基于粒子群优化算法的农业机器人控制策略研究

介绍了粒子群优化算法的概念,并由数学模型、边界约束和环境约束对农业机器人优化约束模型进行了分析,实现了对农业机器人的动态避障和路径规划。仿真实验表明:针对复杂的作业环境,农业机器人可以进行最优避障路径规划,且算法收敛速度较快,能够满足设计要求,证明系统具有一定的可行性。

基于粒子群优化-熵权无偏灰色马尔可夫模型的沥青道面性能预测

为提高沥青道面使用性能的预测精度,针对道面性能数据累积年限少、波动大的特点,采用熵值法对多个道面单元进行赋权,并利用粒子群算法(PSO)和马尔可夫模型对传统无偏灰色模型残差序列的状态区间和白化系数进行优化,构建可准确预测沥青道面性能的PSO-熵权无偏灰色马尔可夫模型.结合西北某机场沥青道面6个检测单元前7年的道面状况指数进行模型精度检验,结果表明:与传统无偏灰色模型相比,经马尔可夫模型划分残差序列空间并使用PSO算法寻找最佳白化函数后,优化模型第1年~第5年各单元残差和相对误差均减小,且整体预测精度分别提高0.05%、0.28%、0.05%、0.03%和0.14%,第6、7年的整体预测精度分别提高12.9%和19.2%,说明优化后的模型对实际沥青道面的预测结果更具有效性和针对性.

基于互信息粒子群优化-长短期记忆神经网络医疗设备运行质量预测模型的慢性呼吸系统疾病诊疗设备智能管理研究

目的:基于互信息粒子群优化(PSO)-长短期记忆(LSTM)神经网络构建医疗设备运行质量预测模型,辅助慢性呼吸系统疾病诊疗设备智能管理。方法:采集设备基本数据、使用数据、维修数据和性能数据进行去噪和标准化处理,构建基于PSO-LSTM神经网络医疗设备运行质量预测模型(简称PSO-LSTM模型),制定设备使用、维护、维修及报废的智能管理方案。选取2019年8月至2023年7月新疆维吾尔自治区人民医院呼吸科临床在用的139台医疗设备,将2019年8月至2021年7月的67台设备采用经验管理模式,2021年8月至2023年7月的72台设备采用智能管理模式。计算传统循环神经网络(RNN)、LSTM神经网络模型训练集和测试集与PSO-LSTM神经网络模型的预测准确性,对比两种管理模式设备管理质量和设备使用操作与技术保障人员以及患者或家属对两种管理模式的管理满意度。结果:PSO-LSTM模型训练集预测准确性的平均绝对百分比误差(MAPE)值和均方根差(RMSE)值分别为0.014和0.008,测试集分别为0.032和0.018,均低于RNN和LSTM模型。采用智能管理模式的设备平均故障频次、平均开机率、管理成本平均增幅、平均维护执行率及平均报废合规率分别为(0.99±0.85)次/年、(95.74±2.16)%、(1.72±1.28)%、(96.49±1.97)%和(97.59±1.49)%,平均故障频次和管理成本平均增幅低于经验管理模式,平均开机率、平均维护执行率和平均报废合规率高于经验管理模式,差异有统计学意义(t=3.297、3.469、2.394、4.187、3.503,P<0.05);设备使用操作与技术保障人员及患者或家属对采用智能管理模式的设备性能、运行质量、管理方式、管理成本以及诊疗效果满意度评分分别为(94.73±1.85)分、(93.38±3.15)分、(93.48±2.02)分、(94.35±2.34)分和(95.14±2.07)分,均高于经验管理模式,差异有统计学意义(t=4.131、3.827、5.716、3.430、3.173,P<0.05)。结论:基于PSO-LSTM神经网络医疗设备运行质量预测模型能更准确地评估设备运行状况,提高医疗设备临床运行质量,改善临床服务满意度。

基于粒子群算法的农用轮胎柔性环模型参数辨识方法

轮胎柔性环模型能准确表达轮胎变形,但模型的刚度参数无法直接测定,因此模型刚度参数的辨识成为建模过程中的关键。本文基于轮胎柔性环模型运动学方程,分析农用轮胎固有频率与刚度参数之间的关系,提出基于粒子群算法的柔性环模型刚度参数辨识方法。通过轮胎模态试验获取轮胎固有频率,采用粒子群算法对柔性环模型刚度参数进行辨识。将固有频率的试验值与预测值的平均误差作为评价指标,对比粒子群算法与传统算法及遗传算法辨识结果,结果表明粒子群算法的参数辨识结果精度较高,平均绝对误差为1.67 Hz,平均相对误差为1.66%,相较于遗传算法,平均相对误差降低16.16%,运算时间减少93.19%。通过接地印痕试验获取农用轮胎接地角度,结合辨识所得刚度参数,估算轮胎所受到的垂向力,对比垂向力的试验值与预测值,结果表明粒子群算法的参数辨识结果精度较高,垂向载荷估算平均相对误差为1.97%,相对于遗传算法,平均相对误差降低12.05%。

基于粒子群算法对纬编针织物Johnson-Champoux-Allard模型参数反分析研究

为快速获取纬编针织物JCA(Johnson-Champoux-Allard)模型参数,建立材料、结构与模型函数关系,实现吸声性能预估,提出迭代次数少、可快速达到全局最优解的粒子群算法对JCA模型进行反分析求解,并以吸声系数实验值和设定值差值平方和的最小值为适应度函数,设置约束,添加学习因子与惯性权重对反分析过程进行限制,多次迭代得到孔隙率、流阻率、曲折因子、黏性特征长度与热特征长度的数值;然后建立JCA模型参数(孔隙率与流阻率)与针织物结构参数(未充满系数)的函数关系,以达到快速获取不同结构针织物JCA模型参数,进而对其吸声情况进行预估的目的;最后,用有限元方法对快速获得的JCA模型参数准确性进行验证。结果表明:基于粒子群算法可精确获得针织物JCA模型的5种参数,迭代次数少于200;针对纬平针组织不同规格,未充满系数可直接换算结构参数(孔隙率与流阻率),结合已知材料参数(曲折因子、黏性特征长度与热特征长度)快速计算出纬平针组织和双反面组织的吸声系数曲线发现,吸声系数曲线拟合度较高,R^(2)分别为0.809和0.852。

免疫粒子群算法在修正高斯模型下的源强反演

为提高危险气体泄漏溯源定位的科学性和实效性,确定危险气体泄漏位置和强度是事故应急响应的关键。首先,根据质量守恒定律,分析、改进近似高斯分布的气体羽流扩散幅度,修正高斯烟羽模型;然后,基于免疫浓度筛选机制作为主策略的免疫算法(IA),通过与粒子群算法(PSO)耦合,将混合免疫粒子群(PSO-IA)算法应用到源强反演中;最后,验证PSO-IA算法溯源定位效果。结果表明:与模式搜索法(PS)、遗传算法(GA)、PSO相比,修正高斯烟羽模型预测值误差均下降2%左右;混合PSO-IA算法相较PSO算法反演源强效果有明显提升,其算法定位误差为1.3 m,求解源强误差为0.8%,单次计算时间小于1 s,能实现快速、准确定位并估算源强度。

基于粒子群算法最优化Verhulst模型的开采残余下沉预测

矿区开采引起的残余下沉稳定时间长、潜在危害大,有必要准确地预测矿区地表的残余下沉。鉴于传统的残余下沉Verhulst模型建模误差大、适用性弱,在建模过程中以数据序列的首个数据保持不变导致预测效果差的缺陷,以直接离散Verhulst模型为基础,引入粒子群算法寻求模型迭代初始值的最优解,建立基于粒子群算法优化的矿区开采残余下沉直接离散Verhulst模型,并以山西阳泉和山东兖州矿区两个时间尺度的地表残余下沉监测数据集进行实例验证,最后利用MATLAB App Designer工具实现模型算法的可视化。结果表明:基于粒子群算法优化的直接离散Verhulst模型的矿区开采残余下沉预测精度和稳定性增益明显,所开发的计算工具具有正确性和有效性。

基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型研究

目的研究基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型。方法选取2019年4月至2023年4月医院有创呼吸机使用情况数据,建立基于粒子群优化长短记忆网络(PSO-LSTM)算法的有创呼吸机使用量预测模型,预测全院及重症监护病房(ICU)有创呼吸机每天使用数量。采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及均方根误差(RMSE)作为准确性评价指标。结果PSO-LSTM模型预测重症ICU有创呼吸机每天在用量与LSTM模型比较,其MAE值降低41.15%、MAPE值降低50%、RMSE值降低44.36%;PSO-LSTM模型预测全院有创呼吸机每天在用量与LSTM模型比较,MAE值降低81.93%、MAPE值降低83.33%、RMSE值降低79.08%,PSO-LSTM模型预测精度高于LSTM模型。结论PSO-LSTM模型能够准确预测有创呼吸机的每天在用量,为有创呼吸机采购决策提供科学依据,为创建全院呼吸机管理共享中心提供数据分析基础,进一步提升医疗设备精细化管理水平。

粒子群PMSM双矢量模型预测电流控制

为了提高永磁同步电机(PMSM)的运行性能,提出一种新的双矢量模型预测电流控制(MPCC)策略。对粒子群算法进行改进,将改进后的粒子群算法(IPSO)用于第二电压矢量寻优。对一款1.5 kW的PMSM进行仿真研究,并在dSPACE平台进行了实验验证。结果表明:与传统的双矢量MPCC相比,在转速响应相当的情况下,电流纹波降低了31.7%,稳态转速波动降低了70.6%。可见提出的新的策略是可行的,有效改进了系统的运行性能。

基于改进粒子群算法的分散式电采暖负荷模型参数辨识

分散式电采暖负荷是一种具有巨大调节潜力的需求响应资源,但是,用户行为差异、太阳辐照度等随机因素为建立精确的分散式电采暖负荷模型增加了一定难度。首先,结合具体应用场景,搭建基于气候模拟平台的分散式电采暖负荷实验平台,采集负荷建模实验数据。然后,针对分散式电采暖负荷二阶等效热参数模型方程较为复杂的问题,以仿真温度与实测温度之间的误差最小为目标,提出基于改进粒子群算法的模型参数辨识方法,建立分散式电采暖负荷模型。最后,通过改变数据采样周期,对负荷模型进行优化。结果表明,所提参数辨识及建模优化方法可以有效地提高分散式电采暖负荷二阶等效热参数模型精度。

基于粒子群算法的燃料电池仿真模型建模与分析

利用MATLAB/Simulink软件平台,对燃料电池的开路电压和极化作用引起的过电压分析计算,重点通过粒子群优化算法对公式中经验参数进行迭代寻优确认,形成一种实用且准确的燃料电池计算模型,经计算单体电压计算误差小于±3%。

基于粒子群优化相关向量机的爆破飞石距离预测模型

为了快速、准确地获取爆破飞石距离,及时控制爆破危害,提出了一种基于粒子群优化(particle swarm optimization,PSO)相关向量机(relevance vector machine,RVM)的爆破飞石距离预测模型。该模型用PSO对RVM模型核宽度参数进行优化,自适应获取最优参数,利用优化后的RVM建立炮孔孔径、炮孔长度、最小抵抗线与孔距之比、炮孔填塞长度、最大一段装药量和炸药单耗6个主要影响因素与爆破飞石距离的非线性映射关系。采用绝对值相对误差δ、均方根误差E_(RMS)、均方误差E_(MS)、平均绝对误差E_(MA)、相关系数R 2等多项指标对模型性能进行评价。将该模型应用于马来西亚柔佛州某矿山的爆破飞石距离预测,并与相同样本下的二次有理高斯过程回归模型、中等高斯核支持向量回归模型和双层神经网络模型3个模型中的最优结果对比:PSO-RVM模型的R 2提高了7.1%,E_(RMS)降低了14.56%,E_(MS)和E_(MA)分别降低了26.99%和15.96%。PSO-RVM模型的预测结果可信度和拟合度更好、精度更高。

基于多目标粒子群算法的A356铝合金蠕变本构模型的构建

在150,250,300℃温度和20~150 MPa应力下,对A356铝合金进行单向拉伸蠕变试验,研究了其蠕变特性;采用多目标粒子群算法得到Norton-Bailey幂律模型、Garofalo双曲正弦模型和基于变形机制的真应力蠕变模型的参数,并采用这3种模型对A356铝合金的最小蠕变速率-应力曲线进行预测,分析3种模型的预测精度。结果表明:A356铝合金的最小蠕变速率与试验温度和应力成正相关,但温度对最小蠕变速率的影响程度大于应力;基于变形机制的真应力蠕变模型具有最高的预测精度,对最小蠕变速率的预测结果中90%数据点均位于2倍误差带内。结合多目标粒子群算法得到的基于变形机制的真应力蠕变模型可以用来准确模拟宽幅温度和应力范围下A356铝合金的蠕变特性。

基于粒子群模型的灭火救援路径优化技术

为了提高灭火救援效率,本文针对救援路径优化问题,提出了一种改进的粒子群模型优化方法。对传统粒子群模型进行了改进,形成了量子空间中重新映射的粒子群模型,推导出了改进粒子群模型的波函数方程、概率密度函数、位置更新策略和势能井更新机制函数等。在100个栅格的试验地图中,通过静态障碍区域和动态障碍物2组试验验证了所提方法的有效性。

基于PSO粒子群算法的蔬菜补货与定价建模

在生鲜类蔬菜的补货与定价策略中,本文针对类蔬菜销售明细流水数据,在利润最大化背景下对生鲜类蔬菜的补货与定价策略进行建模求解。首先对于各品类蔬菜的销售总量与销售定价的关系,计算皮尔逊相关系数,利用相关性系数r来展现销售量与销售定价的负相关关系。这一结果表明,在生鲜类蔬菜的销售过程中,降低售价可以增加销售量,但同时也可能降低利润。因此,我们需要在销售量与利润之间找到一个平衡点,以实现利润最大化。然后,为了建立一个销量与定价预测的模型来给出各品类蔬菜未来一周补货量与定价计划,采用LSTM模型对销售量及成本进行预测。最后,基于PSO粒子群算法建立优化模型,根据前述关系与成本、销量等数据以及考虑市场等诸多因素在内构建约束条件,结合历史数据给出各类品计划来实现利润最大化,并进行灵敏度分析进一步检验精度。此外,本文的研究方法也可为其他商品的补货与定价策略提供借鉴,具有一定的推广价值。

基于PSO粒子群优化BP神经网络的深基坑变形与支撑轴力预测

深基坑工程监测与预测是确保建筑工程安全与可靠度的关键。文章引入PSO粒子群及动态拓扑网络进行优化,实现了BP神经网络隐含层参数的精准分析,提高了全面预测能力。文章基于PSO粒子群优化BP神经网络模型,对不同施工阶段深基坑变形与支撑轴力演变过程进行预测评估。结果表明,基于PSO粒子群优化BP神经网络模型的变形和轴力预测结果与实测数据吻合较好,且其准确率相较传统BP神经网络模型显著提高。文章研究成果对于提升深基坑工程预测精度具有实用价值,可为施工过程风险预警和安全管理提供科学参考。

基于改进粒子群算法的农村物流配送中心选址优化模型

文章在划定农村物流配送中心类型的基础上,以灰色理论预测农村物流配送需求,从而确定物流配送目标与作业流程。根据设定的物流配送与工作流程,基于改进粒子群算法构建选址模型,并通过对比测试的方法论证新模型的有效性。

基于自适应粒子群优化算法的电动汽车换电站选址模型设计

近年来,新能源电动汽车市场呈现快速增长态势,从而导致电动汽车的补电系统面临极大挑战。为完善电动汽车换电站科学管理布局,缓解电动汽车用户换电压力,开发一套自适应粒子群优化算法的电动汽车换电站选址模型。电动汽车换电站的选址规划是重要的长期决策,选址的优劣直接影响服务方式、服务质量、服务效率、服务成本等。通过电动汽车换电站选址模型以优化充电站等级、成本、容量以及服务半径为导向,极大节省换电站建设费用,有效提高电动汽车换电效率。

基于混沌粒子群优化算法的电力大规模应急物资管控领域本体模型研究

针对评价指标关系丰富性和可解释性低,不能满足管控领域本体建模需求的问题,提出基于混沌粒子群优化算法的电力大规模应急物资管控领域本体模型。采用混沌粒子群优化算法,设计映射实体对集合。通过评价适应度和稀疏度,更新粒子位置并判断是否停止迭代。计算得到最优映射结果,并使用全局DEA评估模型是否符合要求。实验结果表明,综合考虑关系丰富性和可解释性指标,研究模型在整体上表现相对较好。

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。