基于CPSO-Elman神经网络矿井下可见光定位

针对传统矿井下定位方法精度偏低问题,提出一种混沌粒子群优化(CPSO)Elman神经网络矿井下可见光定位系统。由于Elman神经网络在初始化时存在参数设置的随机性导致预测精度不高,采用CPSO算法优化Elman神经网络,选取适合的各层的初始权值和阈值,用于提高神经网络拓扑的稳定性。仿真结果表明:在3.6 m×3.6 m×3.6 m的环境里,本文所提的算法的平均定位误差达到3.70 cm,最大定位误差为26.54 cm,在实验阶段的平均定位误差为5.91 cm,最大定位误差为36.95 cm,能够满足煤矿井下定位需求。

飞机舱门收放系统CPSO-BP神经网络故障仿真与诊断

针对民机舱门收放系统故障模拟代价大、故障数据少、故障诊断精度低的问题,提出基于CPSO-BP神经网络的飞机舱门收放系统故障诊断方法。根据民机舱门系统工作特性和高发故障的情况,确定流量控制阀磨损、液压马达泄漏、液压油污染和节流阀阻塞4种典型故障模式;建立飞机舱门AMESim收放系统仿真模型,通过典型故障的仿真分析获得120组故障数据,构建包含29520个样本的故障数据集;采用BP神经网络进行故障诊断,其平均诊断正确率仅为85.36%。采用混沌粒子群算法(CPSO)优化BP神经网络的初始权重和阈值,故障诊断正确率达到93%,提高了飞机舱门收放系统的故障诊断正确率。

基于FTA优化CPSO算法的锻压机典型故障诊断研究

为适应多种类型的产品加工需求,锻压机具高度自动化控制能力的提高尤为重要。采用单一智能故障诊断算法无法达到高的故障诊断率以及需要设置复杂的诊断措施等,综合故障树分析(FTA)与混沌粒子群(CPSO)算法相结合方式实现故障诊断。分析实际传感器测点,并与GA与PSO算法结果进行对比。结果表明:FTA-CPSO算法的故障诊断准确率比GA高6.25%,比PSO高4.20%;FTA-CPSO算法可以获得较小的误差,相对GA与PSO达到了更优的诊断性能;经过多次迭代后,所有算法的适应值都减小;FTA-CPSO可以在最短时间内完成迭代计算,有效降低迭代次数,同时搜索时间也明显缩短。

基于混沌粒子群改进支持向量机对露天矿边坡稳定性的分类预测

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出了基于混沌粒子群优化算法的4种机器学习模型,并对其预测性能进行了对比。建立了包含221组露天矿边坡稳定性案例的数据库,其中80%的数据用于训练,20%的数据用于模型测试。4种模型预测结果及工程实例验证结果表明,基于混沌粒子群改进支持向量机模型的预测效果上总体优于其他3种机器学习模型,预测准确率88%,能够有效预测边坡稳定性,可为露天矿边坡安全提供可靠的预测结果。

基于混沌粒子群优化算法的反应釜温度预测控制研究

反应釜作为化工行业核心的生产容器,其温度控制优化在化工生产领域中具有重要作用。针对反应釜温度控制难的问题,提出了一种基于Tent映射的混沌粒子群优化(CPSO)算法优化动态矩阵控制(DMC)-比例积分微分(PID)的反应釜温度预测控制策略。由于DMC很难选取较优的参数,利用Tent映射的CPSO算法提高动态矩阵参数寻优的速度。通过试验,以及与常规PID、DMC-PID控制对比分析,基于Tent映射的CPSO-DMC-PID串级控制对温度控制系统有较好的控制精度和响应速度,可大幅缩小超调量。该控制策略对反应釜温度预测控制研究具有一定的参考意义。

基于CS-CPSO与SVM融合的WSNs入侵检测算法

为了提高基本粒子群优化(PSO)算法与支持向量机(SVM)融合的无线传感网络(WSNs)入侵检测算法的检测精度与收敛速度,提出了一种基于完全正弦映射混沌粒子群优化(CS-CPSO)算法与SVM融合的WSNs入侵检测算法(CS-CPSO-SVM)。采用CS-CPSO算法优化SVM参数,不仅将正弦映射混沌搜索应用于粒子群算法中初始种群与局部最优解混沌扰动的产生,且将其用于惯性权重的优化以及随机常数和学习因子的产生,并用多个初始值分别迭代生成多条混沌轨道。以KDDCUP99数据集作为实验数据,经理论分析与仿真实验表明:该方法可以有效地检测入侵行为,并具有良好的检测精度与收敛速度。

基于CPSO-LSSVM的网络入侵检测

为提高网络入侵检测效果,提出一种结合混沌粒子群优化(CPSO)算法和最小二乘支持向量机(LSSVM)的网络入侵检测模型。将网络特征和LSSVM参数编码成二进制粒子,根据网络入侵检测正确率和特征子集维数权值构造粒子群目标函数。通过粒子群找到最优特征子集和LSSVM参数,同时引入混沌机制保证粒子群的多样性,防止早熟现象的出现,从而建立最优网络入侵检测模型。采用KDD99数据集进行性能测试,结果表明,该模型不仅能获得最优特征子集和LSSVM参数,而且提高了入侵检测速度和正确率,降低了入侵检测误报率和漏报率。

基于CPSO-SVM的石油需求预测

研究石油需求准确预测问题,石油是一种国际货物,受多种因素影响,具有不确定性、非线性和突变性等特点,传统线性建模方法预测精度低。为了提高石油需求预测精度,提出一种利用混沌粒子群优化支持向量机的非线性石油需求预测方法(CPSO-SVM)。采用CPSO优化SVM参数,然后采用优化的SVM对石油需求的非线性变化规律进行建模,以1989～2007年石油需求数据进行仿真,结果表明,采用CPSO-SVM提高了石油需求量的预测精度,为石油需求量预测提供一种新的研究方法。

自旋忆阻CPSO-PID神经网络

采用混沌粒子群优化算法(CPSO)对网络初始值进行迭代寻优,加快系统的收敛速度.为了实现PID神经网络的硬件平台搭建,新型纳米器件——自旋忆阻器,由于其独特的记忆特性和纳米级尺寸,被用来模拟电子突触,以实现神经元之间的相互连接.最后,通过对强耦合系统进行解耦控制验证了该方案的有效性.

基于CPSO算法实现电力综合能源协同优化

针对电力综合能源系统中能源配置不合理的情况,将混沌粒子群优化(CPSO)算法引用到电力综合能源协同优化方案中,实现综合能源电能、热能、天然气能协同优化。采用CPOS算法,用户能够将各种不同能源形式的信息粒子群划分为形式各异的子种群,将每个子种群中的粒子彼此各自寻求自己的最优值,实现各种群粒子信息的共享;通过共同计算、进化、匹配,直到实现最佳的进化代数,最后得出经过比较后的最优值。试验表明,基于CPSO算法的能源配置具有较好的稳定性,可以为后期配置的进一步研究提供有意义的技术参考。

基于改进混沌粒子群优化算法的永磁同步电机参数辨识

针对永磁同步电机(PMSM)在参数辨识过程中由于粒子容易早熟和陷入局部最优而导致辨识精度不高的问题,提出了一种改进混沌粒子群优化(ICPSO)算法,并将其应用在PMSM多参数辨识中。该算法通过对混沌算法和粒子群优化(PSO)算法结合并优化,且在算法中融入精英免疫原理,处于中间的粒子进行免疫升级,此举不仅扩大了粒子在种群中的搜索范围,而且在一定程度上克服了粒子早熟、不易跳出局部最优的问题。该算法对标准测试函数进行试验,且与PSO算法和混沌粒子群优化(CPSO)算法在参数辨识中的效果相比较,得出定子电阻、dq轴电感和转子磁链电磁参数,从而证明该算法的有效性。

基于双层规划的碳减排配煤优化方法研究

随着“双碳”目标升级为国家战略,煤电作为发电行业减碳的重中之重,燃煤电厂在碳排放量的限制上面临巨大的考验。运用双层规划的方法,考虑政府管理部门碳排放配额与电厂配煤掺烧相结合,建立了火电机组低碳配煤优化模型,模型上层为政府管理部门目标,追求既定碳排放总量下电厂减排成本最小化;下层为电厂部门目标,追求配煤成本和碳排放成本最小化。采用混沌粒子群优化(chaotic particle swarm optimization,CPSO)算法求解该模型,计算结果为政府管理部门碳排放配额分配和电厂运行人员煤炭掺配提供一定参考,具有较好的应用价值与指导作用。

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性。

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。

基于混沌粒子群算法的高速旅客列车优化调度

列车优化调度是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题.在优化过程中,考虑了特快旅客列车中途离开时间和整个运行时间等因素.首次将粒子群优化(particle swarmoptimization,PSO)技术引入列车优化调度,克服了传统优化方法易陷入局部最优和维数灾难等弊端.通过一个工程实例验证了该算法的可行性和有效性.同时,与现存的列车优化调度方法相比,粒子群优化方法的搜索时间短而且优化结果更接近最优解.

基于混沌粒子群的第2代小波的局部放电信号去噪

输变电设备局部放电信号在线监测过程会受到多种噪声污染,使得局部放电信号难以提取。该文提出了一种基于混沌粒子群优化算法的第2代小波的去噪方法,在第2代小波及插值细分方法基本原理的基础上,将混沌粒子群优化算法引入预测器和更新器设计中,并改进了重构过程中奇偶序列合并中存在的不匹配问题。通过分别对含有噪声的仿真和实测局部放电信号进行去噪处理,并与传统小波去噪进行对比分析,结果表明基于混沌粒子群优化算法的第2代小波具有快速、高效、实现灵活方便的特点,对局部放电信号具有更好的去噪效果。该方法在局部放电信号处理中有广泛的应用前景。

模糊环境下基于Vague集的虚拟企业伙伴选择研究

为解决模糊完工时间和交货期下的虚拟企业伙伴选择问题,提出一种基于Vague集的伙伴选择方法。在给出基于Vague集的交货时间满足度概念的基础上,建立了以极大化交货时间满足度指数为优化目标的虚拟企业伙伴选择模型,该模型考虑了交货时间满足度、成本和任务间的时序关系等因素。为解决标准粒子群优化算法容易陷入局部极值的问题,引入混沌搜索方法,设计了一种混沌粒子群优化算法进行模型求解。实例分析表明,混沌粒子群优化算法比标准粒子群优化算法具有更强的局部搜索能力。

混沌粒子群算法优化最小二乘支持向量机的混凝土强度预测

为了获得更理想的混凝土强度预测结果,提出一种混沌粒子群算法优化最小二乘支持向量机(LSSVM)的混凝土强度预测模型。首先采集混凝土强度数据,并进行归一化处理。然后采用LSSVM对混凝土强度与影响因子之间的变化关系进行建模,并采用混沌粒子群算法搜索最优LSSVM参数。最后采用具体混凝土强度预测实例对其性能进行分析。结果表明,本文模型可以准确描述混凝土强度与影响因子间的变化关系,提高了混凝土强度预测精度,具有一定的实际应用价值。

三种混合粒子群算法比较

混合粒子群算法是融合其它算法或技术特性来针对性地对基本粒子群算法进行改进的一类算法。文中对其中有代表性的三种:交叉粒子群、免疫粒子群、混沌粒子群展开了比较研究,分别从混合目的、混合基本方式、混合算法实现的关键步骤、混合算法的优化性能等多个方面对这三种混合算法进行了比较。通过这些比较,总结出了三种混合算法基本的混合方式及实现步骤、算法各自的特点及适用范围,特别对三种混合算法的优化性能做了较深入的比较和归纳。

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法(PSO)与微分进化算法(DE)都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法(CPSO-DE),该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法(DE)中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO-DE算法的可行性与健壮性。