二阶微粒群算法

为了提高标准微粒群算法的全局收敛性,提出了一种新的微粒群算法——二阶微粒群算法.首先,介绍了二阶微粒群算法的引入,分析了其收敛性,并且研究了其参数的选择范围.其次,在分析二阶微粒群算法的进化方程的基础上,引出了具有随机惯性权重的标准微粒群算法.再次,在二阶微粒群算法中加入振荡因子来调整微粒的速度变化率,更好地使二阶微粒群算法收敛于全局最优.最后,利用这几种改进方法对典型测试函数进行仿真,实验结果表明,这些方法能够有效克服早熟问题,在全局收敛性和收敛速度方面均优于标准微粒群算法.

二阶微粒群算法的理论研究

基于微粒群算法进化思想提出的二阶微粒群算法,从理论上分析此算法可以提高其性能及在实际生活中的应用.首先运用递归方程分析微粒运动轨迹的位置和速度,推导出微粒的轨迹与速度收敛条件,然后选取两组参数用MATLAB仿真验证其合理性.最后利用4个测试函数与标准微粒群算法进行比较.实验结果表明,二阶微粒群算法能够更快更好地收敛于全局最优.

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。

基于二阶振荡微粒群最小二乘支持向量机的物流需求预测

为了提高物流需求的预测精度,在分析物流需求影响因素基础上,建立了物流需求的二阶振荡微粒群最小二乘支持向量机预测模型。利用最小二乘支持向量机(LSSVM)描述物流需求与其影响因素间的复杂非线性关系,并通过二阶振荡微粒群(TOOPSO)算法优化选择LSSVM参数。实例分析表明,模型具有较高的预测精度,TOOPSO算法搜索LSSVM最优参数时间明显少于传统交叉验证法,是一种有效的物流需求预测方法。

蜡沉积速率模型的最优化研究

根据蜡沉积的动力学机理,针对管内壁的剪切应力、温度梯度、蜡分子浓度梯度和原油的动力粘度等影响蜡沉积速率的因素,选用幂律模型作为结蜡速率模型,并用二阶微粒群算法对该蜡沉积速率模型参数进行优化处理,结果证明,采用微粒群算法获得的数学模型的准确性优于采用逐步回归分析法。