基于改进粒子群的电水转换关系特征曲线研究

电水转换法是一种经济有效的农业用水计量方法,构建合理的电水转换模型,提出适宜的模型参数优化方法对于提高计量精度具有重要的研究意义。对传统的电水转换模型进行优化改进,并提出了一种基于自适应调整惯性权重和变邻域混沌搜索的改进粒子群的模型参数寻优方法。最后分别采用最小二乘法、粒子群算法、改进粒子群算法进行模型参数拟合,结果表明改进粒子群算法寻优精度更高、有更好的收敛速度,拟合的特征关系曲线能够更真实的反应耗电量和供水量的关系,为农业用水计量设备的研制提供理论基础。     

基于SAPSO的灰色神经网络优化城市林研究

为构建合理的城市生态系统,亟待预测适宜的城市林(城市地带性植被)。城市林的预测是一个复杂的非线性问题,其发展有波动性,选择合理的拟合方法可以提高预测精度。以东北地区的城市林为例进行研究,筛选7个影响城市植被类型的因子,以传统的灰色神经网络模型为基础,用粒子群算法初始网络参数,用模拟退火代替粒子群进行梯度修正,建立基于模拟退火算法(SA)和粒子群算法(PSO)的灰色神经网络模型。实验结果表明,改进后的模型预测拟合精度较高,残差均值为0.13,为城市林的预测提供一条新途径。     

基于改进粒子群与神经网络的机械结合面法向刚度建模

为了提高机械结合面法向接触刚度预测精度,提出一种改进粒子群优化算法,并用改进粒子群算法优化BP神经网络的参数组合,实现了粒子群和BP神经网络相结合的算法模型。将影响结合面法向接触刚度的因素进行了特征分析和定量化描述,并用该算法进行法向接触刚度预测和相对误差分析。计算结果表明,计算准确度可达92%,实现了多种影响因素组合下的机械结合面法向接触刚度的建模。     

基于改进PSO-WNN模型的管网余氯预测研究

针对供水管网余氯浓度随时间序列的变化特性,采用小波神经网络模型对其变化规律进行预测分析。模型借助粒子群优化算法全局快速寻优对小波神经网络特性参数进行优化,克服预测模型网络参数选取可能存在的盲目性,增强了预测模型的全局搜索能力。研究结果表明:采用粒子群优化的小波神经网络模型,在较小数据要求的工况下能进行连续多步预测,相比常规时间序列预测在相应时间尺度内具有较高的预测精度,收敛性和稳定性也得到较明显增强。     

基于海洋捕食者算法优化的长短期记忆神经网络径流预测

为提高径流预测精度,研究提出海洋捕食者算法(MPA)与长短期记忆(LSTM)神经网络相结合的径流预测方法。通过6个仿真函数对MPA、粒子群优化(PSO)算法进行测试,利用MPA优化LSTM隐藏层神经元数、训练次数等关键参数,基于主成分分析(PCA)降维和不降维处理分别建立PCA-MPA-LSTM、MPA-LSTM径流预测模型,利用云南省落却站实测数据对PCA-MPA-LSTM、MPA-LSTM模型进行训练及预测,结果与PCA-LSTM、LSTM、PCA-MPA-SVM、MPA-SVM、PCA-MPA-BP、MPA-BP模型的训练、预测结果进行比较。结果表明:①MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力。②PCA-MPA-LSTM、MPA-LSTM模型对实例拟合、预测的平均相对误差分别为1.18%、2.35%和1.94%、1.96%,预测效果优于其他6种模型,具有较好的预测精度和泛化能力。③采用MPA优化LSTM关键参数能有效提高LSTM泛化能力和预测精度;数据降维模型的预测精度优于对应未降维模型的预测精度,数据降维处理能有效改善模型的预测效果。     

改进的PSO-SVM模型在大坝变形预测中的应用

支持向量机(SVM)由于理论基础完善,在处理高维度非线性问题中,表现出了许多特有的优势。因此,支持向量机模型在处理大坝变形预测问题时具有明显的优越性,且常采用粒子群(PSO)算法对SVM模型的惩罚参数C和核函数σ进行寻优,但是标准的PSO算法存在早熟收敛以及易于陷入局部极小值等缺陷。引入柯西分布函数和密度函数,根据函数变化的性质对标准PSO算法中粒子位置和速度的更新公式进行改进,有效提升了算法的寻优性能。运用改进后的PSO-SVM模型对水布垭面板堆石坝的面板挠度变形进行预测分析,并与SVM模型、标准PSO-SVM模型的预测结果进行对比,结果显示,改进的PSO-SVM模型的拟合效果和预测精度都更加优秀,为进行大坝变形预测工作提供了一种性能优良,精度较高的预测模型。     

涑水河流域生态环境需水量计算和预测

基于涑水河的特点,提出了适合于涑水河河道的干旱和半干旱流域需水预测模型,探讨了自适应变尺度粒子群-RBF神经网络模型在需水预测中的可能性。结果表明,涑水河流域需水量与自适应变尺度粒子群-RBF神经网络模型预测结果相当接近。     

NAR神经网络的应用与检验——以城市居民生活需水定额为例

NAR神经网络具有反馈和记忆功能,其在时间序列的建模仿真方面具有显著优点。以城市居民生活需水定额为例,采用NAR神经网络建立了贵州省城市居民生活需水定额的时间序列模型,通过试验法、留一法交叉检验讨论了模型相关输入参数的计算与选取,通过相关系数、Nash效率系数、LBQ检验、ROC曲线方法检验了模型的性能和预测结果的精度,进而对贵州省城市居民生活需水定额变化趋势进行了预测。结果表明,(1)NAR模型性能良好并具有较高的预测精度,NAR神经网络的相关系数r、Nash效率系数分别达到0.97、0.87,LBQ检验得出预测结果误差不存在自相关性,采用预测结果绘制ROC曲线,其AUC值达到0.938(处于水平1,有较高准确性);(2)需水定额合理性评价中,预测2020年、2030年需水定额分别为137.72 L/(人·d)、132.94 L/(人·d),满足《室外给水设计规范》(GB50013—2006)的要求,具有较好的适用性。     

基于PSO-RVM-ARIMA的大坝变形预警模型

为克服支持向量机对核函数需满足Mercer条件的不足,学者们将相关向量机RVM引入大坝安全监测模型。为进一步提高RVM模型的预测精度,首先通过粒子群算法PSO对RVM的核参数寻优,再利用ARIMA模型对PSO-RVM模型的拟合残差项进行预测修正,建立PSO-RVM-ARIMA模型。通过实例分析,PSO-RVM-ARIMA模型的预测精度和泛化能力较RVM模型均有一定程度的提高。     

线性递减权重粒子群优化投影寻踪模型及应用

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,为了有效地控制粒子群算法的全局搜索和局部搜索,提出了将线性递减权重引入到粒子群优化算法中.该算法是从随机解出发,通过追随当前搜索到的最优值来寻找全局最优解,增加了粒子群算法的局部搜索能力.将其算法优化投影寻踪模型,以此构建了线性递减权重粒子群优化投影寻踪模型,将该模型应用到土坝护坡模式优化评价中,选取9个指标作为评判因子,提出适合该地区的土坝护坡优化模式.结果表明:线性递减权重粒子群优化投影寻踪模型可以有效地找到最佳投影方向,计算投影值,根据投影指标值的大小可对方案进行优选.利用该模型对土坝护坡模式进行综合评价是切实可行的.该算法以其实现容易、精度高、收敛快等优点,并且在解决实际问题中展示的优越性,在工程优化领域具有广泛的应用前景.     

混沌粒子群算法在新安江模型参数

流域水文模型由于受到众多因素的影响导致结构复杂、参数众多,大多数参数都有明确的物理意义,理论上可根据其物理意义直接定量,但实际上由于缺乏观测数据支持,往往需要通过系统识别的方法推求。因此,积极开展模型参数识别技术的研究和应用从而得到合适的参数对模型推广应用及提高应用精度都有很重要的意义。采用由粒子群算法和混沌优化方法结合的混沌粒子群算法对水文模型参数进行优选,该算法对局部最优解在搜索空间上进行混沌迭代优化,改善和提高了基本粒子群算法的全局寻优性能和收敛速度。在新安江水文模型参数优选的应用结果表明,该参数优选方法比传统参数优选方法更易快速的收敛于全局最优解。     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。     

混沌粒子群算法在新安江模型参数优选中的应用

流域水文模型由于受到众多因素的影响导致结构复杂、参数众多,大多数参数都有明确的物理意义,理论上可根据其物理意义直接定量,但实际上由于缺乏观测数据支持,往往需要通过系统识别的方法推求.因此,积极开展模型参数识别技术的研究和应用从而得到合适的参数对模型推广应用及提高应用精度都有很重要的意义.采用由粒子群算法和混沌优化方法结合的混沌粒子群算法对水文模型参数进行优选,该算法对局部最优解在搜索空间上进行混沌迭代优化,改善和提高了基本粒子群算法的全局寻优性能和收敛速度.在新安江水文模型参数优选的应用结果表明,该参数优选方法比传统参数优选方法更易快速的收敛于全局最优解.     

膜计算粒子群算法改进极限学习机的水肥预测模型研究

针对灌溉系统水肥预测计算复杂、预测精度不高、实时性不强等问题,提出膜计算粒子群算法改进极限学习机(MCPSO-ELM)的水肥预测模型。为提高极限学习机的泛化能力和预测精度,引入粒子群算法与膜计算进行优化,利用粒子群算法的高效率搜索能力与膜计算的平行计算优势,大幅度提高收敛速度和搜索精度,不断迭代优化ELM网络的连接权值和阈值以提高预测精度,种群多样性有效解决全局搜索和局部寻优之间的平衡。建立PSO-ELM、WPSO-ELM、IPSO-ELM和MCPSO-ELM四个模型进行对比试验,MCPSO-ELM模型的预测误差小于30 m~3/hm~2,MAPE为2.0%,预测曲线与水肥实际用量曲线最为接近,预测性能明显优于其他模型。本文提出的MCPSO-ELM能够获得更高的预测精度、更好的预测效率和稳定性,可以为智能灌溉系统提供可靠参考。     

基于传感器信号融合和PSO-LSSVR的刀具磨损预测研究

最小二乘支持向量回归模型能有效地构建特征与刀具实时磨损间映射关系,但受限于自身参数的复杂性,无法获得最优模型性能,同时由于单个传感器的局限性,难以全面反映刀具磨损的多维信息。为进一步提升刀具磨损预测精度,提出一种基于多传感器信号融合并利用粒子群算法优化参数的最小二乘支持向量回归模型的刀具预测方法。通过对采集的传感器信号进行小波降噪,提取可用于反映刀具磨损的多域特征,并通过核主成分分析法对多域特征进行降维融合,采用经过粒子群算法优化参数的最小二乘支持向量回归模型构建融合后特征与刀具磨损的映射关系。通过公开数据集进行的实验,表明该模型具有较高的预测精度,验证了所提出预测方法的有效性。     

粒子群参数自适应调整的优化设计

在分析粒子群优化原理基础上,引入模拟退火机制以一定的概率对部分粒子的速度及位置执行更新操作,建立了粒子群惯性量权重因子及学习因子的模糊逻辑控制器以实现粒子群参数的自适应调整,从而提高优化算法的收敛速度及获得全局解的能力.通过运用常规优化方法、遗传算法及参数自适应调整的粒子群优化方法对起重机结构主梁截面优化设计对比可知:采用粒子群参数调整的优化方法具有自适应能力强、计算效率高及优化设计精度高等优点.     

基于混合策略粒子群算法的含水层参数确定

将混合策略粒子群优化算法用于分析无限延伸含水层和直线隔水边界含水层条件下的抽水试验数据,求解含水层参数,为预估含水层参数提供一种新的方法。这种混合算法是将紧凑度的思想融入到粒子群优化算法中,加强算法的局部搜索能力,结合调度系数的控制,提高算法寻优精度及收敛速度,再通过一定小概率的约束,提高全局搜索能力,构造混合策略粒子群优化算法。这种混合算法能够有效解决原算法收敛速度慢,精度差和易陷入局部极值的问题。实验结果表明,混合策略粒子群优化算法是可行的含水层参数估计方法,并且具有精度高,收敛性好,稳定性好等优点。     

基于支持向量机的水稻净光合速率预测模型

利用线性核函数、多项式核函数、径向基核函数和S型核函数,通过粒子群算法优化支持向量机中的惩罚参数c和gamma值,使用主成分分析对影响水稻净光合速率的影响因子进行特征提取,建立水稻净光合速率的支持向量机预测模型。试验结果表明,通过粒子群算法设定惩罚参数c为10,gamma值为0.904,通过训练集的训练,得到P_RBF预测模型,其对水稻净光合速率的预测效果最佳,预测精度达83%以上。     

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%。     

对称结构Stewart机构位置正解的改进粒子群算法

根据杆长约束条件,建立了求6-DOF对称结构Stewart并联机器人机构位置正解的无约束优化模型.针对标准粒子群算法容易陷入局部极值、进化后期收敛速度慢等缺点,提出了一种基于差异度评价指标的改进粒子群算法--自适应变异粒子群算法.为克服随机算法不易求出并联机构全部位置正解的缺点,采用分层搜索自适应变异粒子群算法求并联机构位置正解中的优化问题.数值实例表明,对于对称结构Stewart并联机器人机构位置正解问题,改进粒子群算法能求出全部装配构型,且收敛速度较快、精度较高.