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.     

光伏充气膜温室发电系统短期功率预测研究

针对光伏充气膜温室发电系统的功率预测问题,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的EEMD-SVM组合预测法。仿真结果表明:和传统预测法相比,利用EEMD-SVM组合预测法进行光伏充气膜温室发电系统功率预测,具有较高的预测精度,能够有效减少对温室机电设备的冲击,对光伏充气膜温室发电系统经济、安全、稳定运行具有一定的参考及应用价值。     

自调节退火粒子群改进算法在水电站厂内经济运行新算法

为进一步改善用于求解大型水电站厂内经济运行一般算法的收敛速度及收敛精度,提出了一种混合优化算法—自调节退火粒子群改进算法(ASAPSO)。该算法以粒子群算法(PSO)与模拟退火算法(SA)的协同搜索为搜索机制,在此基础上加入自调节适应惯性权重参数以平衡算法全局与局部收敛性,并同时引入交叉算子、变异算子以提高解的多样性,克服了算法前期精度低、后期收敛速度慢、易于陷入局部最优等缺点。算例结果表明,较PSO算法、退火遗传算法(AGA), ASAPSO算法在收敛性能方面有明显的提高,能有效解决复杂的厂内经济运行问题。     

基于相空间重构小波神经网络径流式水电站发电量预测

预测径流式水电站发量。针对径流式水电站发电量变化的随机性及水力发电系统的复杂非线性,提出一种基于相空间重构小波神经网络的径流式水电站发电量预测模型,并借助具有全局搜索能力的改进粒子群优化算法对小波神经网络特征参数进行优化,提高模型的精度和泛化能力。结果表明:相空间重构小波神经网络模型的预测平均相对误差约为8.7%,相关系数达到0.81,误差分析指标优于传统神经网络预测模型,在多步预测情形下模型的收敛性和稳定性得到较为明显增强,能够准确进行发电量预测。     

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。     

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.     

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。     

基于SAPSO的梯级水电站中长期优化调度

针对粒子群算法存在早熟收敛现象和后期振荡现象,给出一种动态改变惯性权的自适应粒子群算法。该算法原理简单,易编程实现,占用计算机内存少,能以较快的速度收敛到全局最优解,从而为梯级水电站中长期优化调度问题提供了一种有效的解决办法。     

基于SA-PSO优化神经网络的拖拉机齿轮箱故障诊断

采用模拟退火算法,并融合了遗传算法的杂交和变异思想,对粒子群进行寻优运算,利用优化后的SA-PSO对BP神经网络权值和阈值进行优化.通过对拖拉机变速箱的齿轮故障进行诊断,结果表明,该方法解决了基本粒子群算法迭代速度慢容易陷入早熟问题;同时克服了传统BP算法容易陷入局部最小问题.与传统BP算法和Elman算法比较,在网络性能、收敛速度方面均优于前者,可以推广应用到其他故障模式和特征量之间具有非线性关系的故障诊断领域.     

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RBF神经网络的水轮发电机组故障诊断

由于水轮发电机组受到水力、机械、电气等多方面因素的影响,导致其产生的故障非常复杂,且多种故障类型相互耦合,综合分析了减聚类、模糊 K-Prototypes算法以及改进的粒子群优化（PSO）算法,提出了改进的径向基函数(RBF)神经网络算法,构建了一种新的RBF神经网络模型,并将该模型应用于水轮发电机组的故障诊断中。仿真试验的结果表明,该模型的分类准确率更高,稳定性更好。     

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。     

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。     

元胞多目标粒子群优化算法与其应用

针对现有多目标粒子群算法多样性不佳,难以平衡多目标优化的全局搜索和局部寻优的能力,提出了一种元胞多目标粒子群算法。在分析多目标粒子算法理论基础上,该算法将元胞自动机思想融入粒子群算法,研究粒子之间相互关系和信息传递机制,并提出一种粒子飞行速度控制策略。实验证明,新算法相对于4种比较算法,在求解含有无约束和有约束的多目标优化问题时有更好的收敛性和多样性,将其应用于盘式制动器优化设计,得到的解精度更高。     

基于小波神经网络的切削刀具磨损识别

提出了一种基于小波神经网络的切削刀具状态监测方法,在采集切削加工功率信号的基础上,利用小波分解方法提取反映刀具磨损状态的信号特征量,利用小波神经网络的非线性模型和学习机制,实现刀具磨损状态的在线监测;针对多输入输出问题带来的网络规模大、收敛速度慢等问题,提出应用粒子群算法优化小波神经网络的方法,从而简化小波神经网络结构并加快收敛速度.仿真和应用实例证明,该方法比传统的基于BP的小波神经网络、GA优化的小波神经网络估计准确率高,消耗时间短.     

免疫粒子群算法及其在水库调度图优先控制线优化中的应用

免疫粒子群优化算法（IA-PSO）是将免疫进化算法（IEA）中的免疫信息处理机制引入到粒子群优化算法（PSO）中,利用其特有的免疫记忆机制、浓度选择机制以及免疫接种的原理,改进PSO算法的全局寻优能力,提高收敛速度。利用IA-PSO算法优化水库调度图优先控制线,结果表明：IA-PSO算法收敛速度快,能够收敛到全局最优解。