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SPSO算法的“工期固定-资源均衡”优化研究

如何使资源的利用尽量保持均衡,避免出现频繁、严重的高峰或低谷现象,从而减少施工现场各种临时设施的规模,最大限度地节约施工费用是工程施工过程中的一个重要问题。文章将SPSO算法引入到"工期固定-资源均衡"优化求解中,建立了考虑多资源优化、适合SPSO算法计算求解的"工期固定-资源均衡"问题的数学模型。示例分析表明:采用SPSO算法明显优于传统的优化算法,它不仅能有效地收敛于全局最优解,同时又能获得不同的优化方案,为施工决策提供了多种选择。文章研究的方法对工程项目施工过程管理和施工组织设计具有重要参考价值。

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。

一种改进粒子群算法的测试数据自动生成方法

线性递减惯性权重粒子群算法中,搜索后期较小的惯性权重使粒子具有很强的局部搜索能力。但惯性权重太小,容易使所有的粒子聚在一起损失多样性,找到最优解的可能性较低,易产生早熟现象。提出了一种利用方差动态调整惯性权重的方法,引入基于适应度方差的惯性权重调整因子。当出现早熟现象时,通过调整因子适当增大惯性权重的值,以扩大搜索范围,增加找到最优解的可能性。当未出现早熟现象时,继续采用线性递减惯性权重策略,加快收敛速度。实验结果表明,该算法具有较高的搜索成功率。

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PSO神经网络在动态联盟制造伙伴选择中应用

制造伙伴选择是组建动态联盟的一个关键问题。在对已有制造伙伴选择方法总结和分析的基础上,给出了制造伙伴选择综合评价参考体系,提出了一种基于神经网络的制造伙伴选择模型,采用基于连接结构优化的粒子群优化算法(SPSO)对神经网络进行训练,实验证明,该算法不仅使训练的收敛速度大大提高,且其训练的神经网络的性能也显著增强,为制造伙伴选择问题提供了有效的解决途径。

ACPSO-BP神经网络在矿井突水水源判别中的应用

矿井多年来的连续开采使各含水层水质特征变得更加复杂、更为接近,应用经典数学方法难以建立精确的判别模型,使用具有非线性映射功能的BP神经网络可以克服以上问题,但其仍然具有易陷入局部最优和收敛速度慢缺点。通过将"早熟"判断机制、Tent混沌映射以及权重自适应调整策略引入粒子群算法中,建立基于自适应混沌粒子群算法和BP(ACPSO-BP)神经网络突水水源判别模型,应用结果表明:与BP神经网络模型、基于标准粒子群算法和BP(SPSO-BP)神经网络模型相比,ACPSO-BP神经网络模型具有收敛速度快、精度高和泛化能力强的特点。

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。