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-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型

高斯过程回归(GPR)学习机有着容易实现、超参数自适应获取及预测输出具有概率意义等优点。通常采用共轭梯度法获取GPR超参数,但其存在优化效果对初值依赖性太强,迭代次数难以确定,易陷入局部最优的缺点。改用粒子群优化(PSO)算法进行最优超参数搜索,形成粒子群-高斯过程回归耦合算法(PSO-GPR)。将该算法引入三峡永久船闸高边坡、卧龙寺新滑坡、链子崖滑坡3个不同的典型滑坡变形时序分析中,对每个滑坡分别采用稳态核及一种新式神经网络(NN)、平方指数(SE)、有理二次型(RQ)3种单一核函数进行外推预报测试。工程应用表明,基于3种不同单一核函数的粒子群-高斯过程回归算法(PSO-GPR)均能完全适应不同滑坡时序分析,其中以NN核函数外推预测效果最佳,平均相对误差分别为6.37%、7.62%、1.07%,从而改善了在进行不同滑坡变形时序分析时采用单一核函数的核机器外推能力存在较大差异性的问题,提高了单一核函数对不同数据类型的兼容性。

基于粒子群-高斯过程回归的高拱坝变形预测模型及其应用

针对高拱坝变形问题,提出应用粒子群算法优化高斯过程回归参数的高拱坝变形预测模型,基于高斯过程回归可将低维非线性关系通过核函数投射到高维线性空间的特点,利用高斯过程回归模型来表征水压、温度、时效等因素与坝体变形之间的非线性关系;同时针对迭代求解高斯过程回归模型的超参数效率低的问题,采用粒子群优化算法全局搜索模型超参数,提高了求解效率。对某高拱坝径向位移的拟合预测结果表明,粒子群优化高斯过程回归模型能较好地表征输入因子与变形之间的关系,预测坝体变形,误差在工程允许范围内,可应用于坝体变形预测分析中。

基于混沌粒子群-高斯过程回归的饱和负荷概率预测模型

饱和负荷预测能有效预估区域电网的发展方向和最终规模,为电网规划及电力市场中长期交易提供指导。针对饱和负荷预测不确定性强、时间跨度大的特点,文中采用基于高斯过程回归(GPR)的概率预测模型进行饱和负荷预测,并通过改进混沌粒子群算法(MCPSO)实现以和方差(SSE)最小为目标的模型超参数优化求解;在综合考虑饱和负荷影响因素随机性的基础上,建立了改进混沌粒子群—高斯过程回归(MCPSO-GPR)饱和负荷预测模型,并在多情景下利用上述模型进行饱和负荷预测,同时结合饱和判据得到多情景下饱和负荷的规模和时间。算例分析表明,所述模型不仅具有较高的预测精度,而且可增强预测的弹性。

基于改进粒子群的高斯过程故障预测模型建立方法

针对高斯过程超参数使用共轭梯度法求解导致的依赖初始值以及容易陷入局部最优解的问题,提出了一种基于参数非线性动态调整策略的改进粒子群算法,并应用到超参数求解中。首先,提出参数动态调整策略,针对不同的搜索阶段采用不同的参数;然后,根据免疫思想的浓度调节机制,提高算法全局搜索能力。仿真实验结果表明,所提算法在最优化求解中能够快速收敛到函数最优值,同时该算法在求解高斯过程超参数中具有有效性和优越性,可以为后期预测模型的建立提供精度保障。

位移反分析的粒子群优化-高斯过程协同优化方法

针对采用随机全局优化技术进行岩土工程位移反分析存在数值计算量大、效率低的问题,将粒子群优化算法与高斯过程机器学习技术相结合,提出了位移反分析的粒子群优化-高斯过程协同优化方法。该方法利用全局寻优性能优异的粒子群优化算法进行寻优的基础上,采用高斯过程机器学习模型不断地总结历史经验,预测包含全局最优解的最有前景区域,通过提高粒子群搜索效率并降低适应度评价次数,进而有效地降低位移反分析过程中的数值计算工作量。多种测试函数的数学验证和工程算例的研究结果表明该方法是可行的,与传统方法相比较,可显著地降低位移反分析的计算耗时。

基于粒子群算法的火电厂热工过程模型辨识

针对火电厂热工过程对象的特点及传统模型辨识的缺陷,将粒子群算法应用于热工过程模型的辨识,并在实现方法、参数选取等方面进行了改进,提高了辨识的精确性与快速性。通过仿真数据及以某台300MW机组锅炉烟气挡板控制为对象,对再热蒸汽温度系统进行辨识,证明了该方法的有效性和可靠性。

基于粒子群人工蜂群算法的灌区渠-塘-田优化调配耦合模型

为了缓解农业水资源供需矛盾,减少南方季节性干旱造成的损失,该文结合南方灌区渠、塘、田地复杂的水量转化关系,建立了以灌溉区域效益最大为目标的渠-塘优化调控与田间多种作物优化配水相结合的耦合模型;根据该模型的特点,提出了模型求解的粒子群-人工蜂群混合算法。将模型应用于漳河灌区,并与常规的渠-塘调控和作物配水模型和只考虑作物优化配水模型相比较。结果表明,渠-塘-田地协同调配效果显著,耦合模型计算所得特别枯水年(降雨频率为95%)下灌溉用水效益比采用其他2种模型分别提高了20.7%和6.9%。粒子群-人工蜂群混合算法能快速求解该优化调配耦合模型,有利于解决多水源、长距离输配水、库塘共同调控等复杂情况下的高效用水模型的求解问题。

基于粒子群优化与高斯过程的协同优化算法

对于适应度函数计算耗时较大的工程优化问题,采用仿生智能优化算法求解时常遇到由于适应度函数评价次数过大而导致计算量过高的瓶颈问题。针对上述问题,提出一种基于粒子群优化(particle swarm opti-mization,PSO)算法与高斯过程(Gaussian process,GP)机器学习方法的协同优化算法(PSO-GP)。该算法在寻优过程中采用GP近似模型来构建决策变量与适应度函数值之间的映射关系,在PSO全局寻优过程中不断地总结寻优历史经验的基础上,预测可能包含全局最优解的搜索区域,以优化粒子群飞行的方向。多个测试函数的优化结果表明,该算法是可行的,与基本PSO算法相比,在获得全局最优解的前提下,可显著减小寻优过程中的适应度函数评价次数,寻优效率较高,在高计算代价复杂工程优化问题的求解上具有良好的应用前景。

高斯过程回归超参数自适应选择粒子群优化算法

超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。

基于粒子群优化算法的过程模型辨识

参数辨识是过程建模的基础,提出了一种基于粒子群优化(PSO)算法的模型参数辨识方法,将过程模型的每个参数作为粒子群体中的一个粒子,利用粒子群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率。对火电厂热工过程进行参数辨识的仿真结果表明,利用PSO算法辨识过程模型参数,无论过程模型是否是时滞对象,该辨识方法对过程模型的阶次不敏感,对于不同的输入信号,均能得到满意的辨识精度和效率,因此得到了较为精确的过程模型,模型输出与实际输出基本一致。

基于粒子群优化算法的高斯混合模型和高斯混合回归用于橄榄油品质分析

随着橄榄油掺假现象日趋严重,寻找一种简单有效的鉴伪分析方法至关重要.采用基于粒子群优化的高斯混合模型和高斯混合回归结合傅里叶变换红外光谱对橄榄油掺假样品进行定性和定量分析,取得了较好的分析结果.

基于改进粒子群优化算法的锌电解过程模型研究

针对锌电解过程各参数之间耦合严重、能耗高、建模困难,研究了锌电解电流效率与各工艺过程参数之间关系的数学模型,提出了一种改进的粒子群优化算法(IPSO)进行模型参数估计,该算法在粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,避免了算法陷于局部最优解,改善了优化算法性能;以锌电解过程实验数据为样本,采用改进的粒子群优化算法对模型进行参数估计和检验,并与基本粒子群算法和BP神经网络模型进行比较,仿真结果证明了模型的有效性。

基于粒子群优化及高斯过程回归的铅酸电池荷电状态预测

为了提高铅酸电池荷电状态(SOC)的预测准确率,该文提出一种基于粒子群优化的高斯过程回归(PSO-GPR)算法。该算法的核心思想是通过粒子群优化(PSO)算法来解决高斯过程回归(GPR)模型中的超参数优化问题。PSO-GPR首先随机生成一个粒子群,群中的每个粒子包含对应的GPR超参数信息。随后执行如下迭代步骤:根据当前每个粒子的超参数信息训练对应的GPR模型并评估该模型的性能,结合适应度函数和每个模型的评估结果计算出每个粒子的适应度,并更新每个粒子中的超参数信息;经过多次迭代后,找到粒子群中适应度最小的粒子;最后从该粒子中提取相应的超参数信息,并训练最终的GPR预测模型。在铅酸电池数据集上的实验结果表明,所提方法优于对比模型。

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process, GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization, PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。

基于水力-热力耦合模型的供热管网优化调度研究

在城市集中供热管网运行过程中,供热系统的输配能耗由水泵能耗和供、回水管网的热损组成,降低供热系统的输配能耗对实现低碳供热目标具有重要意义.本文基于网络图论、流体输配原理和管道的一维传热,建立了集中供热管网的动态水力-热力耦合模型,并针对天津市实际供热管网的运行过程进行了仿真模拟,利用实际运行数据验证了动态水力-热力耦合模型的精确性.建立了集中供热管网输配能耗的计算模型,并对供热系统的运行能耗进行经济性分析.基于所建立的能耗分析模型,结合粒子群优化算法,建立了多热源环状管网的优化调度方法,该方法以供热管网的总输配损耗的成本最低为目标函数,以热源的供水温度、热源泵的转速比、热力站入口处的阀门开度为决策变量,以满足能量守恒和质量守恒为约束条件,通过进行算法参数匹配,给出基于PSO算法的多热源环状供热管网优化调度的计算步骤,并结合天津市实际管网对优化调度方法的调控过程进行了分析.仿真计算结果表明,由于管网存在输配延迟属性,热力站的总负荷变化与室外温度变化不存在静态的正相关性,此外,也发现水泵运行费用为整个管网运行费用的主要组成部分,占总运行费用的58%以上.本研究为城市集中供热管网运行调节的优化提供了一套有效的计算工具.

基于自学习迁移粒子群算法及高斯罚函数的无功优化方法

针对粒子群算法在求解无功优化问题时存在早熟收敛,易陷于局部最优的现象,提出了自学习迁移粒子群算法(self-learning migration particle swarm optimization,SLMPSO)。该算法在采用混沌序列对粒子群进行初始化操作,基于云模型理论的X-条件云发生器对粒子的惯性权重进行自适应调整的基础上,引入一种迁移操作,以引导全局最优粒子的飞行方向,解决粒子群后期朝单一进化方向进化的问题,有效地增强了算法的全局寻优能力。针对电力系统无功优化中的离散变量归整问题,首先将离散变量完全化为连续变量进行迭代求解,在寻求至全局最优解后引入高斯罚函数对离散变量进行归整操作。以网损和电压偏离最小为目标,对IEEE标准30节点算例进行仿真计算,验证了所提算法的有效性和可行性。

萤火虫群算法优化高斯过程的网络安全态势预测

针对共轭梯度法获取高斯过程超参数存在迭代次数难以确定及预测不精准等问题，提出一种萤火虫群算法优化高斯过程的预测方法，并将其应用于网络安全态势预测研究。采用萤火虫群优化算法对高斯过程超参数进行智能寻优，建立基于高斯过程回归的网络安全态势预测模型。实验结果表明新方法的平均相对预测误差较共轭梯度法、粒子群优化算法和人工蜂群优化算法分别降低了近29．46％、10．37％和4．22％，且新方法收敛较快。另外，分析对比了3种单一类型和2种复合类型的协方差函数对高斯过程预测的影响，实验结果表明采用神经网络与有理二次的复合协方差函数（neural network and rational quadratic composite covariance function，NN-RQ）的平均相对预测误差较其他4类协方差函数降低了1．65％～7．51％。

基于粒子群算法的1000MW火电机组模型辨识

对于火电厂热工控制系统,建立精确的热工过程模型是保证控制质量的基础。将传统的阶跃响应法用于热工过程模型辨识,由于现场数据的不规则性使得阶跃响应法的经验结果精度不高。针对火电厂热工过程对象的特点及传统模型辨识的缺陷,将粒子群算法用于火电厂热工过程模型的辨识,以1000MW超超临界机组的风煤比作为控制对象,对空预器进口氧量变化系统进行系统辨识,辨识曲线能够很好的反应实际输出曲线,证明了该方法的有效性和可靠性,相比传统的辨识方法,将粒子群算法用于模型辨识提高了辨识的精确性与快速性。

基于高斯过程回归的上市股价预测模型

在新股上市价格的科学优化预测问题的研究中,由于金融数据复杂,特别是新股价格存在极强的无序性。传统股票价格预测方法只能采用线性变化规律进行准确预测,无法对非线性股票价格进行有效建模,降低股价预测精度。为了提高股票价格预测精度,提出一种高斯过程回归的新股上市价格预测模型,通过提取影响新股上市价格形成的指标因素,用其训练纳斯达克(NASDAQ)新股上市价格的历史数据,以粒子群算法优化高斯过程的超参数来预测新股上市价格。将8家公司的上市股票作为实例进行分析,预测结果表明,高斯过程回归的方法提高股票价格预测精度,能够有效地适用于新股上市价格预测。