基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

基于EMD-PSO-ARIMA模型的农产品价格预测

针对农产品价格数据的非线性特点,提出基于EMD-PSO-ARIMA模型的农产品价格预测模型。首先利用EMD算法消除价格数据的不平稳性,其次应用PSO算法优化ARIMA模型的滞后参数,并对原始数据分解后的序列进行预测,最后对多个预测值进行累加得到最终结果。以河南省某农贸市场2004年1月至2021年12月鳞茎类作物(以大蒜为例)、根茎类作物(以马铃薯为例)及叶菜类作物(以白菜为例)的价格数据为研究对象进行实证研究。对大蒜、马铃薯、白菜价格进行预测,EMD-PSO-ARIMA模型的RMSE分别为0.0295、0.0168、0.0669,MAE分别为0.0274、0.0189、0.0598,MAPE分别为0.32%、0.64%、2.54%;与ARIAM、PSO-ARIMA、EMD-ARIMA模型相比,EMD-PSO-ARIMA模型的3个评价指标均有不同程度的降低,模型预测精度最高。EMD-PSO-ARIMA模型能够有效对3种农产品的价格做出精准预测,在一定程度上提高了模型预测性能,能够为农业生产者、经营者、政府提供决策支持,维护农业市场的稳定。

基于PSO-Kriging算法的三维地质建模技术研究

三维地质模型的构建对于理解和预测地下结构至关重要。地质钻孔数据能够反映岩体空间分布和地质构造特征,本研究以小保当一号煤矿11盘区内的23个地质钻孔数据为基础,采用添加虚拟地层的方法解决了地层缺失与地层重复现象,构建共计27层地层的三维地质模型以及二维剖面模型。此外,针对传统的克里金方法在处理复杂地质数据参数选择困难的问题,采用粒子群算法对传统克里金插值方法中的块金值(C 0)、偏基台值(C)和变程(a)三个关键参数进行寻优,从而克服普通克里金插值参数选择的主观性和不确定性,采用实际验证法选取了研究区内四个钻孔来对比插值结果,结果表明经过PSO优化的Kriging算法在X3-1、X3-2、K3-4、K3-5四个钻孔的RMSE值分别降低至1.184、1.267、1.606、1.560,相比于Kriging的RMSE平均降低了31%,且PSO-Kriging算法在四个钻孔处对2-2煤层的插值结果与实际值相比较误差分别为1.00 m、0.01 m、0.11 m和0.03 m,比Kriging插值结果更接近实际值,表明了所提方法的有效性和优越性。

基于SBAS-InSAR和PSO-BP模型的鲁南高铁沿线地表沉降监测与预测

选取38景Sentinel-1A SAR影像,利用SBAS-InSAR技术获取2019-02~2022-11鲁南高铁曲阜-菏泽段沿线5 km区域的地表沉降结果,分析其分布特征和规律,并利用PSO-BP模型对若干特征点进行沉降预测。结果表明,高铁沿线0.1 km范围内地表年均形变速率为-20~15 mm/a,最大沉降速率为25.46 mm/a,最大抬升速率为17.43 mm/a;PSO-BP模型得到的沉降预测值的RMSE为5.8~12.4 mm,可对地表沉降进行较好的预测。

基于PSO-ELM的地震死亡人员评估方法研究

地震灾害人员伤亡快速评估对于地震应急响应至关重要。区域地理环境、人口密度和建筑结构等多种因素对地震人员伤亡具有重要影响,文章针对中国内地按照分区开展地震死亡人员评估方法研究。为充分考虑地震对不同地区造成的差异性影响,根据人口密度、地理环境、建筑结构等情况,将中国大陆划分为西北、西南和东部三个区域,并按地震最大烈度对样本进行分类;然后采用随机森林方法和自助采样法,根据每个特征的重要性排序选取震级、震区面积和人口密度三参数,建立粒子群优化极限学习机(PSO-ELM)地震人员死亡评估模型。研究结果表明,模型在预测性能方面表现良好,在不同地区和烈度下具有较好的适用性和泛化性,能够为地震应急响应和地震灾害风险评估提供重要技术支撑。

基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

基于ARIMA-PSO-LSTM的太阳能预测

太阳能是新兴的可再生能源之一,可将其转化为电能以供无线传感器网络(Wireless Sensor Networks, WSN)使用,对太阳能进行预测可以有效地利用能量,从而达到节省能源、维持网络持续稳定运行的目的。提出了一种新的组合预测模型来预测太阳能辐照强度,其中改进的粒子群优化(Particle Swarm Optimization, PSO)算法被引入寻找长短期记忆(Long Short Term Memory, LSTM)神经网络模型的最优参数。选取自回归差分移动平均(Auto-Regressive Integrated Moving Average, ARIMA)模型来预测太阳辐照数据中的线性分量;采用PSO算法来优化LSTM神经网络模型的超参数,有助于提高模型预测的精度和鲁棒性;采用优化的LSTM神经网络模型来预测数据中的非线性分量;最后将两个模型的预测结果进行叠加。实验结果表明,新的组合模型比ARIMA、LSTM等模型,具有更高的预测精度。

基于PSO-BPNN模型的爆破块度预测

爆破块度和级配对水利工程堆石体的稳定性与渗透性影响至关重要,爆破块度的精确预测是目前岩体爆破领域科研工作者关心的热点问题之一。基于BP神经网络基本原理,利用PSO算法优化网络权重和偏置,构建PSO-BPNN模型,结合典型爆破数据对模型进行训练和测试,并依托山西浑源抽水蓄能电站工程实际验证模型的可靠性与适用性。结果表明:PSO-BPNN模型预测爆破块度计算时间短,可靠性高;模型预测输出值与工程实际平均爆破块度值最大相对误差为6.56%,其预测精度高和适用性较高,可为山西浑源抽水蓄能电站堆石坝的建设提供精确的指导。

基于PSO-SVM模型的转炉终点预测

转炉冶炼过程包含着复杂的多相、高温的物理化学反应,建立可靠的转炉终点预测模型对有效减少钢水成分波动、提高钢铁品质有重要的意义。以某钢厂200 t转炉实际生产数据为依据,采用粒子群优化算法选取支持向量机模型最优惩罚参数C和核参数g的方法建立预测模型,对转炉终点碳质量分数和温度进行预测。将数据处理后得到425组数据,数据划分为训练集数据和测试集数据,并对其进行归一化预处理,其中,随机选取50组为测试集数据。结果表明,转炉终点预测模型的终点钢水碳含量(误差±0.015%)的命中率为84%,终点温度(误差±15℃)的命中率为80%。与BP神经网络模型和RBF模型相比,基于粒子群算法优化的支持向量机模型具有精度高、泛化能力强的特点。

基于Kriging代理模型及改进PSO的变模温注塑成型翘曲变形优化

为提升变模温注塑成型的产品质量,提高优化效率,将翘曲变形作为优化目标,模具温度、保压压力、熔体温度、保压时间、冷却时间等工艺参数作为变量因素,采用Moldflow模拟变量因素对优化目标的影响,通过最优拉丁超立方试验设计选出试验样本,建立Kriging代理模型,并且,检测代理模型拟合精度。采用改进PSO算法,得到最优翘曲模型预测值及最佳工艺参数组合。对比改进后的PSO与标准PSO,平均迭代次数、迭代时间约降低了45%,最优适应度、平均适应度、最差适应度、局部最优解及未实现收敛等参数均得到提升。通过实验验证可知,与优化前翘曲值(1.293 mm)相比,优化后翘曲值(0.7512 mm)降低了41.9%,误差为4.84%。结果表明,基于Kriging代理模型及改进PSO能有效地优化变模温成型工艺,降低了翘曲变形量,对于生产应用有指导意义。

基于PSO-LSTM的区域二手房价预测方法研究

探究房价趋势是一个高度复杂且充满非线性特征的研究难题。针对目前二手房价预测精度低的问题,文章提出了基于PSO-LSTM的区域二手房价预测方法。粒子群算法通过对LSTM模型进行优化,找到最优的参数组带入PSO-LSTM模型中,进而得到更符合实际情况的预测结果。文章通过湖南省株洲市天元区的二手房价时间序列数据集对PSO-LSTM模型进行训练,并与LSTM神经网络模型进行了对照分析。实验结果显示,PSO-LSTM模型对于区域二手房价的预测精度更优。

基于PSO-BP算法的弹性力学课程教学质量评估模型研究

国家人才培养的战略核心是提高教育教学质量,构建切实可行的教学质量评价体系,优选合理的质量评估方法十分必要。本文以本科弹性力学课程的教学质量评价为研究对象,建立包括教师个人素质及教学内容、方法、效果的4个一级指标及19个二级指标的教学效果评价体系,并对1082名本科生进行数据调研,通过对调研数据的信度及效度分析,证明了评价系统因素选择合理有效;建立基于粒子群算法优化的神经网络分析方法(PSO-BP组合算法),利用调研数据进行训练分析,得出组合算法平均评价精度高于BP神经网络算法,可以更准确有效地进行弹性力学课程教育质量的评估,以期为本科课程教学质量的考核评价提供新思路。

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。

改进型PSO算法解算三维测边网平差模型

空间三维测边网属于典型的秩亏自由网。针对目前网平差常用的最小二乘算法存在线性化求导复杂,计算量大等问题,本文基于高精度测距值,以控制点坐标反算距离与观测距离差值之和最小为目标,构成非线性方程组,建立函数模型;考虑到非线性方程组求解方法中智能优化算法无需求导和公式推导简单等优点,引入粒子群(PSO)智能优化算法,并构建改进型PSO算法。研究结果表明,根据本文提出的改进型PSO算法进行平差解算,可保证解算结果的准确性,且该算法较传统PSO算法的寻优速度更快,不仅可为空间三维测边网的解算提供新思路,还可为建立空间三维测边网提供理论支撑。

基于PSO-SVM的鹤盛溪流域山洪风险评价

为探究温州市鹤盛溪流域山洪风险空间分布,综合考虑山洪致灾因子、孕灾环境和承灾体3方面的山洪影响因子,建立基于粒子群优化-支持向量机(PSO-SVM)混合算法的山洪风险评价模型。选取准确度、灵敏度、特异性、F-score值、Kappa系数和受试者工作特征曲线等6个指标,采用学习矢量量化(LVQ)算法量化山洪影响因子对山洪灾害发生的影响程度,并将PSO-SVM混合算法模型与单一算法模型进行对比。结果表明:混合算法具有一定的迁移能力,能够更加准确地反映山洪风险的空间分布特征;验证集受试者工作特征曲线指标、Kappa系数和准确度分别为0.934、0.833、0.912,PSO-SVM混合算法模型能显著提高山洪风险评价精度。

基于动力学模型优化PSO-RBF神经网络的水下机械臂控制

随着我国海洋资源开发与利用的增加,对海洋资源开发能力的要求也日益提高。然而,我国在海洋探测方面的研究仍处于起步阶段,面临着复杂的海洋环境和海洋主权保护的挑战。研究聚焦于智能化水下机器人-机械臂系统UVMS的研究。基于Lagrange法和Morison方程,精确建立了六自由度水下机械臂的动力学模型。为了提高系统的稳定性和轨迹跟踪的准确性,采用了适应值优化的PSO粒子群算法结合RBF神经网络,并将其应用于水下机械臂的动力学模型中。仿真实验结果表明,改进的PSO-RBF神经网络自适应滑模控制算法较传统PID及RBF神经网络算法提前约0.3 s和0.1 s确定控制参数,提前达到稳定状态。

基于加权犹豫模糊集的实验设计与分阶段PSO-Kriging建模

过高的实验成本导致输出为非线性多极值的复杂系统获得的实验样本点少,建立的代理模型精度较低。针对此现状提出一种基于先验信息的实验设计与建模方法。该方法利用先验信息划分实验设计域,并根据波动性指标构建各区域的加权犹豫模糊集,增加评价结果的合理性;结合各区域的波动性与范围大小决定实验样本点个数,由汉默斯里序列采样获取样本点;再将分阶段搜索粒子群算法与Kriging方法结合,提高代理模型的计算精度。以模拟平面桁架结构的损伤模型验证所提方法的有效性。实验结果表明,与汉默斯里序列采样、拉丁超立方设计建立的模型相比,所提方法建立的模型拟合优度平均提升0.84%和4.94%,均方根误差平均降低31.02%和57.18%。

PSO-LSTM-TMPH模型在水库调蓄流域径流模拟中的应用

水库的建设和运行使得水库下游流量发生了显著改变,为了在月径流模拟中充分考虑水库的调蓄作用,选择东江流域作为典型流域,使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)对东江流域的3个多功能水库枫树坝、新丰江、白盆珠水库的出流进行了模拟,并与传统的水库模型Level Pool Scheme(LPS)进行对比;使用三参数月度水文模型(Three-Parameter Monthly Hydrological Model Based on the Proportionality Hypothesis,TMPH)进行水库入流和区间来水模拟,与上述两种水库出流模型结合分别形成PSO-LSTM-TMPH和LPS-TMPH对东江流域重要站点龙川、河源、岭下、博罗进行预见期为一个月的径流模拟。结果表明:①PSO-LSTM在三大水库的模拟中效果均好于LPS,尤其在新丰江水库出流模拟中,在验证期的纳什效率系数(Nash-Sutcliffe Efficiency,NSE)、均方根误差(Root Mean Square Error,RMSE)分别为0.59、55.59 m^(3)/s,相比LPS提高了0.22,降低了17.01 m^(3)/s,说明该模型可以很好地捕捉多年调节水库复杂的水库出流规则;②PSO-LSTM-TMPH模拟龙川站、河源站、岭下站、博罗站径流的NSE为0.87,0.86,0.91,0.93,相比LPS-TMPH,NSE提高了0.09、0.21、0.07、0.03;③在测试期内,PSO-LSTM-TMPH水库出流模拟效果仍然较好,相比训练期、验证期模拟效果差异小,说明模型的模型泛化能力较强。研究建立的PSOLSTM-TMPH混合模型可以结合深度学习和物理模型各自的优势,适用于人类活动干扰下的径流模拟,可为优化水资源利用、实施干旱调度等提供技术支撑。

基于PSO的电动汽车规模化充电接入配电网柔性负荷多目标优化控制

为了降低电动汽车大规模接入配电网后产生的负荷波动和网损,提出了基于粒子群优化(PSO)算法的电动汽车规模化充电接入配电网柔性负荷多目标优化控制方法。首先,建立交通网-配电网耦合模型,并结合出行链模型分析用户的充电需求,搭建接入电动汽车能量状态预测模型;其次,以最小化配电网负荷波动标准差和网损作为优化目标,设计电动汽车规模化充电接入配电网柔性负荷多目标优化函数,同时引入分布熵设计惯性权重更新策略,优化PSO算法;最后,采用改进的PSO算法在函数约束条件的基础上实现配电网的柔性负荷控制。测试结果表明,所提出的方法可准确分析用户的充电需求,降低配电网负荷波动峰值及网损。

基于SBAS-InSAR与MA-PSO-BP的南京河西地区地表沉降监测及预测分析

针对南京河西地区城市化进展的不断加快及对该地区的沉降预测研究较少的问题,本文提出一种基于小基线集合成孔径雷达干涉测量(SBAS-InSAR)与滑动平均-粒子群优化-反向传播神经网络算法(MA-PSO-BP)的城市地表形变监测及预测模型。利用2020年3月—2022年3月的22景Sentinel-1A升降轨数据对南京河西地区进行沉降监测,获取研究区升降轨形变量,分析河西地区的沉降趋势与成因,并对监测得到的沉降值进行滑动平均插值,将其作为PSO-BP网络模型的样本输入,构建网络预测模型。结果表明,SBAS-InSAR技术能够有效监测城市长时间的沉降,南京河西地区存在不同程度的沉降,沉降速率为-25.3~20.5 mm/a。对比历史沉降研究,沉降趋势由北部向南部扩张,结合SBAS-InSAR沉降监测数据,分别与BP神经网络和PSO-BP神经网络预测模型进行对比,样本数据经过插值后沉降预测模型的精度最高。