重心反向粒子群优化算法在无线传感器定位优化中的应用

针对传统DV-Hop算法误差过大、粒子群优化(PSO)算法易陷入局部最优问题,提出了一种重心反向粒子群无线传感器网络(WSNs)节点定位算法。首先将PSO算法结合重心反向学习策略,以整个群体的重心为参考点计算反向解,并且结合粒子正向解和反向解,选取更优适应度值的粒子作为下一代,以进一步提高种群的多样性。其次对粒子运行速度进行改进,在速度中加入一种随机扰动的线性递增项,提高算法后期收敛速度,避免陷入局部最优。最后将重心反向粒子群算法结合DV-Hop定位方法,构建基于重心反向粒子群算法的网络节点定位方法。仿真结果表明:相比传统DV-Hop算法,重心反向粒子群算法的定位精度更高,效果更好,适用于定位精度要求较高的场景。

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5-11-1对铀价格进行预测。结果表明:QPSO-BP模型的预测精度(0.15%)高于PSO-BP模型(4.55%)与BP模型(30.86%)。泛化能力指标平均相对变动值为0.002 5,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。

基于MFO-BPNN的螺旋钻机钻速预测研究

针对利用现有经验公式所建立的螺旋钻机钻速预测模型存在准确度不足的问题,提出了一种基于飞蛾扑火算法(MFO)的反向传播神经网络(BPNN)钻速预测模型。首先,对MFO算法的基本原理进行了研究,构建了MFO算法优化BPNN的具体流程;接着,采集了江苏无锡某施工现场钻探数据,并分析了钻速影响因素,运用小波阈值降噪、归一化和灰色关联度分析等系列方法对采集数据进行了预处理,得到了训练和测试集;然后,将MFO算法运用于神经网络的权值和阈值训练,以代替原有梯度下降法,建立了MFO-BPNN钻速预测模型;最后,对上述预测模型与BPNN模型、遗传算法优化反向传播神经网络(GA-BPNN)模型以及粒子群优化算法优化反向传播神经网络(PSO-BPNN)模型的预测结果和评价指标进行了详细的对比分析。研究结果表明:运用MFO-BPNN建立的钻速预测模型,其可靠性达到了91.65%,其决定系数(R 2)优于其他3种预测模型,3项误差指标也是其中最低的,说明该模型的预测精度良好,适合于桩基础工程的实际应用,可为复杂因素影响下的钻速预测提供一种新思路。

风-光-储和需求响应协同的虚拟电厂日前经济调度优化

目前可再生能源直接并入电网仍然面临稳定性和经济性问题,经过虚拟电厂整合可以缓解对电网的影响。以系统整合后最终运行成本达到最小作为目标,进行新能源出力和负荷在未来24 h的预测,计及电网侧在不同时间内的电价变化情况,采用反向学习的混沌映射自适应粒子群算法对风-光-储能和需求响应不同组合搭配的5种调度方案进行探讨,与原始粒子群算法相比,所提算法可以跳出局部最优解而找到全局最优解。计算结果表明,风-光-储和需求响应都参与供电相比风-光-储供电可以将运行成本降低4.47%,用户舒适度提高3.51%。

基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉(Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR)和粒子群优化-反向传播(Particle Swarm Optimization-Back Propagation,PSO-BP)神经网络算法的矿区地表沉降监测及预测模型.首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性.实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低.与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.

锚杆钻车钻臂定位控制方法

目前常用代数法和几何法实现锚杆钻车钻臂定位控制,存在效率低、有无解或多解情况、通用性差等问题。采用粒子群优化(PSO)算法进行机械臂定位控制具有编程简单、搜索性能强、容错性好等优势,但易陷入局部最优解。目前基于改进PSO算法的机械臂定位控制整体寻优效率较低,寻优时间过长。针对上述问题,在精英反向粒子群优化(EOPSO)算法基础上,引入混沌初始化、交叉操作、变异操作和极值扰动,设计了混沌交叉精英变异反向粒子群优化(CEMOPSO)算法。采用标准测试函数对PSO算法、EOPSO算法、交叉精英反向粒子群优化(CEOPSO)算法、CEMOPSO算法进行测试,结果表明CEMOPSO算法的稳定性、精度、收敛速度最优。建立了锚杆钻车钻臂运动模型,采用CEMOPSO算法进行钻臂定位控制,并在Matlab软件中对控制性能进行仿真研究,结果表明:在相同的迭代次数和误差精度约束条件下,采用CEMOPSO算法时钻臂位置误差和姿态误差从迭代初期即具有极快的收敛速度,且位置误差和姿态误差均小于其他3种算法,误差曲线较平稳,最大位置误差为0.005 m,最大姿态误差为0.005 rad;设定位置误差为1 mm、姿态误差为0.01 rad时,CEMOPSO算法的平均迭代次数为343,位置误差为0.1 mm、姿态误差为0.001 rad时平均迭代次数为473,在相同的定位精度条件下,CEMOPSO算法的收敛速度和稳定性优于其他3种算法,满足工程应用要求,且求解精度越高,其优越性越突出。

基于BPSO-RBF神经网络的网络流量预测

为了提高网络流量的预测精度,针对网络的时变性和混沌性,提出一种反向学习粒子群优化神经网络的网络流量预测模型(BPSO-RBFNN)。首先将网络流量样本输入到RBF神经网络进行学习,采用引入反向学习机制的粒子群算法优化参数,然后建立网络流量预测模型,最后采用仿真实验对模型性能进行分析。结果表明,BPSO-RBFNN可以描述网络流量的时变性、混沌性变化趋势,网络流量预测精度得以提高,具有较好的实际应用价值。

BP-PSO优化改性凹凸棒土吸附Pb(Ⅱ)条件及其机制研究

为探究Keggin离子改性凹凸棒土对Pb(Ⅱ)的吸附性能及获得Pb(Ⅱ)最大去除率,采用响应面(RSM)及反向传播神经网络结合粒子群算法(BP-PSO)对去除条件进行优化,利用X射线光电子能谱仪表征、动力学、等温吸附及热力学研究对吸附机理进行探讨,采用可渗透反应墙对Pb(Ⅱ)去除进行动态模拟。XPS表征结果显示Pb(Ⅱ)被吸附到改性土表面,该吸附过程并未发现氧化还原反应。RSM优化下,预测和实际Pb(Ⅱ)最大去除率分别为83. 85%和81. 24%,相对应的去除条件:反应时间为50. 02 min、初始Pb(Ⅱ)浓度为150 mg/L、温度为20℃及初始p H值为7。BP-PSO优化下最大去除率为85. 68%,对应的实验条件:温度为20℃,反应时间为52. 28 min,初始Pb(Ⅱ)浓度为250 mg/L,初始p H值为7,在此条件下验证实验值为84. 41%。BP-PSO更合适用于优化改性凹凸棒土吸附水溶液中Pb(Ⅱ)。改性凹凸棒土对Pb(Ⅱ)的吸附为吸热、自发及熵驱动的过程。可渗透反应墙中对Pb(Ⅱ)去除率的去除效果不理想。

基于高维空间几何的PSO-BP神经网络图像复原

针对退化图像复原问题,提出了一种基于高维空间几何理论(HDSG)的PSO-BP神经网络图像复原方法。高维空间几何理论中的同胚映射和同源连续性原理,把图像映射为高维空间中的一个点,通过回归原模糊图像和由此图像衍生出的几幅更加模糊的图像对应在空间中几个点的分布曲线,得到清晰的复原图像。在该理论基础上,用PSO-BP神经网络来确定高维空间中各点的关系,通过对训练样本的学习训练,在三幅退化图像与原始清晰图像之间建立映射关系,然后用训练好的网络对测试样本进行复原。对比实验表明,该方法在主观视觉和定量分析上都获得了较好的效果。

考虑静暂态电压稳定性的风电并网系统无功规划

文章提出了计及风电及负荷出力不确定的考虑静暂态电压稳定的风电并网系统无功规划方法。建立了以降低网损、无功规划成本和提高静暂态电压稳定性为目标的风电并网系统无功规划模型,利用高斯反向学习粒子群优化算法(GOL-PSO)求解不同风电参与方式的无功规划方案,比较得到风电最佳参与规划方式及风电并网系统最优无功规划方案。最后,利用Matlab对风电并网的IEEE39系统进行无功规划仿真测试,验证所提方法的正确性和可行性。