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GA-Adam优化算法的BP神经网络农业灌水量预测模型

针对传统BP神经网络预测农业灌水量时存在易陷入局部最小值、难以选择合适学习率的问题,提出了一种基于遗传算法和Adam算法并行优化BP神经网络的农业灌水量预测模型.该模型利用遗传算法对BP神经网络进行初始权值和阈值的预筛选,然后采用Adam算法来实现学习率自适应于参数梯度不断更新.收集黄河流域陇中片灌溉分区内7个典型灌区...     

改进的多目标粒子群算法在鄱阳湖水资源优化配置中的应用

鄱阳湖水资源优化配置问题是一个多目标优化问题。将Pareto支配关系、精英保留策略、约束主导原理引入到多目标粒子群算法中。针对粒子群算法的容易陷入局部极小值、早熟等缺点,采用了线性变换惯性系数提高搜索的速度和性能,引入遗传算法的变异思想、混沌优化思想避免了陷入局部极小值。应用改进的多目标粒子群算法对鄱阳湖环湖区的水资源优化配置模型进行了求解,得出了一组非劣解集。采用模糊近似理想点法对非劣解进行了评价,得出了鄱阳湖环湖区2030年水资源配置的最佳方案。     

基于改进樽海鞘优化BP神经网络的土壤墒情预测

针对传统的土壤墒情预测方法精度较低、训练周期长的问题,本文对BP神经网络预测模型进行研究,提出一种改进樽海鞘算法优化BP神经网络的预测方法。首先,在标准樽海鞘群算法(Salp Swarm Algorithm, SSA)中引入变异算子增强种群的多样性,提高算法的全局探索能力;同时,采用动态权重调整策略增强局部开发性能,改善收敛速度,在位置更新过程中加入动态权重,进一步平衡全局探索和局部开发能力;其次,考虑到BP预测网络收敛精度低、易陷入局部最优等缺点,将改进樽海鞘算法引入到BP中形成ASSA-BP的预测模型算法,该算法缩短了训练时间、提高了预测精度。最后,将ASSA-BP与PSO-BP、BP不同预测模型进行对比,结果表明ASSA-BP的最优预测相对误差平均值3.37%,绝对误差平均值0.025 8,比BP模型预测误差有所下降。克服了BP预测模型收敛精度低、易陷入局部最优的缺点,具有更好的鲁棒性和预测精度。     

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.     

一种水稻田稻飞虱图像识别的混合算法

BP神经网络方法和粒子群(PSO)方法较常用于稻飞虱图像处理。但是,BP算法容易陷入局部极值且收敛速度缓慢;PSO方法容易实现,而其参数较难合理设置。为此,提出一种基于BP和PSO的混合型算法,应用于稻飞虱图像的识别。算法利用PSO方法来优化BP网络权值,提高训练性能。为了避免PSO方法参数难以设定的缺点,采用了基于均匀设计的算法来设定PSO参数。同时,在稻飞虱图像预处理的关键环节,采用HLS模型实现图像的灰度转换。实验结果表明:与BP算法和PSO算法相比,BP-PSO混合算法识别率明显提高,平均正确识别率达到97%,训练时间降到1s以内,满足算法的实时性要求。     

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。     

模拟退火粒子群优化投影寻踪的渠道防渗模式评价

为了对渠道防渗工程的方案进行优选,采用模拟退火粒子群优化投影寻踪方法对渠道防渗模式进行优化评价.优化粒子群算法,使其在退火过程中接受优解,且还以一定的概率接受差解.同时利用模拟退火粒子群算法在搜索过程中具有概率突跳的能力,有效地避免搜索过程陷入局部极小解,提高了算法的收敛速度和精度.将该模拟退火粒子群算法与投影寻踪结合,建立了模拟退火粒子群优化投影寻踪模型,将该模型应用到灌区渠道防渗模式优化评价中,选取10个指标作为评判因子,提出适合该地区的干渠渠道防渗工程优化模式,其优劣排序依次为方案Ⅳ、方案Ⅱ、方案Ⅲ、方案Ⅴ、方案Ⅰ.研究表明模拟退火粒子群优化投影寻踪的评价模型对灌区渠道防渗模式进行综合评价是切实可行的,模拟退火粒子群优化投影寻踪的评价方法在解决实际问题中展示了其优越性,并取得了良好的应用效果.     

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.     

基于改进的PSO-BP神经网络的参考作物腾发量预测

针对传统PSO算法易陷入局部极值的缺点,提出了一种改进的粒子群算法(ADAPPSO)。该算法通过利用表现为非线性递减特性的自适应惯性权重来有效减少PSO算法在运算过程中出现局部极值的情况。利用ADAPPSO算法对BP神经网络所涉及的一系列参数进行优化,并在此基础上建立ADAPPSO-BP模型对参考作物腾发量(ET_0)进行预测。以商丘地区数据为例,通过平均影响值法(MIV)对变量进行筛选,并在此基础上建立了BP神经网络、PSO-BP和ADAPPSO-BP 3种预测模型。根据相关实验结果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的决定系数R~2分别为0.898 3、0.952 7和0.960 6,3种模型的平均绝对误差MAE分别为0.355 8、0.240 1和0.205 6。3种模型中,ADAPPSO-BP模型的R~2值最大,MAE最小,这表明提出的ADAPPSO-BP模型能够有效地提高ET_0的预测能力。