基于PSO-GA模型的供水管网漏损预测研究

准确、有效地定位供水管网中漏损位置,减少水资源浪费和降低检漏成本。基于EPANET软件构建供水管网水力模型,采用粒子群算法和遗传算法相结合方法对管网漏损预测模型进行优化求解、验证,以实现管网漏损定位和漏损程度判定;以西南地区某城镇的供水管网为例,分别对单点和多点(2处及以上)漏损工况进行模拟评估。提出的供水管网漏损预测模型在单点漏损工况下,预测漏损量与实际漏损量的平均绝对百分比误差εmape小于3%,多点漏损量的εmape值均小于5.22%,且模拟定位节点与实际漏损点的拓扑距离绝大部分稳定在2以内。基于PSO-GA的漏损预测模型可有效地实现漏损定位与漏损程度的同步检测,并识别出多个近似节点,为检漏工作提供技术参考。

GA-BP和PSO-BP预测模型在九龙矿煤层底板突水预测中的应用研究

目前,煤层开采环境复杂,随着开采深度、开采强度的增加,面临多变的突水因素和复杂的突水机理,且各因素间相互联系的不确定性,使底板突水预测的难度不断增加。对GA-BP与PSO-BP两种组合优化方法进行描述、对比。两种组合优化方法克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点,对煤层底板突水都能实现较高精度,具有强大的泛化能力。通过对两种组合优化方法的预测模型做对比,发现GA-BP模型更优于PSO-BP模型,证明GA-BP组合优化方法更适合对底板突水危险性进行预测。

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。

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。

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R^(2)和平均绝对相对误差e_(AARE)评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R^(2)和相对平均绝对误差e_(AARE)分别为0.909和2.06%。

基于PSO-GA的分片区块链系统性能优化方法

在这篇文章中,针对分片区块链(Sharded Blockchain)系统性能优化问题,提出了一种结合粒子群和遗传算法的系统性能优化方法(PSO-GA),目的是为了在尽可能满足当前网络环境情况下,提升其系统吞吐量.该方法考虑分片区块链中节点的计算能力、恶意节点的概率以及节点之间的传输速率等不同网络环境下,找到响应网络状态的最佳分片区块链系统参数;为了避免传统粒子群优化算法陷入局部最优的问题,引入遗传算法中的交叉操作和变异操作,有效提高方法的准确性.通过大量仿真实验对方法的有效性进行验证分析.实验结果表明,相比于其他的方法,本文所提出的方法可以在更短的时间取得更高的系统吞吐量.

基于GA/PSO BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components,VOCs)的预测精度,在反向传播(Back Propagation,BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms,GA)优化BP神经网络(GA BP)和粒子群算法(Particle Swarm Optimization,PSO)优化BP神经网络(PSO BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA BP、PSO BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_(2.5)质量浓度、O_(3)质量浓度、NO_(2)质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R^(2))分别为0.80、0.55、0.78、0.67。研究结果可为日后VOCs污染预报预警提供理论参考。

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-DE-PSO优化算法的停车场车辆高效引导研究

传统停车引导方法受到寻优搜索算法本身缺陷的影响,设计的引导路径无法实现全局最优。针对该点不足设计了一种基于GA-DE-PSO优化算法的停车场车辆高效引导方法。利用栅格法建立停车场环境栅格地图。在原有停车时间最小化目标的基础上,增加一个避碰目标函数,由此建立一个多目标函数模型。将GA与DE融合到一起后利用GA-DE优化PSO算法,通过GA-DE-PSO优化求解停车场车辆最佳引导方案。结果表明与三种传统方法相比,GA-DE-PSO优化算法求出的方案所耗费的停车时间更短、效率更高,能够引导驾驶员快速识别出最近车位。

基于GA与PSO混合优化FCM聚类的变压器故障诊断

针对FCM聚类、GA-FCM聚类以及PSO-FCM聚类在进行变压器故障诊断时的不足,采用了GA与PSO混合优化FCM(GAPSO-FCM)聚类来进行故障诊断。GAPSO-FCM聚类进行的是全局搜索,克服了FCM聚类容易陷入局部极小值的问题。GAPSO-FCM聚类是以全局最优个体将GA聚类与PSO聚类有机地联系在一起,GA与PSO共用一个最优个体,迭代过程中既包括了GA运算也包括了PSO运算。它依据GA的随机性扩大了搜索范围,之后在所找到的个体附近依据PSO进行更细致的搜索,克服了仅基于单一GA或PSO优化的FCM聚类的早熟问题。通过仿真与实例分析,表明采用GAPSO-FCM聚类进行故障诊断的正确率比采用其他三种聚类的正确率高。

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。

PSO和GA在阵列天线波束赋形中的应用

将粒子群优化算法和遗传算法应用于阵列天线的波束赋形问题中,用MATLAB编制程序分别对10元直线阵和31元圆环阵进行赋形计算,得到了预期的方向图,得出了这两种优化算法在阵列天线波束赋形问题中的优缺点.在计算圆环阵时尝试引入了修正的波恩斯坦多项式以减少需要优化的变量,并结合工程上的需要,用粒子群优化算法给圆环阵赋行计算得到了主波瓣是平顶的方向图.

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。

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。

改进GA-PSO算法在多跑道航班着陆调度中的应用

机场跑道是空中交通管理系统中重要的系统资源.为了合理分配航班的降落跑道和降落顺序,减少航班延误时间,分析了自适应遗传算法和基本粒子群优化算法的运行原理,分别对自适应遗传算法和基本粒子群算法进行改进,将改进自适应遗传算法引进到改进粒子群算法中,建立多跑道航班排序模型,应用改进粒子群遗传算法对跑道调度模型进行求解,并进行算例仿真分析.结果表明,改进混合算法能有效降低总的延误时间并加快收敛速度.

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GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。