基于CEEMDAN-VMD-PSO-LSTM模型的桥梁挠度预测

针对桥梁运行阶段的健康状态监测,构建了CEEMDAN-VMD-PSO-LSTM模型对桥梁挠度进行预测。该模型主要分为二次模态分解平稳化、粒子群优化(PSO)算法和长短期记忆(LSTM)网络预测三大模块,共有5个步骤:①利用自适应噪声完备集合经验模态分解(CEEMDAN)算法对桥梁原始挠度序列进行初次模态分解,分解为若干本征模态分解函数(IMF);②使用样本熵(SampEn/SE)计算各IMF分量的复杂度,并通过K-means聚类为高频、中频和低频3个IMF分量;③通过变分模态分解(VMD)算法对高频IMF分量进行二次模态分解;④分别对各个IMF分量通过PSO算法得出LSTM最优超参数组合;⑤将各最优超参数分别代入LSTM模型进行训练,并将各预测结果融合为最终的预测结果。结果表明:该预测方法具有最高的预测精度,为智慧桥梁的安全监测监控提供了新的技术方法。

基于PSO-NARX网络的司机驾驶行为分析方法

舒适性、准时性、节能性等是衡量高速铁路自动驾驶水平的重要指标,通过不断学习优秀司机的驾驶行为,可以优化列车自动驾驶性能,促进高速铁路自动驾驶技术的发展。基于现场列车运行数据,提出一种带有外部输入的非线性自回归(NARX)网络的列车司机驾驶行为分析方法。该方法构建了具有时序特征的NARX网络模型,并选取多项影响司机决策的参数作为输入,利用粒子群优化算法(PSO)确定网络的权重和阈值,对下一时刻列车运行情况进行预测。仿真结果表明:本文提出的PSO-NARX网络分析模型的预测效果优于前馈型神经网络(BP)、PSO-BP、NARX,相比于BP算法,迭代步数降低了373步,误差降低了8382%,相关系数达到了90117%。通过此预测,可以优化列车的自动驾驶设备性能指标,保障列车准时的同时,提高了乘客乘坐的舒适性。

混沌精英池协同教与学改进的ChOA及其应用

针对黑猩猩优化算法存在全局搜索能力弱、寻优精度低、收敛速度慢等问题,提出一种混沌精英池协同教与学改进的黑猩猩优化算法(chimp optimization algorithm improved by the elite chaos pool collaborative teaching-learning,ECTChOA)。采用混沌精英池策略生成初始种群,增强初始解的质量和种群的多样性,为算法全局寻优奠定基础;引入自适应振荡因子平衡ChOA的全局探索和局部开发能力;结合教与学优化算法的教学阶段和粒子群优化算法的个体记忆思想优化种群位置更新过程,提高算法的寻优精度和收敛速度。仿真实验将ECTChOA与标准ChOA、其他元启发式优化算法和最新改进ChOA在12个基准测试函数下进行寻优对比,实验结果与Wilcoxon秩和检验p值结果均表明所提改进算法具有更高搜索精度、更快的收敛速度和更好的鲁棒性。另外,将ECTChOA应用于机械工程设计案例中,进一步验证ECTChOA在实际工程问题中的可行性和适用性。

基于约束聚类和粒子群算法的多路径规划

大型物流中心物流管理信息系统在进行物流配送中,必须进行多配送中心车辆路径问题研究,用尽可能少的车辆,完成货物的配送,并使得行驶总里程最小。业界已经针对多中心路径规划中k条最短路径难问题进行了深入的研究,通过采用传统的聚类算法已经能够实现多路径规划问题,但是在现实多配送中心车辆路径规划中,运输工具的运输能力和用户的需求存在特定限制,本文在聚类算法基础上引入约束机制,将多配送中心问题通过聚类算法降维为单配送中心问题,并在此基础上引入粒子群算法求解单配送中心多路径规划的最优解。通过实验验证该方法的优越性,他比传统粒子群算法的收敛速度至少提升了n(配送中心个数)倍,为路径规划提出了新的解决思路。

基于粒子群和蚁群算法的船舶机舱规划方法

基于粒子群算法和蚁群算法,提出了一种优化算法用于求解船舶机舱布局规划问题.船舶机舱规划问题主要包括设备布置和管路敷设.由于船舶机舱空间有限,设备和管路数量繁多,约束条件复杂,在进行具体设计过程中,需要反复多次校核修改,才能获得可行的设计方案.为了充分考虑设备布置和管路敷设设计两者之间的耦合作用,建立数学模型,从而获得全局最优的设计方案.模拟实验的结果证明,所提出的优化方法在求解船舶机舱布局规划问题中的可行性和有效性.

基于灰色关联与量子粒子群寻优的光伏短期预测

光伏发电系统的功率受天气因素影响很大,结合温度、湿度及辐照强度3个气象因素,对短期光伏功率进行预测。首先阐明3种气象因素与光伏出力的相关关系,进而提出相似日理论,利用灰色关联度分析提取出与预测日气候条件相似的历史日。再将筛选出的历史日数据作为训练数据,利用支持向量机模型对预测日光伏出力进行预测。针对支持向量机中的惩罚系数、不敏感损失系数及核函数核宽度系数的选择,提出改进的量子粒子群算法进行寻优。最后,依据青海某光伏发电站的气候数据及光伏出力数据进行计算,并与带收缩因子的粒子群算法与带惯性权重的粒子群算法进行比较,从误差范围及计算时间等角度,证明了所提方法具有更高的准确性。

一种舰船磁场信息保护方法

针对舰船在经过他国港口和主要航道期间磁场信息易被测获的问题,提出了通过调整消磁绕组控制磁场幅值和磁矩来实现磁场信息保护的方法。首先,分别计算消磁系统最优状态下(最大限度减小磁场幅值)工作和关闭时舰船磁场的幅值和磁矩,以绕组电流为优化对象、以控制磁场幅值到设定水平和减小磁矩相关性为目标,建立数学模型;然后,采用粒子群算法求解绕组电流;最后,通过船模实例验证了该方法的有效性。结果表明:该方法能够有效保护舰船磁场幅值、磁矩和磁场通过曲线特性等磁场信息。

基于粒子群优化支持向量回归机的黄金价格预测模型

为了克服神经网络存在的收敛速度慢、容易陷入局部极值等缺点,提出基于粒子群优化支持向量机(PSO-SVM)的黄金价格预测方法,以影响黄金价格的美元走势、世界黄金储备、石油价格等因素为输入,黄金价格为输出.用粒子群优化算法选择合适的支持向量机参数,对支持向量回归机进行训练.应用训练完成的支持向量回归机预测下一年的黄金价格.结果证明,PSO-SVM的预测精度高于BP神经网络,PSO-SVM适用于黄金价格预测.

一种用于PID控制的教与学优化算法

为了有效提高PID控制器的性能,提出了一种改进的教与学优化算法(MTLBO),并将MTLBO算法应用到了PID控制器的参数优化。改进的教与学优化算法对TLBO算法中的"教"和"学"分别进行了改进,并引入了一种新的"自我学习"方法,使其有效提高了算法的搜索能力,并成功地将其应用于PID控制器的参数优化整定。通过与基本TLBO算法、粒子群算法和遗传算法相比,MTLBO算法在PID控制器的参数优化中具有优化速度快,求解精度高等优势。

PSO与PCA融合优化核极限学习机说话人识别算法仿真

基于机器学习理论开展说话人识别的研究取得了很大进展,在基于核极限学习机(kernel extreme learning machine,KELM)和梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)说话人识别研究基础上,通过主成分分析算法(principal component analysis,PCA)对MFCC进行降维优化、粒子群优化算法(particle swarm optimization,PSO)对KELM初始输入参数进行优化开展基于PSO和PCA融合优化KELM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过,并与MATLAB语音工具箱提供的神经网络和支持向量机说话人识别算法做了性能对比分析。仿真研究结果表明:通过PSO和PCA融合优化改进的KELM,初始输入参数可以任意确定并且不需要迭代更新,并能有效克服因初始权重随机确定导致的性能不稳定,进一步提高分类匹配和运算速度,具有很好的推广应用价值。

基于改进模式搜索算法的天然气管网运行优化

输气管网稳态能耗数学模型是一个具有非线性约束条件、多维的、非凸的最优化问题,需要优化各节点的压力和流量使得压缩机功耗最小或经营效益最大。为了提高求解效率,提出管道流动方程约束的松弛处理方法,扩大最优问题解的可行域。对传统的模式搜索算法中的探测移动策略进行改进,允许搜索空间的大小反复变化,可以随机选择不同维的元素同时变化,提高局部寻优效率。结合粒子群算法,允许每代进化的粒子根据自身经验和社会知识在可行域内飞行。仿真结果表明:对于输气管网的非线性优化模型,在相同的初始条件和计算精度下,改进模式搜索算法可以在全局范围内寻找最优解,增强了模式搜索算法的智能性;求解结果优于传统的单纯形算法和积极集算法的结果。

基于多目标的消磁绕组优化调整方法

针对目前舰船消磁绕组优化调整方法中只考虑舰艇磁场信号幅值而较少考虑磁场梯度信号幅值的不足,提出同时以磁场幅值和磁场梯度幅值削减为目标的优化调整方法.为此,首先以线圈等效电流值为优化对象,磁场和梯度峰值为优化目标,建立了消磁绕组优化调整的多目标数学模型;随后采用多目标微粒群算法求解得到了该优化问题的Pareto解集;最后通过一个计算实例验证了方法的有效性.实例结果表明该方法能够同时处理磁场和磁场梯度幅值,并能给出多种不同等效电流组合以供选择使用.

基于质心的改进型粒子群优化算法

为了加快粒子群算法收敛速度、提高粒子群的全局优化效率和精确度从而避免陷入局部最优解,提出了一种改进型的基于质心的粒子群优化算法模型,该模型能有效地提高粒子群之间的合作和信息共享能力。仿真结果表明基于"质心"的改进型粒子群优化算法在收敛性方面具有显著优越性。

PSO-RBF在大坝变形监测中的应用

针对传统径向基神经网络(RBF)在大坝安全监测应用中易陷入局部最优及预测精度不高的问题,引入粒子群算法(PSO),对输入的大坝安全监测数据进行初步的聚类处理,找出初步聚类中心后令其为PSO的初值,根据运算法则更新初值以寻求适合训练数据的最优基函数中心。以小湾大坝为例,应用Matlab仿真模拟计算了大坝变形量,结果表明PSO-RBF与传统RBF的拟合效果都很好,PSO-RBF预测准确度更高。

一种改进型粒子群优化波达方向估计算法

对空间多个窄带信号源的高分辨波达方向估计是移动通信、雷达、声纳、电子监控和地震研究等信号处理中的重要问题之一。而现在的一些获取波达方向估计最大似然解的算法存在收敛速度慢或者局部极值问题,为了克服这些问题,本文以粒子群算法为基础,在粒子群算法的速度更新公式基础上考虑了粒子平均信息的影响,并对惯性因子进行改进,考虑了当前粒子与当前最优粒子之间的距离,并用其来寻求波达方向最大似然估计的全局最优解。仿真结果表明:与改进前的粒子群算法相比,基于改进粒子群优化算法的波达方向估计在提高搜索全局最优速度和估计精度上都有优势。

计及经济效益的分布式电源多目标优化规划

建立了分布式电源(Distributed Generator,DG)多目标多约束的优化数学模型,以配电网有功损耗费用最小、分布式电源运行费用最小和系统有功网损最小作为目标函数,考虑功率平衡、电压越限等约束条件,采用线性加权的方式将多目标转化为单目标,并采用量子粒子群算法实现了上述目标的优化.通过对IEEE33节点系统仿真结果表明,合理优化DG的位置和容量可有效降低系统的经济费用,提高配电网的优化经济运行.

相空间重构和支持向量机相融合的网络流量预测

针对网络流量非线性、突变性和混沌性特点,利用相空间重构和支持向量机参数的天然联系,提出一种相空间重构和支持向量机相融合的网络流量预测方法。将网络流量预测精度作为建模目标,采用粒子群算法对空间重构和支持向量机参数进行组合优化,建立最优网络流量预测模型。仿真实验结果表明,相对于传统网络流量预测方法,该方法更加能够刻画网络流量复杂的变化特点,有效提高了网络流量的预测精度。

太阳能热发电集热系统终端受限非线性模型预测控制

针对线性菲涅尔太阳能热发电集热系统的平稳性问题,提出了基于终端受限非线性模型预测控制(TLNMPC)策略。建立了系统预测模型;将终端约束条件转换为对控制量的约束条件,在模型预测滚动优化过程中加入粒子群(PSO)算法和梯度下降法形成混合寻优(PSOTLNMPC)算法;采用反馈校正修正模型预测值;按照不同的天气设定集热系统出口导热油温度目标曲线;采用MATLAB软件,通过TLNMPC算法和PSO-TLNMPC算法跟踪目标曲线,对比2种算法的控制效果。结果表明:在不同太阳辐射强度下,PSO-TLNMPC算法精度均较TLNMPC算法高,且滞后时间短,均方差显著小于TLNMPC。因此,PSO-TLNMPC算法跟踪误差小且控制精度高,控制效果优于TLNMPC算法。

基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。

基于ADPSO算法的机械臂轨迹规划

焊接机械臂工作路径复杂,对规划轨迹平滑性要求较高,并且规划轨迹需满足各关节运动学约束。提出了带扰动的自适应粒子群(Adaptive particle swarm optimization,ADPSO)算法,可以在满足关节约束条件下规划出时间、能力、跃度最优轨迹。采用5次NURBS曲线插值关节工作路径点,使各关节位置、速度、加速度、跃度曲线均连续光滑。利用ADPSO算法进行多目标最优轨迹规划,首先,将粒子外推思想与粒子群优化(Particle swarm optimization,PSO)算法结合,以增强粒子搜索能力;然后,对搜索所得个体极值与群体极值引入扰动,加快粒子收敛速度。在Matlab环境下进行仿真分析,对比其他智能算法,ADPSO算法的优化效果更好、优化时效性更快。