微分进化算法在单桩极限承载力灰色优化预测中的应用

文章利用微分进化算法对单桩极限承载力的灰色GM(1,1)模型参数进行优化求解, 提出DE-GM(1,1)优化预测模型;基于MATLAB环境编写了计算程序, 结合工程实例, 对试桩静载荷试验实测数据进行了拟合分析.结果表明, 与指数曲线模型和GM(1,1)模型相比, DE-GM(1,1)模型能够更好地拟合实测数据, 预测精度进一步提高;微分进化算法在GM(1,1)模型参数优化过程中表现出求解速度快、计算精度和自动化程度高等特点.     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

GM(1,1)的MATLAB实现及其应用

灰色GM(1,1)预测模型是灰色理论中的重要组成部分,也是主要的预测方法之一.因此,GM(1,1)模型的应用范围很广泛.本文简要介绍了GM(1,1)模型的原理及其预测步骤,用MATLAB软件实现了GM(1,1)预测算法并给出了源代码.在此基础上,用统计年鉴上的住宿和餐饮业收入增加值数据进行了仿真,从而验证了该算法的有效性和程序的正确性。     

基于动态自适应PSO算法的GM(1,1)融合预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b是两个关键的参数,其对模型的预测精度有较大的影响.在分析GM建模原理和参数对模型精度影响的基础上,提出了一种基于动态自适应粒子群算法的灰色GM融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用改进的粒子群优化算法来求解模型的相关参数.实例分析表明:与传统的GM(1,1)模型相比,动态自适应粒子群优化算法与GM融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型更具优势.     

一种基于灰色模型的数据预测优化算法

近些年来,灰色模型GM(1,1)被大量应用于小样本或穷信息的预测,操作与实现步骤简单,预测精度较高.为了进一步提高GM(1,1)的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变通常把灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GAGM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.通过算法的数值实验,结果表明优化算法的预测精度高于传统的GM(1,1)算法及多个基于GM(1,1)的改进算法.     

内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于非等距BFA GM(1,1)模型的尾翼疲劳寿命预测

针对非等距GM(1,1)模型中背景值系数α对模型的预测能力影响很大而最优值难以确定的问题,将细菌觅食算法与GM(1,1)模型相结合,提出了BFA-GM(1,1)优化模型.以飞机尾翼疲劳寿命预测为实例,分析比较了BFA-GM(1,1)模型、PSO-GM(1,1)模型和GA-GM(1,1)模型的性能.从试验的结果来看,本文提出的BFA-GM(1,1)模型消耗的时间少于其他2种模型消耗的时间,而平均预测误差低于其他2种模型的平均预测误差,这说明本文提出的BFA-GM(1,1)模型能够更快速、更准确地找到最优的背景值系数α,从而提高了"小样本""贫信息"条件下的飞机尾翼疲劳寿命预测的精度.     

改进GM（1,1）模型在营养状况预测中的应用

为了提高灰色GM（1,1）预测模型的拟合和预测精度,通过初值和背景值的修正,给出了改进灰色GM（1,1）预测模型,并利用粒子群优化算法给出了模型相关参数的优化.根据中国学生体质与健康调研报告中4种营养性疾病检出率的数据资料,就10～12岁城乡男女的超重和肥胖数据,建立改进GM（1,1）预测模型对2010年和2015年的...     

基于改进蜂群算法和灰色模型的管道腐蚀预测

为了解决缺少大量数据样本情况下油气管道剩余寿命预测问题,采用GM（1,1）模型预测管道腐蚀趋势。考虑到GM（1,1）模型自身存在的缺陷,采用指数变换预处理原始数据和动态生成系数重构背景值两种方法改进GM（1,1）模型的建模过程,并运用改进的蜂群算法（IABC）求解全局最优动态生成系数,进而建立改进的蜂群算法优化的指数变换灰色模型（IABC-EGM（1,1））。利用弯头测厚数据进行验证分析,GM（1,1）模型的平均相对误差为4.92%,IABC-EGM（1,1）模型的平均相对误差为2.28%,表明模型的预测精度得到了提高。     

GM（1，1）模型在轨迹聚类中的应用

针对移动对象轨迹数据在获取过程中可能存在延迟、缺失,使得轨迹数据存在不确定性的情况.利用GM(1,1)模型在预测、决策领域中的优势,在拟合误差阀值的限制下,提出一种基于GM(1,1)模型的轨迹分割方法(TR_GMPR).之后,对分割后的轨迹段利用DBSCAN算法进行聚类.实验表明,生成的特征轨迹相比其他线段分割的轨迹聚类结果,更符合实际情况.     

基于模糊回归理论的GM(1,1)模型优化

文章将传统的GM(1,1)模型与模糊回归模型相结合,得到了基于模糊回归理论的GM(1,1)优化模型,保留了传统GM(1,1)模型的所需建模数据少和具有预测功能的优点;利用定义的三角模糊数的左、中、右距离公式,得到了基于模糊回归理论的GM(1,1)优化模型的求解方法.     

基于复合辛普森公式的GM(1,1)模型背景值的优化

背景值是导致GM(1,1)模型产生系统误差的主要原因之一,为提高模型的模拟效果和预测精度,根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建灰色系统模型。基于GM(1,1)模型背景值的几何意义,结合复合辛普森求积公式和动态序列模型,提出一种新的GM(1,1)模型背景值优化方法。实例表明,基于复合辛普森公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性。     

基于改进新陈代谢GM(1,1)模型对钢管混凝土拱桥涂膜腐蚀预测

目的提出改进新陈代谢GM(1,1)模型,提高预测钢结构使用寿命的精度.方法在全序列的基础上,置入一个由传统GM(1,1)模型得到新数据,去除一个旧的数据,建立既保证了原来的维数,而又不影响整个信息发展趋势的改进新陈代谢GM(1,1)模型.利用改进新陈代谢GM(1,1)模型对已经用传统GM(1,1)模型预测钢管混凝土拱桥涂膜腐蚀的实际工况进行重新预测,验证所提出的改进新陈代谢GM(1,1)模型在涂膜腐蚀预测中应用的可行性、有效性及预测所提高的精度.结果改进新陈代谢GM(1,1)模型的均值方差比值C为0.132 9,比传统GM(1,1)模型的均值方差比值C的值0.172 1小,改进新陈代谢GM(1,1)模型的精度比传统GM(1,1)模型的预测效果好;改进新陈代谢GM(1,1)模型的平均相对误差为3.20%,传统GM(1,1)为4.01%,提高了预测精度.结论改进新陈代谢GM(1,1)模型既保证了传统GM(1,1)模型的维数,而又不影响整个信息的发展趋势,改进新陈代谢GM(1,1)模型更合理,适用于中长期预测.     

基于马尔科夫滚动优化的锂电池寿命灰色预测研究

文章建立了一种电池容量的动态预测方法,提出了滚动优化GM(1,1)模型、残差修正滚动GM(1,1)模型和Markov残差修正滚动GM(1,1)预测模型。研究结果证明了3种模型具有极好的预测性能,只是残差GM(1,1)模型的精度比其他2个低一些。且发现在仅有4个数据点建立的残差修正滚动GM(1,1)模型与Markov残差修正滚动预测模型也有相当高的预测精度。通过预测不同电池在不同充放电条件及温度条件下的电容容量,验证了滚动优化模型的普遍适用性。     

GM(1,1)的MATLAB实现及其应用

灰色GM（1,1）预测模型是灰色理论中的重要组成部分,也是主要的预测方法之一．因此,GM（1,1）模型的应用范围很广泛．本文简要介绍了GM（1,1）模型的原理及其预测步骤,用MATLAB软件实现了GM（1,1）预测算法并给出了源代码．在此基础上,用统计年鉴上的住宿和餐饮业收入增加值数据进行了仿真,从而验证了该算法的有效性和程序的正确性。     

基于改进的灰色GM(1,1)模型能源消耗预测

在灰色GM(1,1)预测模型基础上,对GM(1,1)模型存在的建模偏差进行修正,使修正后的模型符合数据规律,提高预测精度.结合新陈代谢理论,建立基于新陈代谢的无偏GM(1,1)模型.该模型利用数据的新旧更替,能在不断补充新信息的同时,及时地去掉老信息,避免随着信息的增加,较旧的数据对模型的信息显著性下降的弊端.通过实证,该模型的预测精度优于GM(1,1)模型、无偏GM(1,1)模型以及新陈代谢GM(1,1)模型.     

一种适用于灰色预测控制的无偏直接GM(1,1)模型

GM(1,1)模型是灰色预测控制器的重要组成部分,它是有偏差的模型.提出了一个无偏差的模型一无偏直接GM(1,1)模型,结合具体数据将无偏直接GM(1,1)模型和GM(1,1)模型进行了比较,结果表明无偏直接GM(1,1)模型优于GM(1,1)模型.将无偏直接GM(1,1)模型替代GM(1,1)模型应用于灰色预测控制中可望得到较好结果.     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.     

基于优化的GM(1,1)模型在我国人口预测中的应用

GM(1,1)预测模型一直是灰色系统理论研究者关注的热点.在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化函数的时间响应函数中的常数c,摒弃了传统GM(1,1)把原始序列x(0)(1)作为初始条件的做法,从而构建了GM(1,1)的优化模型.最后,以我国人口总数的预测为例,进行两类预测模型的模拟精度比较,并进行了预测,得到优化的GM(1,1)模型进行预测得到的精度较高.