基于SAPSO算法的非线性预测控制方法研究

神经网络模型在非线性系统预测控制中得到广泛地应用,但是存在预测控制律难以求取的问题,文章提出模拟退火粒子群优化(SAPSO)算法来进行优化求解。在对PSO算法与SAPSO算法进行分析的基础上,采用SAPSO优化算法对神经网络预测控制策略进行了优化,再通过仿真实验对PSO算法与SAPSO算法的预测性能进行了比较。仿真结果表明SAPSO优化算法能有效减少迭代次数、提高收敛精度。     

协同进化算法及在软测量建模中的应用

综合基本微粒群优化算法（Particle Swarm Optimization,PSO）和模拟退火（Simulated Annealing,SA）算法,提出了一种新型的协同进化方法（SAPSO）。通过PSO和SA两种算法的协同搜索,可以有效地克服微粒群算法的早熟收敛。用SAPSO训练神经网络,并将其用于延迟焦化装置粗汽油干点和高压聚乙烯熔融指数的软测量建模。与几种常见建模方法比较,结果表明该软测量模型具有更高的测量精度和更好的泛化性能,能够满足现场测量要求。     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

基于SAPSO-LSSVM的蛋白质模型质量评估

针对传统蛋白质模型质量评估没有考虑同源信息的问题,提出了一种基于LS-SVM评估蛋白质模型质量的方法。首先,综合模拟退火(Simulated Annealing,SA)算法跳出局部最优解和粒子群(PSO)算法收敛速度快的特点,提出了模拟退火粒子群(SAPSO)算法;然后利用SAPSO算法来优化LS-SVM参数 和 ;最后得到最优模型来评估蛋白质模型质量。实验结果表明,经SAPSO优化LS-SVM参数所得到的评估预测误差较小,且预测值更稳定。     

基于PSO-RBF神经网络的电机轴承故障诊断

提出了一种基于PSO-RBF神经网络的电机轴承故障诊断方法.针对RBF神经网络泛化能力方面的不足,利用PSO算法对RBF神经网络的参数进行优化,然后采用优化后的PSO-RBF神经网络对轴承的故障形式进行诊断.结果表明, PSO-RBF神经网络的分类效果较好,在故障诊断领域有很好的应用价值.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于EEMD模糊熵和PSO-KELM的NPC三电平逆变器故障诊断

功率开关器件是逆变器的核心部件,但其易发生开路故障,故对其进行故障诊断方法研究很有必要。针对中点钳位型（Neutral Point Clamped,NPC）三电平逆变器功率开关管器件的开路故障,提出一种基于总体经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）模糊熵和粒子群算法（Particle Swarm Optimization,PSO）优化的核函数极限学习机（Kernal Extreme Learning Machine,KELM）的故障诊断方法。首先采样功率开关器件的桥臂输出端的三相电压作为故障信号以区分各种故障类型,然后利用EEMD模糊熵提取故障特征向量,最后将其划分为训练集和测试集送入PSO-KELM中,识别故障类型并输出诊断结果。经MATLAB平台仿真实验得到该方法的故障诊断率超过98%,通过与其他方法的对比实验分析,该方法的有效性与优势得到验证。     

基于模拟退火的并行粒子群优化研究

针对粒子群优化(PSO)容易陷入局部极小，提出将模拟退火(SA)引入并行PSO算法．这种模拟退火并行粒子群算法，结合了并行粒子群算法的快速寻优能力和SA的概率突跳特性，保持了群体多样性，从而避免了种群退化．针对转炉提钒过程是一个复杂非线性反应过程而难以建立终点控制模型的问题，提出了基于模拟退火的并行粒子群RBF网络的辨识模型，优化了RBF核中心个数，从而克服了随机性选择．将该模型用于预测提钒吹氧时间，仿真结果表明预测误差不超过真实值的20％．     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

基于优化RBF网络的提升机故障诊断方法

传统径向基神经网络在全局搜索能力和收敛速度上存在不足,本文将遗传算法和模拟退火算法相结合,利用构造的GA-SA混合算法优化RBF网络结构和权值参数,通过对兖州矿业集团济三煤矿提升机故障数据进行的仿真结果表明,优化网络在有效防止传统网络陷入局部最优的同时显著提高了网络收敛速度和搜索效率,网络故障诊断速度和精度均得到显著提高,为矿井提升机故障诊断提供了一种新方法。     

Fault Diagnosis of Nonlinear Systems Based on Hybrid PSOSA Optimization Algorithm

Fault diagnosis of nonlinear systems is of great importance in theory and practice, and the parameter estimation method is an effective strategy. Based on the framework of moving horizon estimation, fault parameters are identified by a proposed intelligent optimization algorithm called PSOSA, which could avoid premature convergence of standard particle swarm optimization (PSO) by introducing the probabilistic jumping property of simulated annealing (SA). Simulations on a three-tank system show the effectiveness of this optimization based fault diagnosis strategy.     

Melt index prediction by RBF neural network optimized with an MPSO-SA hybrid algorithm

Melt index (MI) is considered as an important quality variable which determines the product specifications, so reliable estimation of MI is crucial in the quality control of practical polypropylene (PP) polymerization processes. A novel MPSO-SA-RNN (modified PSO-SA algorithm and RBF neural network) MI prediction model based on radial basis function (RBF) neural network and artificial intelligent algorithms particle swarm optimization (PSO), and simulated annealing (SA) is presented, where the traditional PSO is modified first and then combined with SA to overcome the inherent defects in PSO and SA, and to achieve better optimization performance. The proposed optimization algorithm, MPSO-SA algorithm, is then used to optimize the parameters of the RBF neural network. Then the network is employed to build the MI prediction model, and the MPSO-SA-RNN model is thereby developed. Based on the data from a real plant, the approach presented above is evaluated and the research results confirm the validity of the proposed model, as well as the advantage of MPSO-SA algorithm to the traditional PSO and SA algorithms in handling optimization problems.     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点.把模拟退火技术(SA)引入到PSO箅法中,提出了一种混合优化算法.混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构.由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法.SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小.混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度.仿真结果表明,混合优化算法的优化性能优于基本PSO算法.     

解决作业车间调度的微粒群退火算法*

针对微粒群优化算法在求解作业车间调度问题时存在的易早熟、搜索准确度差等缺点,在微粒群优化算法的基础上引入了模拟退火算法,从而使得算法同时具有全局搜索和跳出局部最优的能力,并且增加了对不可行解的优化,从而提高了算法的搜索效率;同时,在模拟退火算法中引入自适应温度衰变系数,使得SA算法能根据当前环境自动调整搜索条件,从而避免了微粒群优化算法易早熟的缺点。对经典JSP问题的仿真实验表明,与其他算法相比,该算法是一种切实可行、有效的方法。     

基于改进粒子群优化算法的提升机制动系统故障诊断

矿井提升机制动系统运行的可靠性直接关系到井下工作人员的安全,为了提高其故障诊断的准确度,提出了一种改进粒子群算法优化RBF神经网络的诊断方法,建立了以提升机制动系统的故障特征参数为输入,并以制动系统的几种主要故障类型为输出的故障诊断模型.鉴于遗传算法具有较强全局收敛性,将遗传算法中的交叉、变异的思想引入到粒子群算法中,并用其优化RBF神经网络的隐含层参数.仿真结果表明,改进后的粒子群诊断算法改善了提升机制动系统故障诊断的速度和精度.     

基于改进PSO优化PNN网络的变压器故障诊断方法

根据变压器产生故障时特征气体和故障类型的非线性关系,结合油中溶解气体分析方法,采用了基于改进粒子群-概率神经网络(PNN)的故障诊断方法.针对PNN网络平滑因子按照经验选取的不足,以及使用粒子群优化(PSO)该参数时搜索精度低、容易早熟收敛等缺点,改进粒子群引入遗传算法的变异操作,并在迭代中对惯性权重动态调整和加速因子的线性变化,并用于训练PNN神经网络平滑因子集合;然后将改进PSO-PNN神经网络应用于变压器故障诊断中,通过诊断测试验证了该方法的有效性.     

Self-Organizing and Self-Evolving Neurons: A New Neural Network for Optimization

A self-organizing and self-evolving agents (SOSENs) neural network is proposed. Each neuron of the SOSENs evolves itself with a simulated annealing (SA) algorithm. The self-evolving behavior of each neuron is a local improvement that results in speeding up the convergence. The chance of reaching the global optimum is increased because multiple SAs are run in a searching space. Optimum results obtained by the SOSENs are better in average than those obtained by a single SA. Experimental results show that the SOSENs have less temperature changes than the SA to reach the global minimum. Every neuron exhibits a self-organizing behavior, which is similar to those of the self-organizing map (SOM), particle swarm optimization (PSO), and self-organizing migrating algorithm (SOMA). At last, the computational time of parallel SOSENs can be less than the SA