一种新的带有动态自适应惯性权重和混合变异的粒子群优化算法

提出一种新的带有混合变异算子的自适应粒子群优化算法。该算法使用了动态自适应惯性权重,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。在每次迭代过程中,对符合变异条件的粒子进行混合变异。通过对六个典型的测试函数的试验,表明该方法具有较强的全局寻优能力,克服了基本PSO易陷入早熟收敛的现象,并进一步提高了计算精度。

一种基于自适应动态惯性权重加压缩因子的人工藻算法

针对标准的人工藻算法(AAA)会由于参数选取不当等原因导致过早收敛和易陷入局部最优解等问题,本文提出一种自适应动态惯性权重(SW)加压缩因子(CF)的人工藻算法(CFSWAAA).为了平衡算法的全局探索和局部改良能力,自适应动态惯性权重被引入到人工藻算法中:为了控制和约束人工藻位置的移动距离,压缩因子被引入到人工藻算法的位置更新中,从而提高算法的收敛速度.最后文章利用4个标准测试函数对改进的算法进行了仿真测试.仿真结果表明,基于自适应动态惯性权重加压缩因子的人工藻算法相比现有的其他四种算法具有较高的优化性能.

基于改进粒子群优化算法的永磁球形电机驱动策略研究

永磁球形电机(PMSpM)是一种结构紧凑、可多自由运动的单关节传动装置。该文提出一种适用于PMSpM驱动策略优化的改进粒子群优化(IPSO)算法,该算法可实时计算PMSpM期望转矩所对应的线圈驱动电流。首先,通过圆环函数建立PMSpM转矩解析模型,并构建转矩Map图;然后,在确定种群数量后为标准粒子群优化(PSO)算法引入自适应动态惯性权重和自适应学习因子,将所提IPSO算法与PSO算法进行仿真对比,仿真结果表明,在同样的精度下采用IPSO算法计算驱动电流比采用PSO算法有更快的计算速度;最后,通过PMSpM控制试验进一步证明了该仿真结论的正确性。

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义。充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBALSTM)。引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验。实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测。

改进粒子群优化算法在GM(1,1,λ)模型上的应用

提出了一种带有动态自适应惯性权重和随机变异策略的粒子群优化算法.在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。当用早熟判断机制判断算法陷入早熟收敛时,采用随机变异策略使其跳出局部最优。将改进的算法应用于GM(1,1,λ)模型的求解,具体实例表明改进的粒子群优化算法能够显著提高GM(11,λ)模型的精度。

基于灰色关联的LS-SVM道路交通事故预测

为提高道路交通事故的预测精度以及建模速度,在分析道路交通事故影响因素基础上,提出了基于灰色关联分析的LS-SVM道路交通事故预测模型。该模型采用灰色关联分析完成影响因素的相关性分析,结合关联度值,筛选最小二乘向量机模型的输入变量,简化LS-SVM模型结构;然后运用动态改变惯性权重自适应粒子群算法(DCW-APSO)对模型参数进行优化选取;最后应用模型预测1996—2000年的综合道路交通事故死亡率,并将预测结果与其他模型进行对比分析。结果表明,相较其他预测模型,该模型具有较快的收敛速度,并能明显提高道路交通事故预测的精度。

基于多种群多模型协同进化的粒子群优化算法

为克服标准粒子群优化(PSO)算法易陷入局部极值和优化精度较低的缺点,提出一种多种群多模型协同进化的粒子群优化(MSM-PSO)算法。将整个粒子群分成大小相等的3个分群,各分群采用不同的进化模型,分群间相互影响促进。同时采用自适应动态惯性权重,以保持种群多样性,降低陷入局部极值的概率。测试结果表明,该算法全局性能好、寻优精度高。