基于动态惯性因子的五轴混联机床跟随误差实时溯因模型

为提高零件的加工效率及加工精度,准确分析五轴混联机床的轨迹误差,提出了基于动态惯性因子的五轴混联机床跟随误差实时溯因模型。建立五轴混联机床运动学模型,对位置进行逆解处理,运用机械传动装置的动力学微分方程,采用时间序列分析方法对机床演化特征进行分析,查找机床工作时的误差项,通过动态惯性因子优化SVM算法收敛能力,实现五轴混联机床跟随误差实时溯因。以某型号五轴混联机床为例,对时序信号进行去噪处理,分别分析了反向跃冲误差、直线度误差情况,实验结果表明所提模型的收敛性能较好,能跟踪到误差对象,噪声平滑效果较好,可跟踪到各个方向的误差。

基于动态惯性因子的PSO算法的研究

标准粒子群算法是一种有效的寻找函数极值的演化计算方法,它简便易行,收敛速度快。但算法也存在收敛精度不高,易陷入局部极值点的缺点。针对这些缺点,在原有算法的基础上,提出一种动态改变惯性因子的粒子群优化算法(DCW-PSO),使得粒子在迭代过程中惯性因子随粒子进化度和聚合度的变化而改变。文中通过对测试函数的仿真实验,并与自适应改变惯性因子的粒子群算法(ACWPSO)以及标准粒子群算法比较,其结果表明这种改进的粒子群算法在性能上明显优于这两种粒子群算法。

断层参数反演的动态惯性因子的粒子群算法

采用大地测量观测数据进行地震断层参数反演是大地测量反演的研究热点,也是研究地震发生机制的重点。针对目前在断层参数反演中所用粒子群算法反演精度较低的问题,分析了地震断层参数反演的非线性特点和基本粒子群算法的特征。考虑到基本粒子群算法在处理高度非线性问题时易陷入局部最优解,且求解过程中局部最优解与全局最优解之间会相互影响,通过分段调整影响粒子速度的惯性因子和影响全局最优解与局部最优解的加速因子,得到了一种适用于地震断层参数反演的分段动态调整参数的粒子群算法,应用于模拟地震与拉奎拉真实地震的断层参数反演。模拟地震实验结果表明,所提算法具有稳定性,且求得的断层倾角、滑动角较多峰值粒子群算法更接近真值。在2009年拉奎拉地震实例中,所提算法求得的断层参数正演后所得形变量与地表观测值的均方根误差为5.2 mm,优于多峰值粒子群算法的6.7 mm。以上结果表明,所提算法获得的断层模型更符合真实的断裂条件,具有一定的实际应用价值。

基于动态因子的粒子群算法在航路规划中的应用

粒子群优化PSO(Particle Swarm Optimization)因其实现容易、精度高、调整参数少、收敛速度快等优点而在解决优化问题中得到了广泛的应用。分析了惯性权值及加速度因子对粒子群算法优化性能的影响,进而提出改进粒子群算法的方法:线性或非线性动态调整惯性因子,从而有效地提高算法的搜索能力;进行了仿真实验,仿真结果表明改进后的算法在全局搜优的速率与精度方面均有明显提高。

基于惯性因子动态化的一种改进型粒子群算法

由于PSO算法采用了随机集群的理念，与其他智能算法类似，会出现“早熟”或收敛速度慢的问题。全面学习粒子群算法（CLPSO）是模拟鸟群的随机搜索行为的一种应用于连续空间的群体智能优化算法，其主旨是对每个粒子的历史最优值一种概率的形式出现进行更新。受全面学习粒子群算法启发，结合基于惯性因子的PSO改进算法，对惯性因子动态化，得到一种改进型粒子群算法。改进算法可以较好地拓展粒子的学习对象和搜索范围，避免“早熟”现象；能够较好地跳出求解聚类中心过程中易陷入某一局部的极小值的情况，从而得到全局最优解。

一种改进的IPSO-BP神经网络在股指预测中的应用——以上证综指为例

针对股票数据具有规模庞大、结构复杂、多噪声和高度模糊非线性等特点而导致预测难的问题,利用改进的粒子群算法(固定惯性因子动态化)优化BP网络权阀值,建立了一个基于历史日收盘价、最低价、最高价、成交量、成交额、涨跌幅为输入变量,日开盘价为输出变量的预测模型.利用MATLAB软件对2007年1月4日至2015年8月31日上证综指(开盘价)进行了仿真预测,并且从绝对误差与相对误差等角度对比分析了BP网络优化前后的预测结果,结果表明IPSO优化后的BP网络不仅可以更快地实现收敛寻优,而且在对未来股价的趋势判断与指数预测方面均具有较好的预测效果.

基于云计算的数字图书馆资源共享平台构建与设计研究

针对云计算下数字资源共享问题,提出一种基于动态惯性权重蝙蝠算法的资源调度模型。针对基础蝙蝠算法收敛精度和速度较差的问题,引入动态惯性权重因子对算法的速度更新项进行改进;针对蝙蝠算法容易陷入局部最优解的问题,引入高斯扰动提高蝙蝠个体的突变能力。改进后的算法,在收敛速度和精度上,都得到了大幅度提高,更容易求得全局最优解。实验证明,在云计算下的资源调度中,任务数量和资源数量分别发生变化的情况下,改进算法完成任务的时间始终较对比模型更低,完成任务的效率较基础蝙蝠模型提高了12.3%~37.4%和9.7%~34.2%;较混合蝙蝠模型提高了4.8%~19.1%和5.6%~20.3%,算法性能更具有优越性。