基于改进PSO并行算法的梯级水库群生态联合优化调度研究

采用改进的PSO并行算法对辽宁中西部4座梯级水库生态进行并行优化联合调度研究。研究结果表明:相比于传统PSO算法,改进的PSO并行算法可加速搜索梯级水库生态调度目标的最优解,经过PSO并行算法优化求解后,丰水期(5~9月)各梯级水库下游河道最小生态及适宜生态用水保证率均值分别达到82.0%和77.9%,在枯水期(10~12月和1~4月)各梯级水库下游河道最小生态及适宜生态用水保证率均值分别达到70.8%和66.6%,生态优化调度结果明显好于传统算法。研究成果可为梯级水库生态联合调度优化提供方法参考。

基于粒子群优化支持向量机神经网络的弹丸落点预报

针对目前弹丸落点预报方法预报时间较长和精度不高的问题,提出了基于粒子群(PSO)优化的支持向量机(SVM)神经网络预测方法。该方法采用PSO优化算法优化SVM训练参数,以获得最优SVM神经网络落点预测模型。在此基础上,使用卡尔曼滤波处理外弹道数据形成神经网络训练数据,进行落点预报仿真测试。仿真结果表明,射程最大误差为7.371m,横偏最大误差为0.886m;落点预报时间在35ms之内,比数值积分法快了一个数量级,为弹丸落点预报的实际应用提供了一种途径。

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.