基于PSO-Elman模型的网络流量预测

针对网络流量的混沌性特点以及传统神经网络处理网络流量预测问题易陷入局部极小导致预测精度不高的问题,提出在相空间重构基础上,采用粒子群算法(PSO)优化Elman神经网络初始参数的网络流量预测模型。首先对网络流量时间序列进行相空间重构,将重构后的流量序列作为模型的输入;再利用PSO算法全局搜索能力对Elman神经网络初始参数进行优化;最后利用训练好的Elman神经网络对网络流量进行预测。仿真结果表明,相比其他流量预测方法,基于PSOElman模型的网络流量预测提高了预测准确率。     

一种改进的ELM及其在光伏发电上的应用

为了改善极限学习机(Extreme Learning Machine,ELM)收敛速度慢、预测精度不稳定、隐层神经元对网络参数敏感度低等缺点,文中提出了粒子群(Particle Swarm Optimization,PSO)并行模拟退火(Simulated Annealing,SA)优化ELM的算法(APSO-ELM)。该算法首先通过对ELM随机产生的初始权值和阈值进行优化,进化出较优解,然后对每组解进行模拟退火,从而提高算法摆脱局部极值点的能力,最后将优化退火后的解集,用来预测ELM的输出。算法仿真结果表明:改进的ELM可有效解决粒子群寻优过程易陷入局部最优的问题,其预测精度、收敛速度、隐层神经元的敏感度均优于其他常见ELM扩展算法。将改进的ELM应用在光伏发电输出功率预测上,可以预测光伏发电输出功率的变化规律,精度较高。     

基于PSO-RBF神经网络的海战场电磁态势预测

针对海战场电磁态势的预测问题,提出一种基于改进粒子群(PSO)优化径向基函数(RBF)神经网络的海战场电磁态势预测方法。该方法使用自适应惯性权重、模拟退火法和遗传算法对常规的粒子群算法进行改进,提高算法的搜寻精度和速度,并采用改进粒子群算法优化RBF神经网络参数,提高网络的学习效率和预测精度。最后,对海战场电磁态势值之间的非线性映射关系进行仿真预测。实验结果表明,该方法可以有效地提高海战场电磁态势的预测精度,具有较好的适用性。     

基于PSO算法的系统可靠性优化分析

提出了将粒子群优化算法(Patticle Swarm Optimization Algorithm,PSO)用于求解系统可靠性优化问题,建立了系统的可靠性模型,分别采用遗传算法(Genetic algonthm,GA)和PSO算法进行了优化仿真,结果表明采用PSO算法和GA算法都能实现系统可靠性优化,但是相比之下PSO算法的计算精度和求出最优解的概率更高,需较少的迭代次数,能更稳定的求解最优解,而且没有求解早熟的弱点,因此PSO算法更适合于系统可靠性优化。     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。     

粒子群算法优化神经网络结构的研究

针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法（DePSO）和二进制粒子群优化算法（BiPSO）,同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。     

基于混合PSO小波网络的网络异常检测

提出一种用新型的进化学习算法训练的小波神经网络(WNN).这种新型的进化学习算法是基于粒子群算法(PSO)和共轭下降法(CG)提出的.以往,将粒子群算法用于神经网络的训练一般是可行的.因为粒子群算法相比于其他的优化算法,具有相对简单的结构和快速的收敛速度,然而,由于粒子的搜索坍塌速度过快而导致粒子停滞这种潜在的危险.粒子的持续停滞使搜索结果很难达到全局最优,甚至会陷入局部最优.为了克服粒子群算法缺点提出了改进的混合算法.通过对KDD 99数据集的实验表明,利用新型混合算法训练的小波神经网络对于异常检测具有很高的异常检测率并且又较低的误判率.可见,该方法对于网络异常检测是有效的.     

基于模拟退火菌群-RBF神经网络的甲醇净化CO_2含量软测量模型

为了解决菌群优化(BFO)算法易陷入局部最优,趋化操作中翻转方向不确定的问题,利用模拟退火(SA)算法在获得局部最优解的情况下能够以极大可能趋向于全局最优解的特点,提出模拟退火-菌群优化(SA-BFO)算法。同时,将改进后的算法用于优化RBF神经网络,建立基于甲醇净化CO2含量的软测量模型。仿真结果表明该模型具有更高的精度和准确性,对甲醇生产量的提高具有一定的贡献价值。     

自适应变系数PSO-RBF算法及其在预测工程的应用

RBF神经网络对于非线性预测具有较好的效果,但是其存在容易陷入局部最小值以及收敛速度慢等缺点,研究一种自适应变系数PSO算法对RBF神经网络的初始参数进行优化,之后由RBF神经网络对粒子群算法优化后的网络参数进行精细优化,从而提高神经网络的稳定性以及收敛效率和精度等。自适应变系数PSO算法主要是将自适应递减和递增因子以及自适应调节惯性权重算子策略引入到常规的PSO算法中,从而改进算法在搜索空间中的遍历性,提高寻找全局最优解的概率,提高收敛精度和效率。最后,以炼钢过程中的煤气消耗量与钢铁产量的非线性关系作为预测实例进行研究,使用结果表明,研究的基于自适应变系数PSO-RBF神经网络的预测模型具有很好的预测能力,能够在预测工程中发挥较大的作用。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

基于混合优化算法的纳米薄膜参数表征

为了在椭圆偏振测量过程中得到精确的纳米薄膜参数,提出了一种求解纳米薄膜参数的混合优化算法。结合人工神经网络算法反向传播和粒子群算法快速寻优的特点,建立了改进粒子群-神经网络(Improved Particle Swarm Optimization-Neural Network,IPSO-NN)混合优化算法。该算法在较少的迭代次数下具有快速跳出局部最优解的能力,从而快速寻找椭偏方程最优解。文中使用该算法对标称值为(26.7±0.4)nm的硅上二氧化硅纳米薄膜厚度标准样片进行薄膜参数计算。结果表明:采用IPSO-NN混合优化算法计算薄膜厚度时相对误差小于2%,折射率误差小于0.1。同时,文中通过实验对比了传统粒子群算法与IPSO-NN算法,验证了IPSO-NN算法计算薄膜参数时能有效优化迭代次数和寻找最优解的过程,实现快速收敛,提高计算效率。     

基于模拟退火思想改进的粒子群算法求解背包问题

针对典型的背包问题,给出了一种基于粒子群算法的求解方法。考虑到粒子群算法在解决问题时容易陷入局部最优的缺点,将模拟退火（SA）思想引入到了粒子群算法中,得到了粒子群——模拟退火算法。该算法保持了粒子群算法原有的简单易实现特点,同时改善了粒子群算法易陷入局部最优的缺点。实验结果表明,该算法具有较好的求解质量。     

粒子群神经网络用于电磁兼容预测

为了更好地对电磁兼容进行预测,提出采用人工神经网络的方法。传统的BP神经网络易于陷入局部最优,因此采用粒子群算法对网络权值进行优化。以平行线间电磁耦合干扰为具体算例,证明本算法的预测结果的均方误差仅有10-4数量级。因此,使用PSO优化网络权值的方法有效,且神经网络模型能准确预测电磁兼容。     

两阶段动态多粒子群协作优化

为了解决粒子群优化（Particle Swarm Optimization,PSO）容易陷入到局部最优的问题,提出一种两阶段动态多粒子群协作优化算法.算法中包含一个主粒子群和多个从粒子群,每个从粒子群都搜索部分问题域,主粒子群协调各从粒子群向最优解收敛并获得搜索到的最优解.在第一阶段,在粒子少的问题域产生新的从粒子群,从而确保粒子比较好地覆盖问题域.在第二阶段,删除同一子区域中位置重叠的从粒子群,减少搜索时间.用五个测试函数与两层粒子群优化（Two-layer Particle Swarm Optimization,TLPSO）进行了比较,结果表明此算法能在高维多峰函数优化时获得更好的解.     

引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.     

中心粒子群优化算法

在线性递减权重粒子群优化算法(LDWPSO)中提到了中心粒子这一概念,进而提出了中心粒子群优化算法(中心PSO)。在线性递减权重粒子群优化算法中,中心粒子不像其它一般的粒子,中心粒子没有明确的速度,并且被始终置于粒子群的中心。此外,在神经网络训练算法中比较中心粒子群优化算法和线性递减权重粒子群优化算法,结果表明:中心粒子群优化算法的性能优于线性递减权重粒子群优化算法。