基于骨干粒子群算法优化LSSVM的边坡位移预测

为实现边坡位移的精准预测,提出了一种基于改进骨干粒子群算法优化最小二乘支持向量机的边坡位移预测模型。采用动态惯性权重对骨干粒子群算法进行了改进,并基于改进算法对LSSVM位移预测模型进行了参数调优,以洪辰边坡工程边坡位移监控数据为例验证了该模型的可行性。结果表明:改进骨干粒子群算法相较于标准算法收敛速度和精度更高;提出的新模型相较于原始模型对边坡位移数据的拟合误差更小,预测位移相对误差仅为0.012,均方根误差仅为0.095。

基于突变策略的自适应骨干粒子群算法

骨干粒子群算法是由标准粒子群算法演变而来的,其在粒子位置更新方面采用了高斯采样策略。针对骨干粒子群算法在解决高维优化问题时存在的易陷入局部最优的问题,文中引入了具有下降趋势的时变因子,提出了一种基于突变策略的带有自适应扰动值的骨干粒子群算法。该算法在高斯分布的均值项中引入两个服从均匀分布的随机数,在高斯分布的标准差中引入了一个自适应扰动值,且给出了突变策略进一步保证粒子收敛到全局最优解。改进后的算法与其他5种粒子群算法在9个经典测试函数上进行仿真实验,结果表明改进的算法在收敛速度和收敛精度方面的综合表现都优于其它算法。

基于改进骨干粒子群算法的光储一体化5G基站优化调度模型

随着能源互联网技术的发展,在5G基站中配置分布式光伏和储能电池将成为通信基站能耗高和用电成本大的潜在解决方案。本文提出一种基于自适应搜索中心的改进骨干粒子群算法的光储一体化基站日前优化调度策略,综合考虑光储一体化基站系统的日运维成本和储能电池老化,制定出各电力单元逐时的能量调度计划,保证5G基站的经济稳定可靠运行。

基于自适应搜索中心的骨干粒子群算法

该文在对标准粒子群算法(Particle Swarm Optimization,PSO)和骨干粒子群算法(Bare Bones Particle Swarm Optimization,BBPSO)中粒子位置的概率密度函数进行分析比较的基础上,对BBPSO进行了改进,并证明了改进算法以概率1收敛于全局最优解.在改进算法中,主要包括如下策略:(1)基于粒子间适应值的差异,提出一种对粒子位置高斯采样均值的自适应调整策略,分析了其作用机理,提出的搜索中心自适应调整策略增加了粒子分布中心的分散度,减缓粒子在中心的聚集趋势;(2)提出了一种"镜像墙"的越界粒子处理方法,该方法能够大幅度地提高算法找到最优解的概率;(3)粒子在不同的进化时期按不同的拓扑结构选取榜样粒子:算法前期主要采用随机结构以增加群体的多样性,算法后期主要采用全局结构以使得搜索更加精细.将该文提出的算法与多种形式的改进PSO,如GPSO(Global PSO)、LPSO(Local PSO)、FIPS(Fully Informed Particle Swarm)、CLPSO(Comprehensive Learning PSO)、HPSO-TVAC(Hierarchical PSO with Time-Varying Acceleration Coefficients)、APSO(Adaptive PSO)、DMS-PSO(Dynamic Multi-Swarm PSO)、OPSO(Orthogonal PSO)、OLPSO(Orthogonal Learning PSO)、ALC-PSO(PSO with an Aging Leader and Challengers)等,以及BBPSO的标准版本和改进版本,如BBJ2(BBPSO with Jumps)、ABPSO(Adaptive BBPSO)、SMA-BBPSO(BBPSO with Scale Matrix Adaptation)等,对CEC2013标准函数进行测试,对实验数据进行非参数检验,结果表明该文改进算法的综合表现要优于其他算法.

骨干粒子群算法两种不同实现的优化特性

总结了骨干粒子群算法(BBPSO)的一般形式,指出决定BBPSO算法本质的4个要素.BBPSO在实施中,粒子不同维度采用的随机变量值相同或不同,这将导致算法的特性及适合的优化对象不同.记相同的为I型实现,不同的为II型实现,通过实验指出2种实现的差别:I型实现有各向同性的优点,但是粒子多样性差;II型粒子多样性更优,但各向异性,使用高斯、柯西、指数和均匀分布形式的II型BBPSO都倾向于沿坐标轴寻解.从理论上分析了这些差别的成因,指出I型实现总体性能较差,只适合优化梯度变化明显的单峰函数;II型实现总体性能较好,擅长求解峰的方向平行于坐标轴的单峰或多峰函数.

基于骨干粒子群的混合遗传算法及其应用

采用骨干粒子群的位置更新操作改进遗传算法的变异算子,提出一种新的混合遗传算法。利用三个benchmark函数测试了新的混合遗传算法的性能,并将测试结果与标准遗传算法进行比较。利用该方法,对聚合物驱最优控制问题的进行了仿真求解,结果表明该方法优于标准遗传算法。

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明:与NSGA-II和自适应差分进化算法(SADE-εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。

骨干双粒子群算法求解柔性作业车间调度问题

针对柔性作业车间调度问题,以最小化最大完工时间为优化目标,提出了一种骨干双粒子群算法(Double Bare Bones Particle Swarm Algorithm,DBBPSO)。算法结合基于冯诺依曼拓扑结构的改进骨干粒子群算法与基于混沌变异的骨干粒子群算法,利用种群交流机制使两个种群协同进化,实现了算法在全局搜索与局部开发之间的平衡,并提出一种基于最小加工时间的机器选择策略。将所提算法在四个经典算例与一个柔性作业车间调度实例上与其他不同算法进行仿真对比,结果表明所提算法比其他对比算法具有更好的寻优能力,更适合解决该类调度问题。

基于冯诺依曼拓扑结构的骨干粒子群优化算法

为了改善骨干粒子群优化BBPSO算法的易早熟、易陷入局部最优解等缺点,提出了一种基于冯诺依曼拓扑结构的改进骨干粒子群优化VBBPSO算法。新算法提出"兼顾落后粒子"概念,通过应用冯诺依曼拓扑结构构造邻域,用邻域最优解取代全局最优解,引入中心项调节系数,在邻域范围内调整BBPSO算法的进化中心项与离散控制项,提高了算法全局探索能力与局部开发能力。实验结果表明,较几种经典的BBPSO算法,VBBPSO算法的综合性能有明显提升。

求解约束优化问题的ε-骨干粒子群优化算法

为了提高复杂约束优化问题的收敛精度,提出了基于ε约束的骨干粒子群优化算法(Bare-bones Particle Swarm Optimization basedεconstrained简称ε-BPSO).首先,设计了时变的约束放松参数ε,使算法前期充分利用不可行解的有效信息;其次,为了避免早期收敛,提出动态学习BPSO算法,算法中粒子可以随机地向群体的优秀个体学习,并通过自适应学习权重使群体从全局勘探转向局部利用.最后,依概率采用梯度突变策略,将不可行域中的粒子引入可行域,加快搜索可行域的效率.在36个测试函数上测试并将本文算法与多种进化算法进行对比,实验结果和统计分析表明本文算法在求解约束优化问题上具有优越性.

求解动态优化问题的多种群骨干粒子群算法

针对动态优化问题(Dynamic Optimization Problem,DOP)中所面临的过时记忆和多样性丧失的挑战,提出了一种改进的多种群骨干粒子群优化算法(Multi-swarms Bare Bones Particle Swarm Optimization,MBBPSO)。通过设置环境勘探粒子及时检测环境的变化,避免了错误信息误导种群的进化方向;环境改变后,利用上一个环境搜索的信息初始化新的种群,提高MBBPSO快速追踪到当前环境的优秀解的能力;当种群陷入停滞时,采用新的进化方程以加强粒子的活性和多种群策略维持群体的多样性。仿真实验表明,MBBPSO在解决动态环境问题中具有较强的竞争力。

基于适用性骨干粒子群优化算法的特征选择实现

图像的特征选择需要筛除大量噪声节点,在像素较高的图像内处理效率低下,为减少图像特征选择的处理时间,设计基于适用性骨干粒子群优化算法的图像特征选择方法。提取图像视觉特征参数,包括颜色参数、纹理参数以及形状参数。获取分类面的线性判别函数,建立最优超平面,得到满足约束条件的目标函数以及特征选择的适应度函数,基于适用性骨干粒子群引入粒子位置与速度更新机制,设计特征选择算法,得到一个新的图像特征选择处理方法。获取不同阈值以及不同学习效率下的最优特征数量,分别测试四种数据集内特征选择算法的运行时间,实验结果显示,在四种数据集内,适用性骨干粒子群优化算法的运行时间均小于其他算法,可见该算法为相同图像相同参数下的最优算法。

基于骨干粒子群的弹性稀疏人脸识别

由于稀疏表示方法在人脸分类算法中的成功使用,基于此研究人员提出了一种新的分类方法即基于稀疏表示的分类方法(SRC)。因此寻求最优的稀疏表示方法就成为了人脸识别研究的重点。由于粒子群算法具有原理简单、参数较少和效率较高等优点,因此将基于剪枝策略的骨干粒子群算法(NPSO)应用于稀疏解的寻优过程。选择弹性网络估计(Elastic Network)作为NPSO算法的适应度函数,提出了一种稀疏解优化方法即En NPSO。该方法具有很高的全局收敛性和稳定性,还具有很强的处理高维小样本和强相关性变量数据的能力。仿真实验表明该算法提高了人脸识别率,具有更高的适应性。

基于粒子群算法的动态多目标优化

针对碳二氢生产中的反应器动态优化问题,目前虽然有多种算法对生产过程进行优化,但大部分只是对单一目标进行求解,提出一种更为灵活的反应器动态求解方法。在该方法中,首先构建碳二氢目标函数,然后采用多目标粒子群算法和分段线性函数参数法结合的方式对目标函数的进行求解,以提高整体搜索能力,得到碳二氢反应器动态优化的最优解。最后,以实际乙烯碳二加氢化工反应过程为例进行实验验证,结果证明,通过该方法进行求解的目标函数无论是在收敛性,还是在优化的平均值等方面,都比SADE-eCD和NSGA-II算法具有优势,说明该算法在反应器动态优化中是切实可行的。

基于骨干粒子群的配电网重构问题研究

配电网重构是通过改变电网结构达到降低输电网损、改善节点电压的目的。本文针对粒子群算法存在的问题,使用寻优效果更优的骨干粒子群算法,建立以网损最小为目标函数的配电网重构模型,结合IEEE33节点系统对重构结果进行对比分析。

基于GPU的BBPSO-PF算法及其在故障检测中的应用

针对粒子滤波算法在重采样环节出现粒子贫乏导致算法精度不高的问题,通常采用在状态估计过程中增加粒子数量,但这种方法会降低算法实时性,提出了基于图形处理单元(GPU)的骨干粒子群算法优化粒子滤波算法。首先利用骨干粒子群算法优化粒子滤波重采样,解决了粒子贫化的缺点。利用骨干粒子群算法中粒子群体之间相互独立运行的特点,在GPU上并行实现骨干粒子群优化的粒子滤波算法,解决粒子滤波算法在重采样过程中因数据关联而无法充分并行计算的问题。最后,将其应用到变桨距系统的故障检测中,提高故障检测的准确度和实时性。实验结果表明:该方法相较于随机重采样的粒子滤波算法误差降低了31.2%,实时性提高了82.7%。

无线Mesh网络中骨干节点部署算法研究

无线Mesh网络是下一代无线网络的关键技术,其骨干网络的拓扑结构是实现网络连接和网络覆盖率的决定性因素。针对无线Mesh网络骨干网络的部署优化问题,在满足用户带宽需求和网络连接的前提下,以最小化Mesh路由器(MR)数量为目标提出一种有效的MR部署算法。使用粒子群算法确定网关的位置,之后不断往骨干网络添加权重最大的相邻节点直至覆盖所有需求。实验结果表明,该算法在均匀分布和正态分布场景下所部署MR的数量均少于NF-Greedy和ILSearch算法,能有效减少部署成本。

计及多阶段抗灾性能的骨干网架多目标优化

构建抗灾型骨干网架并对其进行差异化加固,可以保障极端灾害下电网安全运行和重要负荷供电。在此背景下,提出一种计及多阶段抗灾性能的骨干网架多目标优化模型。该模型定量评估了电网中节点和线路的拓扑和运行重要度,并提出基于核主元分析的综合评估方法。在满足投资限制的基础上,以最大化网架生存性、抗毁性和系统可恢复性为目标对抗灾型骨干网架进行优化。然后,采用嵌入图论修复策略和档案学习策略的改进全面学习粒子群优化算法求解优化模型,以扩大可行解空间。最后,某区域电网仿真算例验证了该模型的有效性。

高速与高阶的超奈奎斯特比较

超奈奎斯特(Faster-than-Nyquist, FTN)可以提高通信系统的频谱效率(Spectrum Efficiency, SE)。除了较小时间压缩因子(Time Packing Factor, TPF)和星座点数M的高速FTN之外,较大TPF和M的高阶FTN也可以增加SE。在相同SE的条件下,本文采用外信息转移(Extrinsic Information Transfer, EXIT)图分析和数值仿真等方法来比较高速和高阶FTN。针对高速和高阶FTN,本文采用基于EXIT图的骨干粒子群优化(Bare-Bones Particle Swarm Optimization, BB-PSO)算法来优化两者的信道编码,获得高速和高阶FTN的最优性能。结果表明:与高速FTN相比,高阶FTN在性能和复杂度方面更有优势。

基于GPU并行优化的BBPSO-PF算法

针对粒子滤波算法在重采样环节因粒子交互而不能充分并行处理的问题,提出了基于图形处理器(GPU)的并行骨干粒子群优化粒子滤波算法(BBPSO-PF).首先利用骨干粒子群算法具有易并行的特点优化粒子滤波算法重采样环节,从算法结构上提高粒子滤波算法的并行度.然后利用GPU的多线程架构并行处理每个粒子群的数据,每个线程负责一个粒子群,使粒子群之间得到并行化处理,解决粒子滤波重采样因粒子交互而不能充分并行的缺点.最后利用GPU中对齐与合并的内存访问原则,给粒子群设计高效的数据存储结构,降低内存访问事务,提高粒子群的数据存取速度,进一步提高算法实时性.该方法在保证算法精度前提下明显提高了算法的实时性.