动态权重差异演化PSO优化PID算法在带钢对中控制系统中的应用

以带钢冷连轧对中控制系统为研究对象, 通过分析比较ZN法、遗传算法、标准粒子群优化算法(PSO)以及改进型粒子群优化算法(MPSO)来优化PID控制算法优劣, 最终确定动态权重差异演化的粒子群(MPSO)优化PID控制算法最优, 从而设计了MPSO-PID控制器, 结果表明其能达到系统预期精度要求, 能使系统更快速、更稳定地运行。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

概率积分法预计参数的智能优化选择方法研究

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料作为网络的学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP算法的计算结果进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

PSO-BP网络模型在GPS高程拟合中的应用

文中介绍了一种全局随机优化算法—粒子群优化算法,并将其应用于BP网络模型的参数优化。在基本BP算法的误差反向传播调整权值的基础上,引入粒子群算法(PSO)进行权值修正,建立一个PSO优化的BP网络模型进行GPS高程拟合,并与基于遗传算法优化的BP网络模型(GA-BP)、支持向量机模型(SVM)和基本BP网络模型的拟合结果进行分析比较。结果表明,PSO-BP网络优化模型性能略高于GA-BP网络模型的性能,明显优于SVM模型和BP网络模型。     

基于改进粒子群算法的地应力场反分析研究

地应力场的确定在岩土工程围岩稳定性研究中是非常重要的。粒子群算法优化是近些年发展起来的一种基于群体智能的随机优化算法。通过利用PSO算法理论,提出了一种计算初始地应力场的改进粒子群算法。     

基于人工免疫粒子群算法的提升机卷筒优化

为了对提升机卷筒结构进行优化,通过人工免疫算法(AI)和粒子群算法(PSO)的结合形成人工免疫粒子群算法(AI-PSO),解决粒子群算法的早熟问题,增大了全局搜索能力。借助提升机卷筒质量的数学模型,以卷筒质量最轻为目标函数,分别应用PSO、AI-PSO对提升机卷筒进行优化。结果表明,AI-PSO优化速度更快,优化效果更好,可为提升机卷筒的设计提供参考。     

基于粒子群优化算法的LS-SVM电动机断条故障诊断

支持向量机(Support Vector Machine,SVM)算法是基于统计学习理论的一种新的学习方法,应用于故障诊断技术中,具有训练所需样本少、诊断率高等优点。最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)算法是标准支持向量机的一种扩展,能在保证精度的同时大大降低计算机的复杂性,加快求解速度。该算法的超参数对支持向量机的性能有着重要的作用。因此,采用粒子群优化(Particle Swarm Optimization,PSO)算法对LS-SVM算法寻找最优超参数,进一步提高LS-SVM对电动机断条故障诊断的效率和准确率有着重要作用。实验结果表明,综合PSO与LS-SVM两种算法的优点,可有效减少故障诊断中误判、漏判的发生。     

深度学习耦合粒子群优化SVM的瓦斯浓度预测

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。     

基于改进粒子群的采煤机齿轮箱故障诊断

采煤机截割部摇臂齿轮箱承担着综采工作面截割部动力传动的重任,其故障与否直接影响采煤机正常工作。而传统的故障诊断方法-BP神经网络采用基于梯度下降的算法,存在容易陷入局部极小值、收敛速度慢等不足,这些不足严重影响了BP网络的应用。然而粒子群算法(PSO)有很好的全局收敛特性。因此,为了提高网络的性能,采用粒子群算法来优化BP神经网络,将改进的PSO引入神经网络的拓扑结构,用PSO的迭代代替BP中的梯度修正。结果表明:提出的改进方案可以有效地优化神经网络,提高其在采煤机齿轮箱故障诊断中的应用价值。     

基于粒子群优化算法的WSN节点定位方法研究

为提高无线传感器网络的节点定位精度,将惯性权重的粒子群优化算法应用到无线传感器网络节点定位中。定位方法以未知节点与其邻近锚节点之间的估计距离和测量距离的均方误差为适应度函数,采用基于惯性权重的粒子群优化算法对适应度函数进行优化,从而得到最优解,实现节点有效定位。仿真实验结果表明,与传统的最小二乘定位算法相比,基于惯性权重的粒子群优化算法的定位精度更高,稳定性更好,具有较好的定位效果。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于粒子群优化RBF神经网络的液压钻机故障诊断

提出了一种基于粒子群优化径向基神经网络的液压钻机故障诊断方法。该方法使用虚拟仪器及LabVIEW软件对液压钻机的特征信号进行采集,利用粒子群优化算法对径向基神经网络的径向基中心值、宽度以及权值进行优化,实现了液压钻机的故障诊断。结果表明,基于粒子群优化径向基神经网络的液压钻机故障诊断方法在小样本情况下,诊断准确率高,实用性强。     

基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。     

混合PSO算法优化异步电机矢量控制参数在矿井提升机的应用

在矿井提升机异步电机的矢量控制技术中,对于采用PI控制的电流闭环控制方式,PI控制器的参数的优化尤为重要。利用一种混合粒子群(PSO)算法对异步电机速度控制器的参数进行优化,并与常规控制器参数以及标准粒子群算法优化后的速度控制器参数进行比较,实验结果表明,用混合粒子群算法优化的参数,可以提高系统的控制速度、动态性能,对矿井提升机异步电机矢量控制的研究具有一定的理论和现实意义。     

基于邻域粒子群混合算法的齿轮故障诊断

为了提高齿轮故障诊断的准确性,采用了一种邻域粒子群混合方法。即根据齿轮的故障特征量,利用邻域粒子群算法来优化BP神经网络的权值,并用优化好的BP网络进行故障诊断。实例仿真结果表明,该方法具有较高的故障诊断准确度,具有一定的实用性。     

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中.首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习...     

基于混合粒子群优化算法的矿山生产配矿

为了提高矿山低品位矿产资源的利用率, 确保生产过程中矿石质量的稳定性和均匀性, 建立了一种矿山多目标配矿优化模型, 并将标准遗传算法中的交叉和变异操作与标准粒子群算法融合, 提出求解该优化模型的混合粒子群算法。以国内某地下铝土矿为例, 分别运用混合粒子群优化算法、标准遗传算法和标准粒子群算法3种方法对建立的多目标配矿优化模型进行求解, 通过对比优化结果发现: 混合粒子群优化算法求解的各采区月出矿量完全满足矿山实际生产要求, 而标准遗传算法和标准粒子群算法求解结果存在误差, 分别达到9.92%和14.94%, 且易陷入局部最优值; 从迭代进化曲线可知, 混合粒子群优化算法收敛速度快, 稳定性和鲁棒性较高, 具有一定科学研究和实际应用价值。