基于PSO的DSSAT水稻品种参数优化

农业技术转移决策支持系统（DSSAT）在农业领域的应用越来越广泛，应用DSSAT的首要工作就是估计作物品种参数。GLUE参数估计器是DSSAT自带的参数估计工具，但GLUE参数估计器所估计的品种参数并不总有效，其估计参数的DSSAT模拟精度往往不高。本文利用4个品种水稻的田间实测产量数据，采用对比分析方法，以DSSAT自带的GLUE参数估计器运行结果为参照，将粒子群优化（PSO）的每个粒子视为一组水稻品种参数，在运行PSO算法过程中调用DSSAT模拟水稻产量，依据产量模拟误差和PSO的运行机制修改粒子，从而验证PSO优化DSSAT水稻品种参数的有效性及可行性。研究结果表明：两种算法均能较好识别DSSAT水稻品种参数，但GLUE参数估计器估计参数无效的频次较高；与GLUE参数估计器相比，PSO识别的参数均为有效参数，其优化参数的DSSAT模拟水稻产量的精度更高，标准化均方根误差（NRMSE）处于5.98%~8.78%之间，明显低于GLUE参数估计器的6.89%~18.06%，所模拟的水稻产量也更接近于实测产量。     

基于Pareto蚁群算法和3S技术的灌区水资源空间优化配置

为了解决灌区水资源配置中的信息采集方法落后和多目标模型求解易陷入局部最优等问题,通过伪随机并行搜索和最近邻域选择等策略对Pareto蚁群算法进行改进,然后将Pareto蚁群算法与3S技术耦合,以宁夏银北灌区为仿真对象,利用改进的Pareto蚁群算法计算灌区多目标、多约束的水资源空间优化配置模型,获得最优的井灌水量、渠灌水量、排水量以及最优的经济效益和灌排费用。基于Pareto蚁群算法和３S技术的灌区水资源空间优化配置,能加快算法的收敛速度,获得全局最优解,使优化结果更接近实际,对灌区的水资源宏观调度具有一定的参考价值。     

改进微粒群算法及其在水库优化调

介绍了一种新的集群智能算法—微粒群算法（PSO），该算法具有实现简单、参数少且收敛快的特点。针对其易于陷入局部最优的缺陷，文中通过引入遗传算法中的“杂交”算子，并采用自适应的惯性权重，对原算法进行了改进，并将其应用于水库长期优化调度问题。文中用实际算例验证了该算法的有效性，从而为水库优化调度问题提供了一种新的求解途径。     

基于DP-PSO算法的灌区农业水资源优化配置

针对引水灌区,考虑灌溉用水总量约束和时段可供水量约束,以单一作物非充分灌溉下灌溉制度优化为第一层,区域多种作物种植结构及水量分配为第二层,分别采用动态规划和粒子群算法求解,建立了基于DP-PSO算法的灌区农业水资源优化配置模型。针对多重约束问题,提出了一种初始化粒子群的方法,并通过粒子速度的动态变化来保证每代粒子都满足约束,提高了算法的收敛速度和收敛精度。以赣抚平原灌区为对象,考虑降雨和水源可供水量不同步的特点,计算了3种降雨频率、多年可供水条件下的农业水资源优化配置方案。结果表明,基于DPPSO算法的农业水资源优化配置模型合理可靠,为引水灌区农业水资源优化提供了一种新的方法。     

基于混合PSO算法的西北干旱区作物灌溉制度优化设计

在西北干旱地区,由于水资源不足,所以在非充分灌溉条件下研究作物灌溉制度优化设计显得尤为关键.为了得到灌溉制度优化模型的最优解,提出了应用基于自然选择的混合粒子群算法(SELPSO)进行求解,并结合实例,对甘肃省景泰川一期灌区春小麦灌溉制度进行优化设计,优化结果验证了该算法的有效性与可行性.     

粒子群算法的改进及在农业水资源配置的应用

为了合理分配大荔县农业水资源,提高大荔县的农户总收益,建立农业水资源优化配置模型,得到大荔县主要农作物的合理种植面积以及灌水量优化配置方案,解决将大荔县灌区有限农业水资源在不同作物中合理分配的问题,实现总收益最大化的目标.模型求解中使用粒子群算法,对算法同时进行线性递减惯性权值及限速粒子群的2种改进,解决了粒子逃离函数定义域导致程序中断的问题.结果表明:经过优化后大荔县丰水年(降雨频率P=25%)总收益为29.78亿元,平水年(P=50%)总收益为29.75亿元,枯水年(P=75%)总收益为29.50亿元,与优化前的总收益28.98亿元相比均有所增长,水资源更多分配给经济作物棉花,农作物种植面积和水量均实现最优分配.对改进前后的粒子群算法求解进行比较,改进后粒子群算法寻优能力强,结果可靠合理,为区域水资源优化配置提供了新的解决思路.     

基于PSO-PID的拖拉机线控液压转向控制研究

PID控制是典型的控制系统,其核心内容是PID参数优化。为解决拖拉机线控液压转向PID控制参数优化时不能确保得到最佳性能且耗时长的问题,课题组采用了理论分析法及仿真实验法,对线控液压转向系统的模型进行了仿真分析,基于粒子群算法（PSO）优化了PID参数,提出了PSO-PID控制器,并将其控制结果与标准PID进行对比,得出了使整个PID系统性能优异的优化结果。仿真结果表明,PSO算法有效提高了PID参数的稳定性、收敛速度和搜索精度,性能指标更优。     

模拟退火遗传算法在灌溉水量最优分配中的应用

建立了灌区多种作物间灌溉水量的最优分配问题的数学模型，并采用了一种混合式遗传算法——模拟退火遗传算法（SAGA）来求解。该算法不仅保证了全局收敛，而且提高了算法收敛速度和稳定性。应用于某灌区灌溉水量分配优化的实例，显示了该算法的优越性能，为农业水资源管理提供了一种新的思路和方法。     

玛纳斯河灌区库群系统水资源优化

新疆玛纳斯河灌区是我国第四大灌溉农业区，通过分析灌区水资源供需状况，应用大系统分解协调方法，建立以系统缺水量最小为目标函数的灌区库群系统水资源优化调度模型，并进行了模型的求解。结果表明优化调度后可减小供需差额，基本缓解灌区供需水矛盾，更有效地保证灌区的生产需要，为同类灌区库群调度提供借鉴依据。     

基于评价的水资源优化模型适用性比较

为了比较不同目标的水资源优化配置模型在黑河中游的适用性,在充分考虑地表径流随机性的基础上,分别构建以灌区农业水生产力最大、农业灌溉损失最小、净经济效益最大为目标函数的灌区水资源优化配置模型,并引入多指标综合评价法以及熵权法对3个优化模型的配置结果进行综合效应评价．评价结果显示,基于黑河中游水资源利用现状,以灌区农业水生产力最大为目标函数的模型,更适合现阶段黑河中游灌区水资源配置要求．使用灌溉水生产力最大为目标函数的优化模型对有限水资源进行优化后的配水方案整体用水比现状水平年减少了334×108 m3,灌溉水生产力增加了0453 kg／m3,用水成本比实际减少了421×107元．评价结果验证了水资源优化配置模型方案评价的可行性．     

光伏充气膜温室自跟踪发电系统发电量预测

针对光伏充气膜温室自跟踪发电系统提出了一种加入天气预报信息的自适应变异粒子群神经网络的发电量预测算法.首先结合历史发电量数据和气象数据分析了影响光伏充气膜温室自跟踪发电系统发电量的主要因素,建立了加入天气预报的神经网络预测模型,并针对传统神经网络预测模型中基于梯度下降的BP算法收敛慢、易陷入局部最优、训练难收敛等问题,通过自适应变异粒子群算法改进了神经网络.该算法通过将变异环节引入粒子群优化算法,进行隔代进化找到局部最优解.实验结果表明所采用的自适应变异粒子群的神经网络预测算法的全局收敛性能得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题.     

基于粒子群算法的圆柱度误差评定方法

根据最小区域条件，建立了圆柱度误差的数学模型以及优化目标函数和适应度函数，阐述了粒子群优化算法的原理和实现方法，然后根据粒子群算法优化求解。实例表明，该方法对于圆柱度误差评定等非线性优化问题能得到全局最优解，粒子群优化算法的计算精度与其他满足最小条件的计算方法相比略有提高，且参数设置少，计算速度快，可用于三坐标测量机等测量系统的圆柱度误差测量后的数据处理。     

基于模拟退火粒子群算法的水资源优化配置

为了缓解水资源供需矛盾、提高水资源利用率,并在水资源优化配置中探寻新的求解方法,构建了以社会、经济、生态效益为目标的综合评价函数,建立了基于模拟退火粒子群算法的优化配置模型.将模拟退火的思想引入基本粒子群算法当中,解决了粒子易陷入局部极小值的问题.以陕西省渭南市大荔县为研究区域,设置了地表水、地下水、其他水3种水源以及5类不同用水户;利用模拟退火粒子群算法,对该区域2020,2030年2个水平年,3种不同来水水平(P=50%,75%,95%)下的水资源优化配置方案进行了求解.结果表明:在75%的来水下,2020年大荔县地表水、地下水和其他水的供水量分别为19 641.89,12 000.29和8 655.69万m³;2030年的供水量分别为25 936.30,17 345.87和7 685.42万m³.与优化前的供水量相比,节水量分别为333.11和404.76万m³.     

基于改进型PSO算法的汽车转阀参数优化

提出了基于模拟退火(SA)修正的改进型粒子群算法(SA-PSO)的转阀参数优化方法。建立了整车动力学模型、转向系统模型、高速"路感"模型和转阀能耗模型,并对模型进行了验证;给出了低速转向轻便性、高速转向"路感"和能耗的量化指标;提出了以轻便性、"路感"和能耗量化指标的平方和根最小值为目标函数,以各参数取值范围为约束条件的最优化问题;构建了基于模拟退火修正的改进型粒子群优化算法(SA-PSO)的自适应度函数,运用改进型粒子群算法获得了转阀参数的全局最优解;SA-PSO与PSO的优化结果对比表明,SA-PSO的全局收敛性强、收敛速度快;通过优化参数与另外两组参数双纽线、高速中间位置小转角转向、转阀能耗仿真验证了优化方法的有效性和优化结果的正确性,最后分别进行了转阀参数优化前、后的双纽线、高速中间位置小转角转向、转阀能耗试验,结果表明,优化后的转阀使转向轻便性、高速转向"路感"和节能性均得到改善。     

基于IPSO-BP模型的粮食产量预测方法研究

针对粮食产量预测的复杂性,以基本微粒群算法(PSO)为基础,引入繁殖和变异机制,提出一种改进的微粒群算法(IPSO)优化BP神经网络的连接权值和阈值。综合考虑影响粮食产量的有关因素,构建出IPSO-BP的粮食产量预测模型,并以江苏省1978—2018年的粮食产量及影响其产量的10个因素作为数据集进行仿真试验。试验结果表明,与基本PSO-BP神经网络模型及BP神经网络模型相比,基于IPSO-BP神经网络模型获得的2016年、2017年、2018年粮食产量预测结果最优相对误差分别为0.24%、0.25%、0.06%,平均相对误差0.76%、0.67%、0.38%,该模型的预测精度及稳定性大幅提高。     

基于改进粒子群算法的路径规划

传统粒子群算法存在收敛精度低、搜索停滞等缺点,导致机器人路径规划精度低。为了提高路径规划的精度,对传统的粒子群算法进行改进。首先在算法运行的各阶段对惯性权重因子和加速因子同时使用三角函数的变化方式自适应调整,使算法中的参数在算法运行各阶段的配合达到最佳,提高了算法的搜索能力;其次在算法中引入鸡群算法中的母鸡更新方程和小鸡更新方程对搜索停滞的粒子进行扰动,并在引进的方程中使用全局最优解使扰动后的粒子向全局最优解靠近;最后通过函数优化和路径规划两组对比实验,验证了改进算法在问题优化时具有寻优精度高、鲁棒性好的优点。     

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法（PSO）与微分进化算法（DE）都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法（CPSO—DE）,该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法（DE）中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO—DE算法的可行性与健壮性。     

基于粒子群算法的农用轮胎柔性环模型参数辨识方法

轮胎柔性环模型能准确表达轮胎变形,但模型的刚度参数无法直接测定,因此模型刚度参数的辨识成为建模过程中的关键。本文基于轮胎柔性环模型运动学方程,分析农用轮胎固有频率与刚度参数之间的关系,提出基于粒子群算法的柔性环模型刚度参数辨识方法。通过轮胎模态试验获取轮胎固有频率,采用粒子群算法对柔性环模型刚度参数进行辨识。将固有频率的试验值与预测值的平均误差作为评价指标,对比粒子群算法与传统算法及遗传算法辨识结果,结果表明粒子群算法的参数辨识结果精度较高,平均绝对误差为1.67Hz,平均相对误差为1.66%,相较于遗传算法,平均相对误差降低16.16%,运算时间减少93.19%。通过接地印痕试验获取农用轮胎接地角度,结合辨识所得刚度参数,估算轮胎所受到的垂向力,对比垂向力的试验值与预测值,结果表明粒子群算法的参数辨识结果精度较高,垂向载荷估算平均相对误差为1.97%,相对于遗传算法,平均相对误差降低12.05%。