基于改进SPSO-BP神经网络的温度传感器湿度补偿

针对在实际使用中湿度影响温度传感器准确性的问题,通过对基本粒子群算法的分析,得出不受速度向量影响的简化粒子群算法,同时采用线性递减惯性权重,提出了一种改进SPSO-BP神经网络温度传感器的湿度补偿方法。通过改进的简化粒子群算法的不断迭代,优化BP神经网络的权阈值,直到得到最优权阈值,并赋给BP神经网络。根据湿度影响实验中测得的数据,运用此方法建立湿度补偿模型,与BP神经网络方法对比分析。结果表明,改进SPSO-BP神经网络的模型结构简单、补偿精度高,收敛速度快,有效地对温度传感器进行了湿度补偿。

基于SPSO-WK-TWSVM的复合材料层合板损伤辨识方法

针对复合材料层合板的基体裂纹损伤与脱层损伤的不易区分辨识的问题,采用Lamb波对层合板进行损伤检测,对接收到的传感信号进行特征提取与筛选,创新性地引入加权核双子支持向量基(weighted kernels-twin support vector machine,WK-TWSVM)的机器学习方法对基体裂纹与脱层损伤进行自动分类识别。为了进一步提高损伤辨识精度,采用简化粒子群优化(simple particle swarm optimization,SPSO)算法对WK-TWSVM的核函数权值及模型参数进行了寻优处理,并与其他粒子群优化算法就行了分析比较。试验分析结果表明,基于Lamb波的SPSO-WK-TWSVM复合材料层合板损伤辨识方法能够对复合材料层合板基体裂纹与脱层损伤进行准确的自动识别,识别精度明显高于其他TWSVM优化算法及传统的机器学习方法。

Fermi架构下的SPSO算法加速

利用新的图形处理器架构重新评估利用可编程图形处理器加速标准粒子群优化算法的可行性和有效性.针对新的图形处理器架构进行系统分析,在此架构下实现了标准粒子群优化算法的并行版本.实验结果表明,通过合理运用新的图形处理器架构,与其他标准粒子群优化算法的并行版本相比,取得了良好的加速比.

基于改进sPSO算法的测试数据自动生成方法研究

自动化测试可以有效地提高软件测试效率,降低软件开发成本,而测试数据自动生成是自动化测试中的重要环节。本文从基本粒子群算法入手,进行简化后,针对其特点和不足从收敛速度和收敛精度两方面对其进行改进,提出了一个利用改进后的sPSO算法自动生成测试数据的系统模型,并结合实例予以说明。

基于改进SPSO算法的开采沉陷预测参数反演研究

为充分利用监测数据、提高计算效率,以邯郸某矿区2516工作面地表下沉实测数据为基础,将改进标准粒子群(SPSO)算法引入概率积分法求参过程,构建基于改进SPSO算法的概率积分法求参模型,以各监测点下沉拟合值与实测值差值的平方和为适应度函数,通过迭代求得约束条件内的最优解。结果表明:改进SPSO算法平均迭代次数为47.3次,PSO算法平均迭代次数为300.4次,改进SPSO算法的运算效率和稳定性均优于PSO算法;基于改进SPSO算法的概率积分法反演参数拟合误差σ=4.66%,矿区经验值拟合误差σ=10.2%,改进SPSO算法反演参数精度高于矿区经验值;基于改进SPSO算法的曲面拟合求参模型反演概率积分法参数精度可靠、运算效率高,对提高矿区开采沉陷预计精度具有一定应用价值。

基于ISPSO-VMD-MCKD的亚像元峰值提取方法

为解决标准粒子群算法(PSO)收敛速度慢和简化粒子群算法(SPSO)易陷入局部最优的问题,提出了迭代次数和粒子种群数相结合的动态更新种群学习率的策略方法,根据所提方法对粒子群算法和简化粒子群算法进行了改进调整。经仿真实验表明,改进粒子群算法(IPSO)算法相比于PSO算法收敛速度更快,改进简化粒子群算法(ISPSO)算法跳出局部最优的能力相比于SPSO算法更强。同时,将ISPSO算法与变分模态分解(VMD)算法和最大相关峭度反卷积(MCKD)算法相结合,提出了一种新的处理激光位移传感器信号方法(ISPSO-VMD-MCKD),并验证了算法的可行性及优越性。

基于地形数据插值技术的无人机航迹规划研究

文中采用多种插值方法模拟真实的地形环境,将传统的PSO算法改进为适用于山区等复杂区域的SPSO算法并求解航迹.与未改进的PSO算法相比,航迹长度变化率减少了85.68%,计算时间减少了59.65%,规划出的航迹更符合实际需求.

基于锦标赛选择遗传算法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,提出了一种改进的随机微粒群算法——GAT-SPSO。该方法是在SPSO的进化过程中,以锦标赛选择机制下的遗传算法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。通过对三个多峰的测试函数进行仿真,其结果表明:在搜索空间维数相同的情况下,GAT-SPSO的收敛率及收敛速度均大大优于SPSO。

基于IPSO算法的减振器优化

提出将一种改进的粒子群优化算法应用于汽车减振器的优化中。该算法在标准粒子群算法的基础上引入了一个概率参数,使得粒子群优化算法的全局优化能力和收敛速度得到显著改善,并利用该算法对汽车减振器的主要参数进行了优化。结果表明,对减振器参数优化后,明显改善了汽车减振器压缩行程和复原行程的阻尼特性,提高了汽车的平顺性。

基于自加速遗传粒子群算法的半封闭式温室能耗预测

针对半封闭式温室环境参数众多且难以测量的问题,提出了一种机理建模与系统辨识建模相结合的温室能耗建模方法。采用自加速遗传粒子群算法(self-accelerating hybrid algorithm of particle swarm optimization and genetic algorithm,SPSO-GA)对温室物理模型中难以确定的参数进行辨识,建立半封闭式温室能耗预测模型。根据上海半封闭式玻璃试验温室的气象数据和测量的能耗值,分别采用遗传算法(genetic algorithm,GA)、粒子群算法(PSO,particle swarm optimization)和SPSO-GA进行参数辨识与能耗预测比较分析。采用SPSO-GA获得的温室能耗预测结果与实测数据的相对误差为1.4%,分别比GA和PSO减少了2.9%和13.7%。根据日太阳光照辐射总量、室外日均温度2个参数及相应的变化曲线,预测的温室能耗值精确度大于86%。试验与模拟结果验证了基于SPSO-GA的温室能耗预测模型有效,可为半封闭式温室能量负载设计、管理和控制提供理论依据。

一种速度更快的粒子群优化算法

由于标准粒子群算法(SPSO)存在后期搜索效率太低的问题,提出了一种速度更快的粒子群优化算法(FPSO)。FPSO保留了SPSO前期的全局搜索能力,但改变了SPSO算法后期的搜索策略,使其迭代次数随当前适应度值的变化而自适应改变,从而提高了SPSO算法后期的计算效率。通过实验对FPSO算法中适应度函数的设计进行了讨论,并分析了FPSO算法的应用前景。仿真结果表明,FPSO算法在单峰、多峰和带约束条件的测试函数中都有良好的效果。

单纯形微粒群优化算法的改进及其在优化PID参数问题中的应用

实现了对单纯形微粒群优化算法(SPSO)的改进.在利用单纯形法进行局部寻优的过程中,结合一维搜索中的0.618法选取压缩因子和扩张因子,将这一改进的方法应用在PID调节器的参数优化问题中,并进行了仿真实验.实验结果表明:改进后的单纯形微粒群优化算法的寻优过程更为完善,而且收敛速度更快.

基于标准粒子群算法的混凝土箱梁水化热过程热工参数反演

针对通过施工现场和实验室试验获取混凝土箱梁水化热仿真分析所需的热工参数缺乏一定的准确性和便捷性,以某混凝土箱梁水化热过程为试验背景,结合文献研究结果确定混凝土箱梁热工参数的取值范围,采用方差分析确定各参数对温度的敏感性,并通过排序筛选敏感性高的参数作为待反演参数,基于标准粒子群算法,对比遗传算法对敏感性高的5个参数进行反演.研究结果表明:混凝土箱梁浇筑过程中,水泥水化热对温度的影响最大,智能算法能有效反演混凝土箱梁热工参数;当迭代次数增大到一定的程度时,标准粒子群算法对应的目标函数小于遗传算法对应的目标函数,遗传算法收敛过程曲线比较平缓,而标准粒子群算法的早期有突变.

基于模拟退火与高斯扰动的烟花优化算法

烟花算法(Fireworks Algorithm,FWA)是一种群体智能优化算法,具有求解复杂问题的全局最优解的能力。为了提高FWA求解全局最优解的能力,将模拟退火的思想引入到烟花优化算法中,并对FWA中某些单个烟花个体进行高斯扰动,提出了一种基于模拟退火与高斯扰动的烟花优化算法(SAFWA)。分别把烟花算法(FWA)、标准粒子群算法(SPSO)、增强烟花算法(EFWA)和SAFWA在10个典型的基准测试函数中进行仿真对比,结果表明,在收敛速度、计算精度以及稳定性方面,SAFWA均优于其他3种算法。

基于分组简化粒子群算法的盲源分离

传统盲源分离算法普遍存在收敛精度低和易陷入局部最优的缺点,针对上述问题,提出将蛙跳算法的分组思想应用到盲源分离算法中.该分组思想是将整个粒子群分为多组子群体,每组粒子在进行组内寻优的同时进行全局寻优,从而增加了粒子之间的差异性,可以有效避免早熟收敛.该算法以负熵为目标函数,通过对分离矩阵进行调整,使各个信号分量之间相互独立,从而完成对瞬时混合信号的盲源分离.实验仿真结果表明,提出的算法与基本的粒子群盲源分离算法相比,能有效避免早熟收敛并进一步提高收敛精度和算法的稳定性.

铝基微结构光栅几何参数反演

微结构光栅是一种广泛应用的电子元件。采用随机微粒群优化(SPSO)算法反演了一维铝基衬底矩形光栅的几何结构参数。首先介绍了严格耦合波分析(RCWA)法和微粒群优化算法的基本原理,并采用RCWA法求解了光栅内电磁场问题;然后根据正问题求得的光栅光谱反射率建立目标函数,并采用SPSO算法优化目标函数,反演得到单槽和双槽矩形光栅的周期、凸脊宽度和凹槽深度;最后分析了种群大小和搜索区间对反演结果的影响。结果表明,SPSO算法可以准确地反演光栅几何结构参数,并推荐种群数取30。

一种基于非线性系统的动态感知系数的自适应粒子群优化算法

在优化非线性复杂系统问题中,智能算法已成为一种重要手段.提出了一种基于动态感知系数的自适应粒子群优化(particle swarm optimization,PSO)算法(self-tuning PSO,SPSO),将PSO算法的感知系数与神经网络算法结合,并于在线学习训练过程中动态调整感知系数,改善了PSO算法的计算效率以及全局收敛效率.进一步将2个相互关联的神经网络——比例积分微分(proportion integration differentiation,PID)神经网络及SPSO神经网络结合起来,使其能有效解决非线性控制模型的问题.为了验证该算法,引入了4个仿真例及2种PSO优化算法——传统PSO(conventional PSO,CPSO)和修正PSO(modified PSO,MPSO),来比较SPSO算法在解决控制问题中的非线性复杂系统的高效性,结果显示SPSO算法有较好的全局收敛性能、收敛速度以及较强的鲁棒性.