基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。

基于GA-PSO混合规划算法的企业信用风险评估模型

利用一种新的人工智能方法———GA-PSO混合规划算法构建企业信用风险评估模型。并利用上证50若干企业的实际数据对模型进行了实证检验。实证结果显示该模型能有效预测上市企业的信用风险状况。该模型在收敛性能及预测准确率等方面优于基于传统的多元回归方法及GP方法的信用风险评估模型。

基于GA-PSO-Otsu算法的质子交换膜燃料电池催化层孔结构自适应识别

车载质子交换膜燃料电池催化层的孔结构识别效率低、精度差且实验要求严格,无法适应日趋规模化的行业发展体系,因此针对该问题,本文提出基于遗传粒子群的最大化类间方差(GA-PSO-Otsu)优化算法,实现对催化层扫描电镜图孔径分布和孔隙率高效、精确且自适应的识别和测算。首先,协同引入高斯卷积核与二值化阈值最大化类间方差,有效降低噪声和手动调参对精度和效率的影响,实现自动化去噪和孔结构识别;其次,进一步提出遗传粒子群算法,有效解决传统方法遍历参数耗时长和易陷入局部优化的问题,兼具高精度和高效率的优点;最后,通过对催化层结构和灰度分布差异明显的扫描电镜图的对比实验验证,表明该方法具备良好的鲁棒性、自适应性和实用性,与遍历所有参数的传统Otsu算法的孔隙率误差小于0.5%,测算耗时降低约26.2%。

基于创新的混合算法在列车姿态测量系统中的应用研究

本文针对列车姿态测量系统中无线传感器网络的覆盖优化难题,提出了一种创新的混合算法—PGSO。该算法融合了粒子群算法优化出色的全局搜索能力与萤火虫算法在局部精细搜索方面的优势,旨在提升列车姿态测量系统中无线传感器网络的覆盖质量。实验显示,PGSO算法较PSO和GSO更快收敛、覆盖率更高、全局搜索能力更强,在列车姿态测量场景中表现卓越,有效解决了无线传感器网络覆盖优化问题。

基于PSO和GA的混合算法在双横臂独立悬架优化中的应用

利用三坐标测量机对某轻卡前悬架进行测量,获得前悬架及转向系统设计点的空间数据,使用ADAMS虚拟样机软件对该双横臂独立悬架进行建模,应用PSO-GA算法对悬架进行多目标优化,对悬架运动学特性进行测量调试,最后将随机选取的一组优化解代回模型中,对优化前后的悬架进行仿真与后处理,分析对比优化前、后悬架的性能。

基于GA-ABC算法的多目标优化约束应用研究

引言.近年来,多目标优化约束问题在多个领域受到广泛关注,因其涉及多个冲突目标的最优化及约束条件。传统优化算法在解决这类问题时存在诸多局限。因此,本文采用基于遗传算法(Genetic Algorithm,GA)和人工蜂群算法(Artificial Bee Colony,ABC)的混合优化算法--GA-ABC解决多目标优化约束问题[1-2]。GA模拟自然进化,ABC模拟蜜蜂觅食行为,两者结合可提升求解效率和精度[3]。

基于PSO-GA混合算法的物流中心选址模型研究

物流中心的布局决定了整个物流网络的结构、模式和形状,其合理性是有效保障物资的基本前提。针对问题的特点,在合理假设的前提下,给出了选址问题的模型,并以物流成本最低为目标函数运用人工智能领域的前沿算法——微粒群算法(PSO)与遗传算法(GA)的混合算法来求解。实例证明,该算法求解此类问题的性能优于传统的PSO和GA,搜索能力较,且收敛速度较快且不易陷入局部最优。

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习 .利用遗传算法的全局最优性在大范围内搜索可能的极值 ,而用BP算法的误差梯度下降特性在极值点附近快速搜索 ,从而达到了全局最优与快速搜索的有机结合 .仿真结果表明 。

PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。

PSO和Powell混合算法在医学图像配准中的应用研究

基于互信息的图像配准方法具有自动化程度高、配准精度高等优点 ,已被广泛应用于医学图像的配准。但是 ,基于互信息的目标函数经常是不光滑的 ,存在许多局部极值 ,给问题的求解带来了很大的困难。本文讨论了互信息函数的多极值特性 ,并提出了一种粒子群优化算法 (particleswarmoptimization ,PSO)和Powell混合优化方法。经检验 ,这种方法能有效地克服互信息函数的局部极值 ,大大地提高了配准精度 ,达到亚像素级。

基于混合PSO算法的简化群桥水域航路规划研究

针对群桥水域航路规划问题,分析了群桥水域特征,建立了群桥水域航路代价模型,分别运用基于自然选择的PSO、基于杂交思想的PSO和基于模拟退火的PSO对该问题进行了求解.通过与标准PSO算法规划结果对比,发现3种混合算法均能快速找到最优解,并且精度较高,得出了3种混合PSO算法在解决群桥水域航路规划问题方面均优于标准PSO算法的结论.

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。

PSO_ACS混合算法求解VRPSPD问题及仿真

构造PSO_ACS混合算法求解同时送取货的车辆路径问题(VRPSPD),通过将ACS算法中的信息启发式因子和期望值启发式因子用解空间中的粒子位置动态表示,将PSO算法和ACS算法有机结合起来;利用PSO算法自适应改进ACS中的启发因子,从而提高蚁群算法的适应性。并用动态改变惯性权重的参数的方法加快PSO收敛速度。最终采用Dethloff的典型算例进行仿真实验,验证了混合算法的可行性和有效性,在求解最优解和收敛性能方面具有一定的优势。

基于种群熵的GA-BP混合优化算法及其应用

文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。

基于混合PSO算法的西北干旱区作物灌溉制度优化设计

在西北干旱地区,由于水资源不足,所以在非充分灌溉条件下研究作物灌溉制度优化设计显得尤为关键。为了得到灌溉制度优化模型的最优解,提出了应用基于自然选择的混合粒子群算法(SELPSO)进行求解,并结合实例,对甘肃省景泰川一期灌区春小麦灌溉制度进行优化设计,优化结果验证了该算法的有效性与可行性。

基于T-S故障树和混合μPSO算法的可靠性优化方法

针对可靠性框图构造系统可靠度函数时需不交化处理的不足,提出了基于T-S故障树算法构造系统故障概率函数并结合可靠性费用函数构造可靠性优化模型的方法,降低了构造复杂系统可靠性优化模型的难度。针对微粒子群优化(μPSO)算法局部收敛性差、粒子群优化(PSO)算法全局搜索能力弱的不足,将μPSO算法和PSO算法进行综合,并结合死亡罚函数法构造了适应度函数,提出了混合μPSO算法,即μPSO-PSO算法。结合串联系统和桥式系统可靠性优化实例,考虑不同的粒子个数,证明了混合μPSO算法的优化结果比PSO算法、μPSO算法及PSO-μPSO算法的优化结果更为理想。

一种基于GA-BP混合算法的模糊神经网络控制器

提出一种用于优化模糊神经网络控制器参数的 GA-BP 混合算法,该算法一方面由遗传算法保证学习的全局收敛性,克服梯度法对初始值的依赖性和局部收敛问题;另一方面,与"精确的"梯度学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题,有助于提高它的搜索效率。仿真结果证明了算法的有效性。

基础设施投资预测——基于改进的GA-PSO算法下的V-SVR模型

首先全面分析了基础设施投资的影响因素。然后将改进的GA-PSO算法应用于V-SVR模型的参数寻优过程中,并结合有效的输入样本进行模型训练,构建了基于改进的GA-PSO算法的基础设施投资预测V-SVR模型。最后利用1985—2011年广州市基础设施投资的面板数据,对该模型的预测效果进行验证。结果表明:该预测模型的参数寻优效率和预测精度均得到较大程度的提高。

基于GA-PSO遗传规划算法的国家助学贷款风险预警模型研究

文章运用系统工程理论,分析学生违约因素,运用GA-PSO混合规划算法设计国家助学贷款风险预警模型。研究结果表明,学生违约行为与其在校期间学业成绩、就业收入预测、家庭贫困程度、参与勤工俭学、综合评述、贷款金额呈非线性相关关系。国家助学贷款风险管理部门可以利用国家助学贷款风险预警模型对学生的信用风险进行评级,通过差别风险管理措施来降低利用违约率。