基于GA-PSO算法的水肥监控与调度系统研究

基于GA-PSO算法的水肥监控与调度系统,采用云服务器、数据库与WDNK客户端作为系统的框架,利用4G物联网卡模块将从PLC采集到的罐体已施肥量传输到云服务器,云服务器接收到已施肥量数据并将数据写入Navicat数据库,并通过WDNK客户端软件将罐体的SN编码、罐体需加肥量等信息展示在PC端。调度系统根据水肥罐体所在点的经纬度坐标与需求量,充分考虑运输水肥车辆的自身容量,以运输车辆配送到各个水肥罐体的最小路径为研究目标,利用GA-PSO算法,在保证水肥罐体需加肥量的同时减少了运输车辆的行驶里程,降低了生产成本。

GA-PSO混合算法的工作臂铰点优化设计

现有施工装置中离不开挖掘机工作臂,但在工作过程中因承载和振动,造成铰接点销轴破裂。为了提高工作的可靠性,通过SolidWorks软件建立模型,分析由铲斗、斗杆、动臂及其油缸构成平面连杆机构工作原理;建立动臂动力学模型,借助齐次矩阵方法分析各部件的铰点位置参数,得到各铰点受到外力和力矩;以动臂各铰点受力为优化目标,以各铰点坐标参数作为设计变量,以动臂油缸所做功为约束条件,实现目标函数模型建立。借助GA-PSO混合算法,进行选择、变异和交叉操作,提高工作臂的优化设计参数精确度;结合ADAMS软件,得到优化后和优化前铰点受力曲线,实现了优化后铰点受力小于优化前。同时,为相关农业机械的研究提供理论研究基础。

基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。

GA-PSO混合规划算法

目的 提出一个比GP算法更优的GA-PSO混合的规划算法。方法 通过将层次型问题的描述转换为固定长度线形结构的描述方式,使GP算法与GA规划算法达到统一;通过构造运算符,将PSO算法引入到GA规划算法框架之中,形成GA-PSO混合规划算法。结果 从解的描述、遗传算子、PSO运算符的构造再到GA-PSO算法框架,提出了完整的GA-PSO混合规划算法。结论 实证研究显示,GA-PSO混合规划算法优于GP算法以及GA算法。

基于GA-PSO算法的路径测试数据自动生成

为了实现测试数据自动生成,许多遗传算法及其改进算法应用到了测试领域。针对遗传算法具有较强的全局搜索能力,但局部搜索能力较弱,且收敛速度慢的特点。将遗传算法与粒子群算法结合起来形成新的混合算法(GA-PSO),并成功应用到软件测试数据自动生成过程中。实验结果表明,该算法结合了遗传算法和粒子群算法的优点,在保证软件测试数据正确生成的情况下,极大地提高了数据生成的效率。

PCA和GA-PSO-RBF集成的发电机组远程故障诊断

首先基于LPC2290核心芯片的arm嵌入式工控平台设计了远程数据采集系统,使故障诊断系统通过Internet在线获取发电机组状态数据。然后给出了主元分析(PCA)和GA-PSO-RBF神经网络集成的故障诊断方法。故障模式向量先通过PCA降维,降低RBF神经网络的规模和计算时间。针对RBF神经网络参数难以设置、收敛速度慢等不足,介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传-粒子群算法(GA-PSO),用于RBF神经网络的参数优化过程。最后以转子振动试验台仿真发电机组,实现了状态信息的远程获取;通过故障诊断仿真测试验证了PCA和GA-PSO-RBF集成诊断方法的有效性。

一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。

基于GA-PSO的粗糙集属性约简算法

属性约简是粗糙集合研究的重要内容之一。为了能够有效地获取决策表中属性最小相对约简,提出了一种基于GA-PSO的属性约简算法。该算法以条件属性对决策属性的支持度为基础,求解核属性,把所有的条件属性(除去核属性)加入粒子群算法的初始种群中,并用遗传算法对不满足适应度条件的粒子进行交叉变异操作。实验结果表明,该算法在加强局部搜索能力的同时保持了该算法全局寻优的特性,能够快速有效地获得最小相对属性集。

基于GA-PSO混合算法的最小属性约简

属性约简是粗糙集理论中的核心问题,为有效进行属性的最小约简,将一种GA-PSO混合算法应用于属性约简。该算法在保证寻优能力的前提下,增加群体的多样性,避免陷入局部最优,同时,在适应度函数中加入罚函数。实验结果证明该算法能有效地进行属性约简,取得良好的约简结果。

基于改进GA-PSO算法的孤立微网日前经济调度

针对孤立微网中电源、负荷类型较多,日前调度复杂且较难收敛于全局最优解的问题,采用粒子群遗传混合算法(GA-PSO)求解这一混合整数非线性(MINL)问题。首先建立了孤立微网内微型燃气轮机、蓄电池和各种负荷的调度模型及日前调度的目标函数。对蓄电池放电深度模型进行了改进,以更合理地描述其充放电成本;按补偿合同对负荷直接调度;在保证可靠性的前提下,考虑微网运行成本,以微网运行收益最大为目标建立了目标函数。其次提出了新的粒子群遗传混合算法,最后采用该算法针对一个微网算例进行仿真验证,结果表明该算法能有效解决混合整数非线性规划问题。该方法对多时段、多种单元混合的微网优化调度,能够快速收敛。

基于雷达海杂波的蒸发波导GA-PSO算法

针对目前利用雷达海杂波反演蒸发波导方法精度较低、特征参数代表性不强的现状,提出了一种基于遗传-粒子群(GA-PSO)的混合算法。通过改变多波段雷达的频率建立目标函数,然后改变天线高度获得准确度更高的海杂波特征信息,利用遗传-粒子群混合算法求解目标函数,获得高精度的蒸发波导特征参数。仿真实验证明:利用GA-PSO混合算法获得蒸发波导特征参数不仅精度高,而且具有较好的算法稳定性。该方法可直接应用到海岸、舰船上无线电系统中,进一步扩大雷达系统探测范围和增加通信系统的通信距离,增强国防实力。

基于GA-PSO算法的省市两级应急物资储备中心选址研究

文章针对湖南省应急物资储备中心的选址问题,采用遗传-粒子群混合算法(GA-PSO)建立了多目标、多约束的优化模型,考虑因素包括灾害特征、人口分布、基础设施条件、自然地理条件等。通过算法迭代计算,确定了省级和地市级应急物资储备中心的建设方案,拟实现快速准确提供救援所需的物资,降低自然灾害造成的影响。文章还建议政府部门在制定应急管理政策时应充分考虑“分层分级,层级联动”并加强对应急物资储备中心内的现代科技投入和建设。

科技型中小企业融资信用风险评估研究——基于GA-PSO算法的建模与优化

为了提高科技型中小企业融资信用违约风险评估的相对准确性和确定性,采用GA-PSO混合规划算法构建科技型中小企业融资信用风险评估模型。通过MATLAB R2014a对64家科技型中小企业进行模拟评估,并和专家预测法结果作对比,仿真结果表明,GA-PSO混合规划算法模型简单可行,可提高评价效率和准确性。对比研究也表明该模型同时集成了粒子群算法和遗传算法的优点,在收敛性和预测精度方面具有优越性。

基于GA-PSO的野战给水站选址优化模型

在野战给水工程保障中,不但要满足各用水单位,也要考虑到保障过程中产生的费用,尽量能够做到在完成给水工程保障任务的基础上使整个野战给水工程保障系统所消耗的总费用最小。针对该问题,运用GA-PSO算法研究了野战给水站的选址优化模型,实例验证充分说明了基于GA思想的混合PSO在收敛速度及跳出局部极值的能力诸方面明显优于标准的GA算法和PSO算法。

基于GA-PSO的电动汽车换电站时空双层充电优化策略

针对电动汽车(Electric Vehicle, EV)用户换电体验不佳、换电站备用电池组空闲、充电成本过高及配电网负荷特性恶化的问题,建立了兼顾EV用户、换电站和电网公司三方利益的时空双层充电优化模型。该模型采用双层时空解耦结构,上层模型以满足EV用户个性化需求为目标,重点解决空间尺度上换电站的选择问题。下层模型在时间尺度上采用一种两阶段优化策略,第一阶段以充电成本最小为目标重点关注电池组充电方案的制定问题,第二阶段虑及电网激励以配电网负荷波动最小和峰谷差最小为目标重点关注充电方案的优化问题。最后,采用Monte Carlo法模拟EV用户的换电需求,采用GA-PSO(遗传-粒子群算法)对提出的时空双层优化模型进行迭代求解。以某典型城区为例,仿真验证了所提模型与方法的正确性。

基于Kriging模型和GA-PSO联立算法的离心通风机叶型优化

对离心通风机叶型进行优化能显著提高通风机的效率,这对于发展国民经济和节能减排有重要意义,基于Kriging代理模型和GA-PSO算法对离心通风机叶型进行气动优化,优化目标为气动效率。具体步骤为:首先,采用贝塞尔基函数来进行叶型的参数化表达;其次,建立起离心通风机叶型参数与目标响应的Kriging代理模型;最后,采用遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)相结合的GA-PSO联立算法对离心通风机叶型进行以气动性能提高为目标的优化,并得出最优的叶型。优化后风机全压从3 538 Pa提高到3 572 Pa,效率从76.3%提高到80.8%,优化后的离心通风机在全压不低于原始风机全压的情况下,效率明显提高,实现了离心通风机的优化设计。

基于GA-PSO融合算法的开采沉陷Richards预计模型参数优化

在矿区开采地表沉降动态预计模型建立过程中,针对Richards时间函数模型参数在地质采矿条件复杂情况下难以一次性准确求取的问题,采用遗传粒子群(Genetic Algorithm and Particle Swarm Optimization,GA-PSO)融合算法对Richards模型参数进行动态修正,建立了一种基于GA-PSO融合算法的Richards时间函数参数优化模型。通过与传统GA算法和变步长果蝇优化算法(Fruit Fly Optimization,FOA)进行比较,结果表明:GA-PSO算法对Richards模型参数优化效果良好。通过单点举例和选取部分特征点验证的方法,得出GA-PSO算法模型在各个时期的预计中误差最大为14.43 mm,最小中误差为1.48 mm,最大平均误差为11.16 mm,最小平均误差为1.23 mm,且GA-PSO算法模型精度高于拟合模型和变步长FOA模型。研究表明:经过GA-PSO算法优化参数后的Richards模型能够更加高效,有助于精确构建矿区地表移动动态预计模型。

基于GA-PSO算法的烧结料场原料库存量优化

原料采购库存成本的约束是钢铁企业流动资金的制约瓶颈,针对钢铁企业烧结料场铁矿粉原料采购与消耗特点,以企业原料库存费用最小为目标建立了烧结料场铁矿粉原料库存量优化模型,提出一种基于遗传-粒子群算法的烧结料场铁矿粉库存量优化方法。同时,应用某钢铁企业360m2烧结生产线的综合原料场实际生产数据进行仿真验证,结果表明,该模型可以反映该钢铁企业综合料场铁矿粉库存量的实际情况,采用的优化方法可以得到模型的最优解,为钢铁企业采购计划的制定提供决策支持。

基于GA-PSO混合规划算法的企业信用风险评估模型

利用一种新的人工智能方法———GA-PSO混合规划算法构建企业信用风险评估模型。并利用上证50若干企业的实际数据对模型进行了实证检验。实证结果显示该模型能有效预测上市企业的信用风险状况。该模型在收敛性能及预测准确率等方面优于基于传统的多元回归方法及GP方法的信用风险评估模型。

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析(PCA)和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。