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。

基于粒子群-随机森林模型的采样布局优化

采样设计是获取土壤有机质空间分布信息的关键环节,直接影响有机质预测空间分布的精度。目前常用的采样设计方法大多存在样本量大、效率低的问题。因此采用最少数量和最优空间布局的采样方案对于长时序准确监测土壤有机质的时空变化至关重要。以北京市延庆区耕层土壤有机质为研究对象,基于525个原始样点采用变异系数和相对偏差计算确定合理样本数量。通过植被指数、土壤质地类型、土壤母质类型、地形湿度指数、坡度、年均降水量等辅助变量建立随机森林模型,利用粒子群算法收敛随机森林预测误差,对各样点的空间布局进行优化,确定监测点最小数据集的最优空间分布格局。结果表明,利用粒子群-随机森林模型制定的土壤采样方案是可行的。优化后的样本数量减少至37个,减幅达92.95%;粒子群-随机森林均方根误差和模型拟合效果均优于随机抽样和粒子群-地统计抽样方法,R^(2)为0.51,RMSE达到10.66g·kg^(-1);优化后生成的空间分布图与原始数据接近,相对误差为4.71%,估计较为准确。采用的粒子群-随机森林模型较为准确的反映区域耕层土壤有机质的空间格局,且兼顾抽样精度和抽样成本,能为后续采样方案提供科学建议。

基于EMD调制和粒子群模型的发电机组轴心轨迹提纯

根据发电机组轴心轨迹图的特点,提出将振动信号及原始轴心轨迹图同步处理以实现轴心轨迹提纯的新思路.给出了对振动信号进行幅度调制的EMD(empirical mode decomposition)调制方法.将轴心轨迹图上的每一个点看作一个粒子,参照蚂蚁等群体的特性,建立了一种新的粒子群模型,分析了这种粒子群模型实现轨迹提纯的机理,并作了加快粒子收敛速度的改进.给出了EMD调制和粒子群相结合的轴心轨迹提纯新算法,通过模拟实验对算法参数选取进行了研究,并验证了算法的有效性.该算法比低通滤波和形态学滤波效果更好,是一种实用的轴心轨迹提纯新方法.

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题.针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷.然后,基于传统算法的速度-位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型(GPSO),使其适用于解决离散及组合优化问题.GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合.该文以旅行商问题(TSP)为例,针对遗传算法(GA)解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inver over算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法.与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低.

动态概率粒子群优化模型及实验分析

对传统PSO算法中种群产生方式的特点,结合根据历史信息直接取样生成新种群的思想,抽象出动态概率粒子群优化(DPPSO)模型,并给出了该模型的形式化描述;同时提出了DPPSO模型可以采用的几种动态概率进化算子,最后通过常用Benchmark函数优化问题对DPPSO模型采用不同进化算子时的性能进行了实验分析。实验结果验证了DPPSO模型及所提出的进化算子的有效性,同时根据实验结果提出了进化算子设计与选择的指导性建议,并对相关参数设置也做了分析和讨论。

公路隧道交通量预测的粒子群高斯过程耦合模型

交通量的预测对公路隧道运营期通风系统的节能降耗具有重大意义,将新型小样本学习机器高斯过程引入隧道交通量预测,提出了一种组合核函数,用以改善单一核函数高斯过程的泛化性能,在网络训练过程中采用粒子群优化算法,自动搜寻泛化性能最好的高斯过程超参数,形成粒子群高斯过程耦合算法,并编写了相应的计算程序.对某公路隧道交通量进行了预测,结果表明:组合核函数高斯过程最大预测相对误差仅为4.41%,平均相对误差为1.96%;两种单一核函数高斯过程最大预测相对误差均为6.68%,平均相对误差分别为2.7%和2.67%;粒子群高斯过程耦合模型可以高精度地用于隧道交通量预测,且组合核函数可以提高单一核函数的泛化性能,并为其他类似工程提供借鉴.

基于粒子群投影寻踪插值模型的土壤质量评价

为了提高土壤质量评价的准确性,研究土壤质量的评价方法,以全国土壤质量等级评价标准为评价指标样本,将投影寻踪、粒子群算法和插值算法相结合,建立土壤质量等级评价的粒子群投影寻踪插值模型,计算最佳投影值与土壤质量等级的关系。结果表明,模型建立和评价方法切实可行,对样本的评价结果可合理解释,验证了该方法的有效性。

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。

基于粒子群动态灰色模型的短期风电功率预测

针对风场输出功率短期预测所遇到的信息贫乏、精度低和不确定性高的问题,提出一种粒子群动态灰色模型。该模型利用粒子群算法改变背景值参数,通过迭代搜寻和线性化处理对齐次或非齐次的指数参数进行连续优化,提升了预测精度;该模型还引入残差模型对外界环境的变化进行预测,降低了由环境的不确定性对预测带来的影响。将此模型运用到比利时风场输出功率的短期预测当中,实验结果证明了该模型对求解所提问题是有效的。

混沌粒子群优化算法模型的建筑电气终端监控方法

为了提高建筑工程信息监控与分析能力,该研究通过多种形式的监控系统实现不同角度的数据监控,通过集成多种形式的监控系统实现建筑结构信息的多层化监控,实现数据信息的可视化监控,通过采用基于ARM内核的XScale嵌入式处理系统实现不同形式数据新型的采集与传递,并通过Apriori算法模型提高了建筑工程信息关联分析能力,通过构建具有粒子群算法模型的蚁群算法,增强数据分析能力。试验表明,该研究方法的搜索能力显著提高,误差低,建筑工程信息监控能力大大提高。

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R2均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。

基于地面场粒子群优化算法的高密度人群应急疏散建模

针对非常规突发事件环境下高密度人群的拥挤管理和快速疏散问题,提出一种由感知层、传输层、计算层和应用层构成的多层结构人群疏散信息物理系统(E-CPS)体系框架。在E-CPS体系框架计算层中将静态地面场(FF)建模规则引入经典粒子群优化(PSO)模型,提出地面场PSO(FF-PSO)人群疏散模型,该模型同时具备静态场规则简单、计算快和PSO模型快速搜索、快速收敛的优点。此外,FF-PSO模型中构建了一种新的适应度函数,实现了疏散策略的动态选择,并通过数值仿真及实例仿真验证了FF-PSO模型在拥挤管理中的可行性和有效性。国家会展中心(上海)的实例仿真结果表明,考虑拥堵管理比仅考虑距离最短平均每分钟可多疏散66人,疏散时间节省19 min,疏散效率提升13.4%。

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM(1,1)模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性,最大限度地提高了灰色GM(1,1)模型的预测精度。

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.

粒子群优化BP算法在短期负荷预测中的应用

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一,其预测精度直接影响到电力系统运行的安全性、经济性和供电质量。为提高预测精度,本文引入一种新型的群智能方法--粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型。通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求。

改进的灰色电力负荷预测研究——基于粒子群算法和BP神经网络

本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。

一种新的基于海豚与沙丁鱼的集群模型研究

将聚集策略引入粒子群模型,通过与高级行为自组织模型对比,对群体的聚集行为进行仿真;引入群体自组织避敌模型,模拟鱼群的逃避行为;分析有领导者的集群动态行为预测机制,并引入A/R模型,考虑领导者和次要领导者,并用次要领导者对领导者的预测表示群体中的信息传递机制.通过仿真,结果表明:该仿生模型有利于分析鱼群的习性,为保护鱼群、分析物种进化以及人工养殖等方面提供了非常好的依据.

基于自然驾驶数据的驾驶换道风格分析与辨识

为了研究在换道工况下个体驾驶行为及其辨识,基于NGSIM轨迹数据提取532组换道有效数据。分析处理驾驶员换道特征参数,运用K-means算法对驾驶员进行聚类分析,可分为谨慎型、一般型、激进型三类。并对聚类的参数进行统计分析和时频分析验证各类驾驶人的差异性,并提取出有效参数作为辨识模型的输入,基于惯性权重非线性变化和粒子最大速度非线性递减的策略来改进粒子群,建立起基于改进粒子群优化SVM的驾驶人风格辨识模型,对SVM模型的两个关键参数C和g进行优化更新,驾驶人识别准确率可达到96.25%,且与BP神经网络、PSO-SVM、随机森林、KNN算法相比具有更高的识别准确率。

基于BPPSO优化模型的高新企业技术项目选择研究

技术产品的市场寿命趋短与技术功能复杂等特点,决定了技术项目选择对高新企业的发展和壮大产生着重要影响。基于高新企业技术项目选择的内在要求,在改进粒子群优化算法基础上,结合高新企业技术项目选择的实际,构建了粒子群神经网络优化模型(BPPSO),并通过实证分析检验了理论模型的有效性。实证计量分析表明,所建理论模型与方法以其易实现、高精度和收敛快等优点,在实际问题解决中表现出显著的优越性。基于上述研究,对高新企业技术项目选择的战略模式提出建议,以期为提升企业技术核心竞争力提供决策参考。

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。