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.     

改进的粒子群优化算法

粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.     

简化粒子群优化算法改进研究

简化粒子群优化算法（sPSO）去掉了PSO中的速度项,使算法性能有了显著提高。文章以该算法为基础,讨论了sPSO的改进方向,然后提出了惯性权值优化的简化粒子群优化算法（wsPSO）以及带极值扰动和惯性权值优化的简化粒子群优化算法（wtsPSO）,并通过实验验证了改进的有效性节。     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.     

桁架优化的改进粒子群算法

为了解决带有应力约束和位移约束的桁架的尺寸优化问题,将一种新型智能优化算法--基于“综合学习策略”的粒子群算法（comprehensive learning parcle swarmoptimization,CLP-SO）应用于桁架结构的优化问题中．首先介绍了CLPSO算法的基本原理,给出了基于CLPSO算法的桁架结构优化设计的数学模型,并对经典桁架结构进行优化,将所得结果与其他优化算法结果进行了比较．分析结果表明了该方法进行结构优化设计的有效性．     

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.     

基于粒子群优化算法和RBF神经网络的水质评价方法研究

将粒子群优化算法和RBF神经网络相结合,建立了基于神经网络的水质评价模型,实现了对水质的合理评价。通过采用粒子群优化算法对RBF神经网络的参数进行优化,提高了神经网络的收敛速度和精度,进一步提高了水质评价方法的精确程度。通过与传统的神经网络水质评价方法的对比,验证了本文方法的可靠性和优越性。     

基于粒子群优化算法的能源需求预测

鉴于能源系统是一个复杂的非线性系统,故本文引入解决非线性及高维模式问题具有较高精度的粒子群优化算法(PSO),以各影响因素标准化值作为输入变量,建立了基于PSO的线性和指数两种形式的能源需求预测模型.对我国2000-2011年能源需求量进行模拟与仿真,得到两模型预测精度分别为0.824%和0.568%,证明指数预测模型具有较高的精确度.并利用PSO指数模型对我国2015年能源需求量进行预测,得出在未来几年能源需求量将以平均每年7.48%左右的速度增长.     

一种改进的粒子群优化算法

针对基本粒子群算法在处理复杂问题时有可能陷入局部极小的现象,引入群体适应度方差及群体位置方差,协调算法的种群多样性,使之能有效地克服基本粒子群算法容易陷入局部收敛的问题。在算法的中后期,根据粒子的表现不同,自适应调整惯性权重,保持群体惯性权重的多样性。通过选取4个基准函数进行测试,验证了改进算法可提高粒子群算法的优化性能。     

磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验. 仿真结果表明, 所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.     

改进的变参数粒子群优化算法

为了提高标准粒子群优化(PSO)算法在收敛速度和优化精度上的性能,提出一种改进的变参数粒子群优化(MAPSO)算法.该方法以进化状态因子计算策略和进化状态估计模型为基础,引入了算法参数控制和变异算子,提高了算法的收敛速度和全局优化能力.在多个基准单峰和多峰优化问题上,对已有的2种算法和MAPSO算法进行了测试和比较,结果表明：在优化精度上,MAPSO算法在6个基准测试函数的4个测试函数上都优于另2种算法;在收敛速度方面,MAPSO算法在5个测试函数上都优于其他2个算法,体现了MAPSO算法在多个性能指标上的优越性.     

粒子群优化算法的改进与分析

介绍了基本粒子群优化算法及其原理,针对其易陷入局部极值和后期收敛速度慢的缺点,研究了基于惯性权重因子的改进粒子群优化算法。通过测试函数对固定惯性权重和时变惯性权重参数的选择进行了系统的实验,并且分析了种群规模与学习因子参数对粒子群算法优化性能的影响。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于改进粒子群算法的配电网无功优化研究

采用改进粒子群算法对配电网进行无功优化,以IEEE14节点电力系统为例,建立粒子群算法的数学模型,引入线性递减惯性权重对粒子群算法进行改进,使用MATLAB软件进行仿真运算。比较两种算法对节点系统无功优化后的网损大小和收敛速度,验证采用研究方法的有效性和可行性。     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

基于改进粒子群算法的动态无功优化研究

根据电力系统中负荷不断变化的情况,提出了动态无功优化的数学模型,并依据负荷曲线的变化特点进行智能分段。对粒子群算法进行改进,使其具有更好的收敛性和精确度,有效的避免了陷入局部最优解的情况。IEEE6节点系统算例分析表明,改进后的粒子群算法相比改进前的粒子群算法有明显的改善,能够减小系统网损。     

WSN杂交粒子群优化定位改进算法

确定无线传感器网络(WSN)中节点的位置是网络初始化阶段首要任务之一,杂交PSO定位算法(Hybrid Particle Swarm Optimization,HPSO)可以通过父代粒子杂交产生性能较好的子代粒子,加速收敛,其定位精度明显优于其他PSO算法,因而成为近年来研究的热点之一。然而,杂交PSO定位算法存在计算量大、定位时间长等问题,针对这些问题,提出一种改进杂交PSO定位算法(Improved Hybrid PSO,IHPSO),在交叉和变异过程中引入粒子集中度和粒子平稳度两个概念,并加入选择机制和排队机制,加快算法的收敛度,同时有效地提高算法的定位精度和定位时间。     

一种基于粒子群优化的粒子滤波改进算法

粒子群优化粒子滤波算法能有效改善粒子退化问题,但其适应度函数受量测噪声方差影响较大,限制了滤波精度的提高.为此,提出了一种基于粒子群优化的粒子滤波改进算法.该算法给出一种新的适应度函数,用当前状态估计值与各粒子状态的差值大小作为评价标准,使得最终优化粒子受噪声方差影响减小,在量测模型精度高的场合中提高了滤波精度.理论分析及仿真结果表明,本文所提算法的滤波性能优于标准粒子滤波与粒子群优化粒子滤波算法.