基于SAPSO优化灰色神经网络的空中目标威胁估计

针对目标威胁估计有很多不确定性的特点,分析了传统目标威胁估计方法和灰色神经网络初始参数随机选择的不足。采用模拟退火改进的粒子群算法代替梯度修正法,对网络参数初始值进行寻优,并通过该方法搜寻到的最优粒子,建立了基于模拟退火粒子群算法优化的灰色神经网络模型,以提高预测模型的稳健性和精确度。与灰色神经网络和没有改进的粒子群灰色神经网络等方法进行比较,仿真实验结果表明,模拟退火粒子群优化的灰色神经网络具有很好的预测能力,可以准确地完成空中目标威胁估计。     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

预测RNA二级结构离散粒子群优化算法

根据RNA二级结构预测问题实质和基本粒子群优化算法特性,提出一种离散粒子群优化算法模型.定义该模型中一个可变集合搜索空间,设计了基于此空间粒子群速度与位置更新公式及运算规则.采用局部精英粒子优化策略解决了粒子群算法易陷入局部最优的问题.实验结果表明,该算法在收敛速度和精度上都具有较好的性能.     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

基于粒子群优化的非线性预测控制算法的特性分析与仿真研究

介绍了基于粒子群优化的非线性预测控制算法(PSO-NPC)的基本原理和算法流程。通过仿真实验,分析了预测控制和粒子群算法参数对PSO-NPC控制性能的影响。针对基于预测误差的单目标优化的PSO-NPC常规算法不足之处,提出了粒子群多目标优化的非线性预测算法。仿真结果表明,提出的算法是正确有效的。     

基于粒子群算法求解GM(1,1)模型参数的研究

探讨用粒子群优化算法求解GM(1,1)模型参数a,b,将用该参数建立的GM(1,1)模型与最小二乘法建立的GM(1,1)预测模型进行了效果比较.实例验证结果表明:对于较平缓变化数据序列,2种方法建立的GM(1,1)模型拟合还原精度相差不大,粒子群算法稍优;对于非平缓变化数据序列,经粒子群算法优化参数后,模型精度显著高于最小二乘法;灰色关联度分析表明,粒子群算法优化参数建立的GM(1,1)模型拟合序列几何形状上更接近原始序列.     

基于粒子群优化的投影寻踪聚类模型及其应用

投影寻踪聚类分析是根据设计的投影指标函数,并在相关约束条件下进行问题优化分析的过程.给出了用于求解投影指标函数的粒子群算法,并将构造的模型应用于森林承载力评价.仿真实验结果表明:与基于遗传算法优化的模型比较,基于粒子群优化的模型简单、容易实现并且没有许多参数需要调整;在应用上,基于粒子群优化的模型可获得更优的解,并可预计模型在森林承载力评价中具有重要的应用价值.     

基于粒子群算法的水资源需求预测

针对南昌市未来水资源需求预测问题,提出了基于粒子群算法的水资源需求预测方法.以南昌市历史人口、经济和水量需求数据为基础,构造了线性、指数和混合预测模型,利用粒子群算法对预测模型进行优化以确定模型参数.仿真实验结果表明,3种模型都能获得较好的预测精度,其中混合预测模型效果最好,预测精度达到97. 71%.     

基于改进微粒群优化的电力负荷生长曲线预测模型

在现有文献研究的基础上,对生长曲线预测法作了进一步改进,提出了基于改进微粒群优化的电力 负荷生长曲线预测模型,通过在电力负荷实例中的应用,并与基于微粒群优化的电力负荷灰色预测模型进行了效果 比较,验证了基于改进微粒群优化的电力负荷生长曲线预测模型具有很好的预测精度和通用性。     

基于灰色粒子群算法的可靠性稳健优化设计

为提高车辆零部件的安全性和稳健性,应用可靠性稳健优化设计理论和多目标决策方法,将车辆前轴的可靠性稳健优化设计转化为多目标优化问题。运用灰色理论中的关联分析法,选取粒子群算法中的全局极值和个体极值,提出了适合可靠性稳健优化设计中多目标模型求解的灰色粒子群算法。与传统方法相比,该方法更能迅速准确地得到车辆前轴的可靠性稳健优化设计信息。     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

自适应粒子群算法在非线性回归中的应用

采用自适应算法调整粒子群的权重,优化非线性回归模型的参数,并将其应用于酶促反应的参数求解。与线性化、非线性最小二乘以及标准粒子群的结果比较表明,用自适应粒子群求解的非线性回归方程有更高的精度。     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

基于鱼群优化预测模型的变压器可靠性预测研究

介绍了变压器故障和油中溶解气体的关系及三比值法。分析了鱼群优化算法的原理以及模型的误差检验,针对传统灰色GH（1,1）预测模型中背景值构造的问题,采用鱼群算法对模型参数进行优化。应用Matlab进行编程,通过实例分析将鱼群优化灰色预测模型与三比值方法相结合对变压器的未来故障做了预测,得出了与实际较吻合的预测结果,验证了鱼群优化灰色预测模型的有效性。     

基于量子行为粒子群算法的航空瞬变电磁拟二维反演技术

传统的确定性反演算法严重依赖初始模型,易陷入局部极小值中,导致最终反演结果偏离真实模型。粒子群(PSO)算法作为一种随机性反演算法,具有较强的跳出局部极小值的能力,但是仍存在早熟收敛和收敛速度慢等问题,限制了该算法在二、三维电磁反演中的发展。针对上述问题,首先提出采用量子行为粒子群(QPSO)算法代替传统粒子群算法,将量子在势阱中运动规律引入到粒子群算法中,使得粒子可以出现在势阱内任何存在概率分布的位置上,有效地克服了由于群体的聚集性所导致的早熟收敛问题。此外,采用拟二维反演算法代替传统二维反演算法,使得反演模型参数维度下降,寻优过程中局部极小值个数将大幅度减少,显著提高粒子群算法的收敛速度,但是在粒子群中开展拟二维反演时,传统的正则化参数的寻优过程将浪费大量计算资源。结合量子行为粒子群算法中各测点的全局最优粒子在粒子群进化过程中的重要地位,采用α-Trimmed方法开展相邻点间全局最优粒子模型参数光滑约束,实现粒子群算法快速横向约束反演。最后将量子行为粒子群算法拟二维反演技术应用到含噪全航空瞬变电磁仿真数据处理中,反演结果与原始模型具有较好的一致性。     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

基于粒子群算法的深基坑岩土力学参数反分析

运用人工神经网络对深基坑岩土参数进行反分析时,将粒子群算法与BP算法融合,充分发挥了粒子群算法全局寻优的能力和BP算法局部细致搜索优势.实例证明,应用该方法可提高模糊优选人工神经网络的训练效率,预估的岩土力学参数合理.