑水轮机工作水头偏差等因素的综合性能指标,并基于该指标对某水电站机组开机过程进行仿真优化。结果表明,按综合指标优化得到的闭环开机过程有优越的动态性能,减少了开机规律对转轮的影响。     

核矩阵协同进化的震荡搜索粒子群优化算法

针对粒子群算法搜索后期易陷入局部极值的缺点,提出一种基于核矩阵协同进化的震荡搜索粒子群优化(kenel matrix synergistic evolution shock search particle swarm optimization,KMSESPSO)算法,该算法对粒子进行局部与全局结合的震荡搜索,且当整个粒子种群陷入停滞状态时,利用核矩阵对特定粒子组进行协同进化以扩大种群的多样性.实验结果表明,KMSESPSO算法有效提高了粒子的全局搜索能力,既避免粒子种群易早熟收敛,又较好地提高寻优精度、加快收敛速度,且有一定的鲁棒性.     

带非均匀动态变异的改进粒子群优化方法

针对基本粒子群(PSO)算法在前期收敛速度较快和搜索精度差的缺陷,提出了一种带非均匀动态变异的改进粒子群优化方法.该方法通过引入非均匀动态变异算子不但克服了粒子群算法在后期易陷入局部最优的缺陷,而且极大地增强了群体的多样性,进而提高了算法的搜索效率.最后,通过两个复杂多峰函数的计算仿真,其结果表明该方法是非常有效的.     

组合型算法在涡流检测逆问题中的应用

涡流检测逆问题的求解至今仍然缺少成熟的理论体系和快速可靠的算法,是无损检测的难点之一.数值计算结果表明,不同的缺陷参数对缺陷信号的影响有很大不同,如果采用相同逆策略进行重构则会由于收敛速度的不同而导致重构结果误差较大.为此,利用基于共轭梯度法和粒子群算法的组合型算法,对裂纹形状参数和电导率分别进行重构,提高了逆问题求解的效率和精度.数值实验结果验证了新方法的有效性.