改进粒子群优化算法结合BP神经网络模型的水体透射光谱总磷浓度预测研究

使用光谱数据结合融合算法对水体污染物含量进行准确检测以保护水资源已成为一个关键问题。然而,光谱数据的高维特性以及模型的不稳定常常导致预测效果不佳,无法准确的进行检测。本研究提出了一种环保和准确的方法,实现对长江水体中总磷浓度含量的预测。具体而言,首先对测得的长江水质光谱数据进行最大最小归一化和均值中心化两种预处理操作,在消除不同数据量级差异的同时去除了噪声,确保了数据的一致性和可靠性。其次,为了解决光谱数据的高维度问题,采用了核主成分分析(KPCA)方法来降低数据维度并提取特征。KPCA方法通过在高维度的空间中找到一个分类平面,选出能代表原始数据99.42%信息量的前6个主成分,用于后续预测模型的训练。接着在原始粒子群算法的基础上引入了粒子初始化规则、多种群竞争策略、参数自适应更新策略、种群多样性引导策略和粒子变异机制,提高了粒子群的寻优能力,降低粒子陷入局部最优解的概率。并使用改进后的粒子群算法对BP神经网络(BPNN)中的初始化权重和参数大小进行寻优,从而加快网络的收敛效果,提高预测能力。最后,使用本研究所提出的预测模型对测试集中的样本进行总磷浓度的预测,实验结果得到R^(2)为0.975786,RMSE为0.002242,MAE为0.001612。将本模型与当前预测性能较好的其他基准模型进行预测效果的对比,本研究所提出的模型对长江水体总磷浓度预测拟合效果更好,精确度更高。在水资源保护和环境管理领域中使用光谱数据结合融合算法进行预测模型的研究和实践提供了新的思路和观点。

基于粒子群优化算法的量子卷积神经网络

针对当前量子卷积神经网络模型中参数化量子电路缺乏自适应目标选择策略的问题,提出了一种基于粒子群优化算法自动优化电路的量子卷积神经网络模型。该模型通过将量子电路编码为粒子,并利用粒子群优化算法对电路进行优化,从而搜索出在图像分类任务上表现优异的电路结构。基于Fashion MNIST和MNIST标准数据集的仿真实验表明,该模型具有较强的学习能力和良好的泛化性能,准确率分别可达94.7%和99.05%。相较于现有量子卷积神经网络模型,平均分类精度最高分别提升了4.14%和1.43%。

基于改进量子粒子群算法的新能源汽车换电站优化布局

为了针对在新能源换电汽车发展普及过程中的换电站建设相关问题,通过建立以换电站运营目标年限年均综合费用最小为目标,综合考虑土地价格、建站成本、运营成本、维护成本、道路流量、服务能力等因素的优化目标数学模型,以换电能力、换电距离为约束条件。同时利用改进的量子粒子群算法对模型求解,算法引入自适应调整的惯性权重,提高粒子的整体搜索能力,利用Logistic混沌映射初始化种群信息,提升种群的遍历性,通过Levy飞行策略与Cauchy变异策略,提升种群的多样性并扩大算法在迭代过程中的搜索空间,进一步提升算法的全局搜索能力并快速跳出局部最优区域。利用该算法对长春市宽城区进行实际规划,将该区域相关数据引入建立的数学模型,确定了该区域内建设四座换电站时符合预期建设目标,同时确定各电站建设位置及容量,证明研究结果的可行性与实用性。

基于量子行为算法的WSN覆盖优化

针对无线传感器网络节点因随机部署而导致覆盖率低的问题,提出一种基于量子行为的蜣螂算法。首先,采用改进Logistic混沌映射初始化种群,增强种群多样性和全局搜索能力。其次,在蜣螂算法跳舞行为中引入麻雀算法警戒机制,增强全局搜索能力,加快收敛速度。最后,在蜣螂算法觅食行为中引入量子行为,平衡全局搜索和局部搜索。仿真实验结果表明,相较于其他传统算法,改进蜣螂算法能够有效提高无线传感网络节点覆盖率,且节点利用率更高。

基于量子行为粒子群算法的舱室噪声监测点优化布置

针对舱室噪声在线监测及声场预报问题,本文提出了一种基于量子行为粒子群算法的舱室内部声监测点优化布置方法。根据研究频段范围确定所需声腔模态阶数,计算全部备选监测点位置处各阶声腔模态的声场分布,采用模态置信矩阵作为目标函数,基于量子行为粒子群算法对监测点位置进行优化,获得优化布置方案。从声腔模态采样的正交性及内外声场响应的角度与其他测点布置方案进行了性能比较。研究表明:本文方法优化得到的测点布置方案采集声腔模态信息更全面,可有效提升舱室内声场的重建精度和基于舱室内声场监测的水下辐射噪声预报精度。

基于改进量子粒子群优化算法的机器人逆运动学求解

针对工业机器人在逆运动学求解过程中存在的位姿奇异、解不唯一、求解精度低等问题,提出了一种改进量子粒子群算法。首先,利用D-H参数法建立机器人运动学模型,以机械臂末端最小位姿误差为主要优化目标,加入运动前后关节角变化最小、行程平稳连续的约束条件,设计了目标函数;其次,通过采用Levy飞行策略改进粒子更新方式、非线性地动态调整收缩膨胀因子、采用变权重方法计算最优平均位置等方法设计了一种改进量子粒子群优化(IQPSO)算法;然后,模拟单点位姿和连续轨迹两种不同的求解情况进行三种算法(IQPSO、APSO、QPSO)的仿真对比实验,结果表明IQPSO算法具有收敛速度快、求解精度高等优点;最后,将IQPSO算法用于机械臂本体进行实物验证,实验结果表明IQPSO算法求解出的插值点所组成的轨迹连续且平滑,进一步证明了该算法应用于实际运动控制中的稳定性和可行性。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbesti中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。

基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配

为在给定的时间内以最小代价和最大效益完成任务,建立了多无人机协同任务分配问题的多目标优化模型。采用改进的多目标量子行为粒子群优化算法求解最优任务分配方案,定义了一种从所求候选方案中选取最优分配方案的自主选择准则。对比分析多目标粒子群优化、多目标进化算法和该文算法所求的最优分配方案。仿真结果表明该文算法能够较快地求解问题,而且所求最优任务分配方案的性能优于其它三种算法。

基于改进粒子群算法的光伏逆变器控制参数辨识

精准的光伏并网逆变器模型是研究大规模光伏接入下电力系统故障特性的重要工具。目的为了解决现有光伏逆变器仿真模型与实际工作中的光伏逆变器特性相差较大的问题,方法提出采用参数辨识的方法构建逆变器的辨识模型。以重庆云阳某1 MW光伏电站为实际参照模型,首先根据实际工作情况将逆变器的工作区间划分为3个阶段,利用数学扰动法分别对3个阶段中的待辨识参数划分灵敏度高低等级,并由此提出不同阶段不同灵敏度参数分步辨识策略;其次,分阶段采集实际光伏电站工作数据,对该数据进行分析处理,获得各待辨识参数的初始取值范围,设计同步辨识参数实验作为参照;最后提出改进的混沌遗传粒子群优化算法(chaos genetic algorithm of particle swarm optimization,CGAPSO)作为辨识算法,分步分工作阶段辨识相关参数,通过对比参数的同步辨识结果,验证所提方法的优越性,并将辨识结果代入仿真模型。结果结果表明,低灵敏度参数的同步辨识结果误差远超过可接受范围,而CGAPSO分步辨识出的相关参数误差皆在1.1%以下,精度远高于同步辨识结果。结论基于改进粒子群算法构建的辨识模型输出数据与实际逆变器工作数据契合度高,可准确反映逆变器实际工作特性。

基于改进量子粒子群算法的机器人关节空间运动轨迹规划优化

机器人轨迹规划是机器人运动控制实现的关键步骤,轨迹规划的效率与精度直接关系到机器人运动控制的实时性与准确性。将机器人运动轨迹映射到关节空间,并建立轨迹规划的数学模型,使其满足运动过程中的各项物理约束,并避免各关节间的耦合问题。针对量子粒子群算法进行改进,提高其收敛速度,避免陷入局部最优,提出改进量子粒子群算法,并将之应用于机器人轨迹规划的数学模型求解。并且对基于改进量子粒子群算法的机器人关节空间轨迹规划进行测试。测试结果表明,该方法可以代替传统的机器人轨迹规划算法,并且在精度和效率方面具有更高的优势。

采用改进量子粒子群优化算法的虚拟电厂参与二次调频两阶段优化

虚拟电厂(virtual power plant,VPP)作为一种新型区域能源管理系统,可通过“源—荷—储”的协调优化调度,高效参与电网二次调频辅助服务。介绍虚拟电厂内部结构,建模分析新能源机组及可控负荷特性;搭建虚拟电厂参与二次调频两阶段调度模型,该模型能够兼顾二次调频净利润及调频效果;研究一种自适应权重的改进量子粒子群优化(quantum particle swarm optimization,QPSO)算法,通过引入自适应权重机制,在量子粒子更新过程中动态调整权重参数以提高算法的搜索能力和收敛速度;并将改进算法应用于两阶段优化过程中,使虚拟电厂获得更高的二次调频净利润及更好的调频效果;仿真结果表明,所提改进算法的收敛速度更快且全局寻优能力更强。

基于改进量子粒子群算法的叶片延长翼型厚度优化设计

针对如何平衡载荷与升阻比以优化翼型厚度的问题,采用一种改进量子粒子群算法(IQPSO)对翼型厚度进行计算优化,以国产某2 MW风机为例,通过对延长前后的叶尖速比、风能利用率、叶根载荷、升阻比、功率以及发电量等试验数据对比分析来验证所采用的方法。验证结果显示,叶片延长后,优化翼型厚度为15%。同时,在升阻比平均提高约3.156%的基础上,叶根增加载荷水平在Mx、My、Mz方向上最多分别提高了12.3%、12.7%、12.5%,且均在安全范围13%内,发电量相较于历史水平提升34.71%。从而表明通过采用IQPOS进行叶片翼型厚度优化后,在满足叶片承受载荷的前提下,能够显著提高升阻比,可实现风力发电机的性能提升,达到稳定提高发电量的目的。

基于改进粒子群算法的中深层地源热泵供暖系统运行优化

构建变工况运行且包含蓄热装置的中深层地源热泵供暖系统,基于改进粒子群算法,分别以运行费用、系统COP和地热能利用系数为目标函数对系统运行进行优化,并对优化结果进行比较和分析。结果表明:对应目标函数优化后的运行费用、系统COP和地热能利用系数分别为279.27元、6.4420和0.8527。以系统COP为目标函数的优化效果与运行费用相反,而与地热能利用系数相近。

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

基于改进粒子群算法的配电网分布式光伏接入容量优化计算

针对配电网自身调节能力有限、网络架构支撑能力不足导致的分布式光伏接不下、接入不合理等问题,提出一种基于改进粒子群算法的配电网分布式光伏接入容量优化计算方法。首先,对分布式光伏高比例接入情况下的配电线路参数辨识方法进行研究,为容量计算提供准确的拓扑参数。其次,构建了基于改进粒子群算法的配电网分布式电源最优接入容量计算模型;最后,给出了所建模型的求解方法,并通过算例分析,验证了所提配电网分布式光伏接入容量优化计算方法的有效性与合理性。

基于改进粒子群算法的主动配电网无功优化

随着分布式电源在配电网中的广泛应用,部分地区电压越限、有功网损增加的现象时有发生。但传统算法求解无功优化无法适应当代配电网的要求。因此,提出一种改进的粒子群算法应用于主动配电网无功优化。首先,建立有功损耗、电压偏移和、节点最低电压值的多目标函数,通过线性加权求和的方法将多目标函数转换为单目标。然后,提出一种基于种群集中度概念的惯性权重调整,并在算法的学习因子中引入正弦和余弦控制因子,利用改进后的算法进行主动配电网无功优化。最后,在改进的IEEE33节点上进行仿真,验证所提出算法的可行性、有效性。

双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法

为解决粒子群优化(PSO)算法求解双层规划问题时易陷入局部最优解的问题,提出了一种基于模拟退火(SA)Metropolis准则的改进混合布谷鸟搜索量子行为粒子群优化(ICSQPSO)算法。首先,该混合算法引入SA算法中的Metropolis准则,在求解过程中既能接受好解也能以一定的概率接受坏解,增强全局寻优能力;接着,为布谷鸟搜索算法设计一种改进动态步长Lévy飞行,以保持粒子群在优化过程中较高的多样性,保证搜索广度;最后,利用布谷鸟搜索算法中的偏好随机游走机制帮助粒子跳出局部最优解。通过对13个涵盖非线性规划、分式规划、多个下层规划的双层规划实例的数值实验,结果表明:ICSQPSO算法所得12个双层规划的目标函数最优值显著优于对比算法,只有1例的结果稍差,并且有半数实例的结果优于对比算法50%。由此可见,ICSQPSO算法对双层规划的寻优能力明显优于对比算法。

一种基于粒子群优化方法的改进量子遗传算法及应用

本文采用粒子群优化(PSO)方法代替量子门来更新量子比特状态,得到一种改进的量子遗传算法(QGA)———PSQGA,并根据QGA自身概率特性,引入了最优解方差函数来评价该算法的稳定性能.利用四种典型连续函数寻优问题和0/1背包问题,分别对PSQGA和改进的使用量子门的量子遗传算法(IQGA)进行了测试;并将它们应用到图像稀疏分解的实例中.结果表明,PSQGA算法的寻优能力及稳定性均优于IQGA,且具有更好的收敛性以及更强的连续空间搜索能力,适合于求解复杂优化问题.