基于mRMR-IPSO的短期负荷预测双阶段特征选择

电力负荷具有时空多变的特性,受众多因素的影响,在短期负荷预测中较多的输入特征会造成维度灾难,导致模型预测性能不佳,因此选择合理的输入特征集至关重要。文章提出一种新的短期负荷预测特征选择方法——mRMR-IPSO双阶段法。利用最大相关最小冗余（max-relevance and min-redundancy,mRMR）判据对原始特征进行排序,考虑输入特征与输出特征之间相关性和输入特征间冗余性,筛选掉一些排序靠后的特征,初选出对预测效果影响显著的特征子集;采用基于改进的粒子群优化算法（improved particle swarm optimization,IPSO）的搜索策略,以LightGBM模型的预测精度为适应度函数,对初选特征子集进行精选,得到最优特征子集。算例结果表明,所提方法能在对原始特征集大幅降维的情况下提升预测精度。     

基于MPSO-BP的RBF网络自构建学习算法

采用PSO混合编码,提出了一种基于混合MPSO-BP的RBF自构建学习算法。该算法中,每个粒子由整数与实数两部分构成,分别对RBF的基函数个数及相关参数(中心、宽度和输出层权值)进行编码。同时设计了一个特殊的适应度函数,在保证精度的前提下,使网络的结构相对简单,以增强网络的自适应与泛化能力,减少主观因素设计对网络性能的影响。仿真实验表明,相对于RBF其他学习算法,所提算法隐节点少、精度高、泛化能力强。     

基于粒子群算法的非规则LDPC码度序列设计

研究了非规则低密度奇偶校验（low-density parity-check, LDPC）码度序列阈值计算方法,详细讨论了构造具有较高阈值度序列的步骤与约束条件的处理,提出了一种基于粒子群优化（particle swarm optimization, PSO）算法的度序列优化方法。仿真了此方法的寻优效果,给出了一些接近Shannon限的优秀度序列和分析比较。     

基于改进高斯粒子滤波器的目标跟踪算法

针对现有机动目标跟踪中粒子滤波算法的不足,提出了一种改进的粒子滤波方法。该方法在高斯粒子滤波的基础上通过利用当前时刻量测值对量测误差的分布参数进行实时的统计和更新,并以此得到粒子的权值,从而考虑到了量测值对估计值的影响,该方法适合于量测误差分布为高斯白噪声且状态量与量测误差相关条件下的非线性估计。仿真结果表明,与传统的自举粒子滤波(boot trap particle filter, BPF)、高斯粒子滤波（Gaussian particle filter, GPF)以及无迹粒子滤波（unscented particle filter, UPF)相比,该方法具有较高的精度和较少的计算量。     

具有学习能力的FPN在航保系统易损性评估中的应用

基于Petri网模糊推理算法,引入改进粒子群优化算法,使其具有参数学习能力,摆脱系统中众多未知参数对专家和经验的依赖.以舰船航空保障系统为研究对象,建立了基于具有学习能力FPN(Fuzzy Petri net)的系统易损性评估模型,算例佐证了其学习效率及精度.与传统系统易损性评估方法的对比试验表明该评估模型的全面性和合理性,并可推广应用于复杂舰船系统易损性评估研究.     

水库调度PSO优化模型及求解方法

水库优化调度是水资源系统工程的一个典型,其实质是一个非线性的不等式约束优化问题,然而现行的求解方法中针对离散精度和复杂约束处理两个问题一直考虑不足,相关方面的研究也较少。将连续域寻优的粒子群算法引入到水资源系统工程中,建立水库调度的PSO优化模型,避免因离散而引起的寻优瓶颈,并针对传统粒子群算法的趋同性问题和复杂约束问题,提出退火罚函数法和混沌变异因子法,使改进后的粒子群能更有效地解决水库调度问题。通过实例分析,验证该方法的可靠性,为水库调度提供了一种新的求解途径。     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

基于支持向量机元模型的随机鲁棒设计

随机鲁棒设计是一种基于蒙特卡洛仿真的优化设计方法.通常情况下,对于复杂仿真模型的随机鲁棒设计时间开销很大.为减小随机鲁棒设计过程中的时间开销,使用参数最优的最小二乘支持向量机替代仿真模型进行随机鲁棒设计.使用标准粒子群优化算法搜索支持向量机参擞和控制器参数的寻优.通过一个基准测试问题证明了该方法的可行性.     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于动态种群结构的粒子群算法及仿真研究

针对标准粒子群算法易陷入局部最优而早熟的问题,提出了一种基于动态种群结构的粒子群算法。该算法在种群结构中引入小世界网络模型,由于网络模型的演化,使算法具有动态的种群结构,从而保持了种群的多样性。同时为了使粒子尽可能地分布在不同的搜索空间,在网络模型演化过程中考虑了结点的个体价值。为了加快算法的收敛速度,在进化后期采用全局模型粒子群算法。通过对三个经典测试函数优化问题的数值仿真并与其它方法进行比较,结果表明了算法的有效性和实用性。