一种基于PSO-ELM的低渗透砂岩水淹层测井识别方法

水淹层测井识别对油田开发方案部署及提高采收率有着重要意义。新疆陆梁油田作业区某区块油层水淹类型主要为污水水淹,测井响应特征复杂多变,传统识别图版方法难以对水淹层有效识别。文中基于测井、地质、试油等资料,在水淹层测井响应特征分析基础上,提出了一种利用改进粒子群优化算法(Particle Swarm Optimization,PSO)及极限学习机(Extreme Learning Machine,ELM)的水淹层识别方法。首先,利用相关系数优选6个主控因素:RD,RS,GR,SP,DEN,AC。其次,采用改进粒子群算法对极限学习机模型进行参数寻优;最后,利用优化后的模型对研究区水淹层进行预测。结果表明,利用PSO-ELM模型识别水淹层,识别符合率达到91.7%,应用效果优于ELM模型及传统识别图版,为水淹层测井识别提供了新思路。

基于粗糙集理论与PCA-APSO-SVM的沥青路面使用性能预测

针对传统沥青路面使用性能预测精度较低的问题,建立了基于粗糙集理论(rough set,RS)与主成分分析法(principal compoent analysis,PCA)-自适应粒子群算法(adaptive particle swarm optimization,APSO)-支持向量机(support vector machine,SVM)的沥青路面使用性能预测模型。基于沥青路面的时序指标与影响因素指标,建立了11个初始预测指标(包括前3年的路面使用性能、当量轴次、路龄、养护性质、坑槽率、修补率、年降水量、平均气温、日照时数);通过RS属性约减筛选出9个核心指标;利用PCA提取4个主成分,得到了基于4个主成分的数据集;将APSO引入到SVM中,对数据集进行训练,并优化了SVM模型参数;建立了路面使用性能的PCA-APSO-SVM预测模型,并以G6京藏高速甘肃境内某段道路为例,对路面使用性能进行预测。研究结果表明:PCA-APSO-SVM模型预测精度较PCA-PSO-SVM、APSO-SVM、PSO-SVM有较大提高,预测结果与实际情况更加符合,能为路面养护决策提供相关参考。

基于PSO-SVM的Φ-OTDR系统模式识别研究

针对相位敏感光时域反射仪(phase sensitive optical time domain reflectometer,Φ-OTDR)系统中误报率高的问题,提出一种多域特征提取与粒子群算法优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)相结合的模式识别算法。首先,对原始信号进行差分处理后提取时域特征,并利用小波包分解方法,通过验证不同分解层数下的事件分类准确率,设定最优分解层数为6层,提取差分信号的能量特征。然后以SVM分类器为基础,利用PSO算法优化SVM分类器参数,提高光纤振动信号识别准确率。最后利用Φ-OTDR事件数据集进行验证,实验结果表明,该模式识别算法达到了95.6%的振动事件分类准确率。

基于PSO−ELM的综采工作面液压支架姿态监测方法

针对基于惯性测量单元的液压支架姿态解算方法会产生累计误差、校正结果不准确的问题,提出一种基于粒子群优化(PSO)−极限学习机(ELM)的综采工作面液压支架姿态监测方法。以液压支架顶梁俯仰角为监测对象,采用倾角传感器和陀螺仪采集液压支架顶梁支护姿态实时信息,对采集到的数据进行预处理,将处理后的数据输入PSO−ELM误差补偿模型中,得到解算误差预测值;同时通过卡尔曼滤波融合进行液压支架姿态解算,得到解算值;再用误差预测值对解算值进行误差补偿,从而求得更加准确的顶梁支护姿态数据。该方法只考虑加速度和角速度数据与解算误差的关系,不依赖具体的物理模型,可有效降低姿态解算累计误差。实验结果表明:液压支架顶梁俯仰角平均绝对误差由补偿前的1.4208°减少到0.0580°,且误差曲线具有良好的收敛性,验证了所提方法可持续稳定地监测液压支架的支护姿态。

基于PCA-PSO-ELM模型预测地震死亡人数研究

筛选42个历史地震震例,对地震震级、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度以及发震时刻7个影响指标进行主成分分析(principal components analysis,PCA),构建粒子群优化(particle swarm optimization,PSO)极限学习机(extreme learning machine,ELM)地震死亡人数预测模型。将37个震例数据进行预处理和训练,并使用5个震例数据来检验模型的预测精度。实验结果表明,该PCA-PSO-ELM组合模型的平均误差率为10.87%,相比于PCA-ELM模型和ELM模型,其平均误差率分别降低8.70个百分点和18.38个百分点。因此,采用PCA-PSO-ELM组合模型预测地震死亡人数具有一定的可行性。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

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。

基于改进PSO-VMD-MCKD的滚动轴承故障诊断

针对滚动轴承信号在强噪声背景下故障特征提取困难的问题,提出一种变分模态分解(Variational Modal Decomposition,VMD)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的故障诊断方法。首先基于VMD方法选取故障信号的最优模态分量,然后采用MCKD算法增强最优分量信号中的冲击成分,最后通过包络谱分析提取滚动轴承的故障频率。利用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD算法中的参数α和K以及MCKD算法中的参数L和M进行寻优,并对PSO算法中惯性因子和学习因子的更新方法加以改进,以提高参数寻优过程的收敛速度。仿真分析和试验结果表明,所提出的诊断方法可以有效提取被强噪声淹没的滚动轴承故障特征。

基于CEEMDAN-VMD-PSO-LSTM模型的桥梁挠度预测

针对桥梁运行阶段的健康状态监测,构建了CEEMDAN-VMD-PSO-LSTM模型对桥梁挠度进行预测。该模型主要分为二次模态分解平稳化、粒子群优化(PSO)算法和长短期记忆(LSTM)网络预测三大模块,共有5个步骤:①利用自适应噪声完备集合经验模态分解(CEEMDAN)算法对桥梁原始挠度序列进行初次模态分解,分解为若干本征模态分解函数(IMF);②使用样本熵(SampEn/SE)计算各IMF分量的复杂度,并通过K-means聚类为高频、中频和低频3个IMF分量;③通过变分模态分解(VMD)算法对高频IMF分量进行二次模态分解;④分别对各个IMF分量通过PSO算法得出LSTM最优超参数组合;⑤将各最优超参数分别代入LSTM模型进行训练,并将各预测结果融合为最终的预测结果。结果表明:该预测方法具有最高的预测精度,为智慧桥梁的安全监测监控提供了新的技术方法。

融合PSO-模糊Petri网的室内燃气泄漏风险研究

近年来室内燃气事故多发,而燃气用户风险意识淡薄、户内安全检查难度大。针对现行室内燃气安全管理技术多为静态主观评估的局限性,构建了基于模糊Petri网(Fuzzy Petri Net,FPN)的风险计算规则,提出了结合粒子群优化算法(Particles Swarm Optimization,PSO)和FPN的室内燃气泄漏动态风险评估模型。首先,应用Petri网的直观图像描述和异步并发处理能力建立室内燃气泄漏事故风险演化的拓扑结构模型,借助FPN的模糊推理能力处理风险传播的不确定性;然后,根据燃气运维数据,融合PSO动态更新初始参数,提高风险评估的准确性。结果表明,基于PSO-FPN的室内风险评估方法可弱化燃气公司安检人员分析的主观不确定性,更为准确地量化风险因子演化过程,实现室内燃气泄漏风险的动态分析,有效支持户内燃气泄漏风险管控。

基于PSO-GA的分片区块链系统性能优化方法

在这篇文章中,针对分片区块链(Sharded Blockchain)系统性能优化问题,提出了一种结合粒子群和遗传算法的系统性能优化方法(PSO-GA),目的是为了在尽可能满足当前网络环境情况下,提升其系统吞吐量.该方法考虑分片区块链中节点的计算能力、恶意节点的概率以及节点之间的传输速率等不同网络环境下,找到响应网络状态的最佳分片区块链系统参数;为了避免传统粒子群优化算法陷入局部最优的问题,引入遗传算法中的交叉操作和变异操作,有效提高方法的准确性.通过大量仿真实验对方法的有效性进行验证分析.实验结果表明,相比于其他的方法,本文所提出的方法可以在更短的时间取得更高的系统吞吐量.

基于RF-PSO的塔吊事故可能发生阶段预测与分析

塔吊在高层建筑的施工现场较为常见,为了探索塔吊事故的影响因素,对塔吊事故可能发生阶段进行预测,建立了塔吊事故的人为因素分析分类系统(HFACS)模型框架,明确了塔吊事故的影响因素;利用卡方检验对事故致因进行特征选择及量化分析,提出了一种基于粒子群优化算法优化随机森林预测模型(RF-PSO)。结果表明:RF-PSO模型的预测是可靠的,训练后的RF-PSO模型可以预测塔吊事故可能发生的阶段,影响因素塔吊安装不符合设计要求、缺乏沟通和个人防护设备缺失发生的概率越大,塔吊事故分别在安拆阶段、吊装阶段和攀爬阶段发生事故的可能性越大。研究结果可为塔吊施工现场管理提供理论依据。

基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。

基于GA/PSO BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components,VOCs)的预测精度,在反向传播(Back Propagation,BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms,GA)优化BP神经网络(GA BP)和粒子群算法(Particle Swarm Optimization,PSO)优化BP神经网络(PSO BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA BP、PSO BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_(2.5)质量浓度、O_(3)质量浓度、NO_(2)质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R^(2))分别为0.80、0.55、0.78、0.67。研究结果可为日后VOCs污染预报预警提供理论参考。

基于GA-PSO的智能汽车横向LQR控制器优化设计

针对线性二次型调节器(LQR)在智能汽车横向控制中,系数矩阵Q和R选取困难导致的控制精度低和参数整定效率低的问题,提出了一种遗传粒子混合优化(GA-PSO)方法。基于车辆二自由度模型设计了横向LQR控制器和前馈控制器,以该模型下控制器自身能量损失函数作为代价函数对系数矩阵进行优化,并对比了GA-PSO和粒子群优化(PSO)算法的优化效果。CarSim/Simulink联合仿真结果表明,经GA-PSO算法优化后的控制器跟踪精度和计算效率分别提高了47.06%和63.54%,且优化后的控制器具有较强的鲁棒性。

基于AG-MOPSO的含风电配电网无功优化

针对风电机组并网出力的不确定性,采用基于概率发生的场景分析法将不确定性模型转换为不同发生概率的多场景问题,建立以有功网损和电压偏差最小为目标的无功优化模型。针对传统方法得到的Pareto前沿多样性较差的问题,提出基于自适应网格的多目标粒子群优化AG-MOPSO(adaptive grid multi-objective particle swarm optimization)算法。该算法采用自适应网格得到外部档案库中粒子的密度,并根据密度信息以轮盘赌机制选取全局最优粒子和维护外部存储库的规模,有效地保证了Pareto前沿分布的均匀性和多样性。运用该算法对含风电的IEEE 33节点系统进行无功优化计算,并与已有NSGA-Ⅱ算法进行比较,结果表明所提算法得到的Pareto前沿较好,验证了该模型和算法的可行性。

基于PSO-LSTM模型的上肢动作识别方法

针对上肢肌音信号(Mechanomyography,MMG)动作识别准确率不高的问题,提出一种基于粒子群算法(PSO)与长短期记忆网络相结合的混合模型(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)的动作识别方法。采用5通道传感器对受试者进行上肢肌音信号采集,使用巴特沃斯滤波(Butterworth Filter)等方法对肌音信号进行预处理,并进行特征提取;构建基于PSO-LSTM的上肢肌音信号识别模型并进行模型训练和测试;最后从不同测度对比了长短期记忆(LSTM)模型、麻雀搜索算法(Sparrow Search Algorithm,SSA)优化的LSTM模型(Sparrow Search Algorithm-Long Short Term Memory, SSA-LSTM)以及PSO-LSTM模型的实验结果。结果表明,PSO-LSTM模型的准确度均高于LSTM、 SSA-LSTM模型,达到96.9%左右,在迭代损失、迭代速度等方面也优于LSTM、SSA-LSTM模型,从而证明了该模型用于上肢肌音信号识别的优越性。

基于PSO级联互补滤波的姿态解算方法研究

为了提高无人机(UAV)姿态解算的精度和稳定性,提出了一种基于粒子群优化(PSO)的级联互补滤波(CCF)的姿态解算方法——PCCF。该方法设计了一种新颖的非线性互补滤波器和线性滤波器级联的滤波结构,前者用于校正陀螺仪零偏,后者用于估计姿态角。采用PSO算法自适应地计算级联互补滤波结构的增益参数,避免人工调节或者基于经验的方法容易陷入局部最优解的问题。实验结果表明,相对于传统滤波方法,本文所提出的姿态解算方法能够获得更为精确、可靠的姿态信息,静态时姿态估计误差小于0.1°,动态时姿态估计误差范围为±1°,满足无人机精准导航和稳定飞行对姿态解算的要求。

非线性递减权值PSO优化下的LQR轨迹跟踪研究

针对二次线性调节器(LQR)权重矩阵选取困难导致的自动驾驶车辆控制精度低、系统适应度欠佳等问题,设计了一种非线性递减权值粒子群算法(NLDW-PSO)。基于二自由度车辆动力学模型,构建了横向跟踪误差模型,设计了前馈控制消除了LQR稳态误差;并设计以横向偏差、航向偏差和前轮转向角为评价函数,将系统输出误差状态量反馈至NLDW-PSO算法,所设计的非线性递减惯性权重因子通过提升粒子群体寻优性能,从而自适应调整LQR权重系数更新策略,形成闭环优化控制,最终求解得到系统目标函数极值。将所设计控制器的跟踪效果进行了对比,Carsim/Smulink联合仿真结果表明所提出NLDW-PSO优化LQR算法的跟踪控制效果最优,横向距离偏差最大值为0.076 m,横向距离偏差均值相较于固定权重系数LQR降低了69.74%,显著提高了车辆跟踪控制精度和自适应能力,且对速度变化具有较强鲁棒性。

求解全局优化问题的SCA-VPPSO算法及其应用

正余弦算法和速度暂停粒子群算法是两个优秀的元启发式算法,用于解决连续全局优化问题。在解决实际问题中,它们始终面临着跳出局部极小的问题。为此,基于二者,提出了一种新的混合搜索算法,称为SCA-VPPSO算法。该算法以速度暂停粒子群算法的搜索框架为基础,将正余弦搜索算子从原先的全维度更新策略转变为部分维度更新策略,并将之用于开发探索上,与速度暂停粒子群算法中的局部搜索行为进行了融合,形成双模式局部探索模式。混合后的SCA-VPPSO算法能够更加有效地平衡局部利用和全局探索,从而增强算法跳出局部最小的能力并获得更好的结果。所提算法与正余弦算法、速度暂停粒子群算法和2个近期发表的优秀算法在CEC2019测试集和一个工程实际应用上进行了性能分析,结果表明所提算法的优化性能有显著提高,扩展了算法的应用范围,为元启发式算法的发展提供了新的混合搜索模式。