基于试验数据的大跨度拱桥有限元模型修正

为了获取菜园坝长江大桥的基准有限元模型，结合Kriging代理模型和一种改进的粒子群优化算法，利用荷载试验数据对其初始有限元模型进行修正。首先，叙述模型修正和Kriging模型基本理论，在基本粒子群算法中引入交叉变异计算，提出一种改进的粒子群算法，并通过测试函数对改进的粒子群算法进行验证；其次，简要介绍菜园坝长江大桥荷载试验、荷载试验结果及初始有限元模型；最后，根据敏感性分析选定6个待修正参数，通过试验设计得到频率和位移关于修正的参数的样本，并建立有限元模型的Kriging代理模型以预测结构响应；以频率和位移的试验值和计算值残差为目标函数，分别利用基本粒子群算法和改进的粒子群算法在修正参数的设计空间内寻找目标函数的最小值，并对比分析模型修正的结果。结果表明：测试函数表明改进的粒子群算法具有较好的稳定性和成功率，并能获得更为精确的优化结果；建立的Kriging代理模型均方根误差较小，可以替代有限元模型预测结构频率和位移；经过模型修正，菜园坝长江大桥前5阶频率计算值与试验值相对误差均控制在5%之内；除个别测点外，位移相对误差均控制在10%以内；相比基本粒子群算法，改进的粒子群算法获得了更小的目标函数值，修正后的频率和位移的相对误差更小。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

SVM和改进粒子群算法在冲压成形优化中的应用

针对薄板冲压成形工艺优化中的复杂变量关系,提出了一种新的优化方法。将非线性动态改进惯性权值、非线性动态调整加速因子和引入自适应粒子变异3种策略应用于标准粒子群算法的改进中,基于支持向量机构建了工艺参数与成形质量之间精确的回归模型,并与改进粒子群优化算法相结合,对板料冲压成形工艺参数进行了优化,优化结果有效地控制了起皱和开裂缺陷,提高了板料成形质量。     

基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型.根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数.利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比.结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度.     

ISG型混合动力汽车粒子群优化模糊控制研究

针对ISG型混合动力汽车能量分配的控制过程,应用传统的模糊控制存在精度不高、自适应能力有限等问题.提出一种粒子群优化模糊控制的方法.在应用传统模糊逻辑建立控制模型基础上,利用粒子群算法对模糊控制中的隶属度函数进行优化,实现了优化的隶属度函数随环境变化以及负载变化实时跟踪模糊控制器的参数变化.仿真结果表明,与Insigh...     

遗传策略粒子群优化的粗糙集神经网络在崩塌落石灾害风险评估中的应用

本文提出一种运用遗传策略粒子群优化的粗糙集神经网络的崩塌落石风险评估智能方法。首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用遗传策略对粒子群优化算法进行改良,用该改良后的优化方法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对崩塌落石风险进行评估。仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了预测精度。     

基于粒子群优化的RBF神经网络交通流预测

交通流量预测一直是实时自适应交通控制的关键问题。以城市道路网络中典型的两相邻交叉口为研究对象,提出了基于粒子群优化的RBF神经网络的信号交叉口交通流量预测模型。该模型以RB F神经网络为基础,采用分组优化策略,用粒子群优化算法对基函数的中心、方差和RBF网络权值进行优化,从而提高了网络的预测精度。通过仿真,并与其他算法对比,表明了本文方法的有效性。     

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。     

基于混合粒子群算法的土钉支护结构设计参数优化

在土层工程地质情况一定的条件下,如何寻找一组最佳设计参数,以达到既经济又安全的目的,是土钉支护设计的一个重要问题。这是一个复杂的优化设计问题。就此,提出基于混合粒子群优化(PSO)算法的基坑土钉支护优化设计方法,以单位长度土钉墙的土钉材料造价作为优化的目标函数。该方法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,不活动粒子的处理使算法避免了“早熟”现象的出现。工程实例计算表明,该方法是进行土钉支护结构优化设计的有效方法。     

一种基于元模型的桥梁静动力有限元模型修正方法

针对大型桥梁静动力有限元模型修正问题,提出一种基于元模型的修正方法。首先,对桥梁结构进行子结构划分,并利用人工神经网络算法建立修正参数与结构静、动力特性的关系模型(元模型);其次,分别以桥梁静动力测试结果作为有限元模型修正的优化目标,将桥梁静动力有限元模型修正问题转化为多目标优化问题,从而克服了采用单目标优化时,结构静力特性与动力特性目标之间的权值难以选择的问题;再次,通过元模型建立及多目标优化的方法进行结构有限元模型的修正。最后,利用一座钢管混凝土拱桥的静动力试验实测结果,对所提模型修正方法的适用性进行验证。结果表明:该方法具有较好的精度和适用性,可作为大型桥梁结构静动力有限元模型修正的一种实用方法。     

基于改进粒子滤波算法实现锂离子电池RUL预测

鉴于采用传统粒子滤波算法来预测锂离子电池剩余使用寿命(RUL)过程中,存在粒子多样性丧失现象而导致RUL预测精度较低的问题,引入线性优化重采样思想,建立了基于线性优化重采样粒子滤波(LORPF)的电池RUL预测方法。该方法以双指数模型作为电池老化模型,通过LORPF算法对模型参数进行迭代更新,实现电池RUL预测并给出预测结果的不确定性表达,最后使用美国国家航空航天局PCoE研究中心的电池数据和自主搭建实验平台的电池数据对所提方法与传统PF方法进行对比验证,结果表明该方法有效提高了RUL预测精度,其误差小于5%。     

基于粒子群优化神经网络PID控制的车道保持系统研究

提出一种基于粒子群优化神经网络PID的车道保持控制方法。首先搭建车路模型和EPS(Electric Power Steering,电动助力转向系统)模型;然后建立粒子群优化神经网络PID控制器,利用粒子群算法优化神经网络的初始权值和阈值,提高神经网络算法的收敛速度和精度,优化后的神经网络算法在线调整PID控制器的3个参数比例Kp、积分Ki、微分Kd,输出最优组合;最后,进行车道保持硬件在环试验,试验表明:相对于常规PID控制和神经网络PID控制,在粒子群优化神经网络控制下,车道保持系统的跟踪精度和稳定性都更高。     

模糊环境下的多目标非满载车辆调度问题

针对现实物流配送过程中存在的时间参数模糊化问题,采用梯形模糊数表征时间参数,给出了一种具有模糊时间窗和模糊配送时间,以最小化配送车辆数、提前/滞后惩罚以及配送里程为目标的多目标非满载车辆调度问题模型.在问题求解方面,针对基本粒子群算法容易陷入局部最优的问题,引入利用混沌局部搜索策略,给出了一种基于混沌优化技术的混合粒子...     

基于WPD-PSO-ESN的短期交通流预测

为了提高短期交通流的预测精度,提出了一种基于小波包分解(wavelet packet decomposition, WPD)、粒子群优化(particle swarm optimization, PSO)算法和回声状态网(echo state network, ESN)的短期交通流预测方法。该方法命名为WPD-PSO-ESN。首先,在数据预处理阶段,采用小波包分解将交通流数据分解为不同频段的子序列,并将各子序列送入回声状态网预测模型;然后,在建立预测模型阶段,利用粒子群优化算法在线优化回声状态网的参数,以提高回声状态网的泛化能力和预测精度;进一步,针对粒子群优化算法存在的早熟收敛和易陷入局部最优的缺陷,通过检测粒子飞行过程中的状态信息,设计了惯性权重自适应调整策略,以期提高粒子群优化算法的寻优能力;最后,在结果输出阶段,采用加权平均法融合各子序列的预测值以得到模型的最终预测结果。试验结果表明:通过小波包分解和单支重构可以更加容易地抓住原始信号中的动态信息,更适合用于回声状态网的时间序列建模;带有自适应惯性权重调整策略的粒子群优化算法具备更强的跳出局部最优的能力,优化后的回声状态网模型精度更高;对于短期交通流预测,与前馈型误差反传神经网络、反馈型Elman神经网络和传统回声状态网等预测方法相比,WPD-PSO-ESN预测方法具有更高的预测精度,能够满足智能交通系统对预测精度的需求,对实现实时交通控制和建设智能交通系统具有重要意义。     

基于动力刚度法与粒子群优化算法的拉索参数识别

拉索一般设置有一个或多个中间支承,其振动频率与索力对应关系不甚明确,基于动力刚度法与粒子群算法,对带有多个中间支承的拉索进行参数识别。将拉索视为无限自由度体系,导出精确的单元动力刚度矩阵,通过集成及求解得到总体动力刚度矩阵和频率方程,引入Wittrick-Williams算法求解拉索振动频率;根据拉索振动频率拟合的参数识别方法,将之转化为一优化问题,采用带变异算子的粒子群优化算法进行拉索参数识别。通过有限元仿真分析对带有两个中间弹性支承的两端固结拉索进行了算法的验证,并选取一座实桥的3根两端设置高阻尼橡胶减振器的典型拉索进行了参数识别。研究表明,对具复杂边界条件拉索,基于动力刚度法与粒子群优化算法的参数识别方法能够获得较好的索力测试精度。     

基于静力试验结果和模糊神经网络的结构模型优化

将模糊神经网络算法引入结构有限元模型的自动优化，充分利用高斯型隶属函数的万能收敛性、人工神经网络的自学习性和模糊神经网络处理非线性问题的强大功能，对结构材料参数进行循环修正，并结合工程实际进行验算，取得比较好的效果。该方法可以用于对目标结构进行计算机模拟加载试验。     

预应力砼连续箱梁桥主梁设计参数优化

针对当前连续箱梁桥主梁设计参数计算中存在的问题,提出一种基于多目标粒子群算法的参数优化方法。以主梁的边中跨比、墩顶梁高、跨中梁高及梁底曲线幂次4个参数作为优化对象,以桥梁受力性能、主梁总体造价作为优化目标,采用多目标粒子群算法建立了连续箱梁桥主梁参数优化数学模型;算例分析结果表明,该优化方法得出的设计参数使主梁的结构受力性能与造价均优于传统方法,该优化方法有效。     

基于改进二次粒子群算法的汽车零配件配载优化

综合考虑汽车零配件物流运输配载过程中成本、资源及服务质量等决策要素,建立了汽车零配件配载优化模型。引入二次粒子群算法对该问题进行求解,并针对该算法在搜索早期粒子多样性低的缺点,提出了改进二次粒子群优化算法,它采用遗传算法的变异思想和互换更新机制来提高种群的多样性,以避免过早收敛和改进优化效果。仿真实例表明,与原算法相比,改进后算法的计算效率显著提高,且搜索到全局最优解的概率也更高。     

基于佳点集协同进化粒子群的信号配时优化

针对基本粒子群优化算法在迭代过程中容易陷入局部极值的问题,引入佳点集理论和协同进化算法,提出了一种改进的粒子群优化算法即基于佳点集方法的协同进化粒子群优化算法;以排队长度、延误时间及通行能力建立优化约束模型,对过饱和状态下的交叉口使用仿真软件VISSIM对改进的优化算法进行试验,对现状与优化后的结果进行对比分析。结果显示,运用基于佳点集方法的协同进化粒子群优化算法能有效优化信号配时,降低排队长度与延误时间,提高通行能力,解决多目标约束优化问题。     

考虑库存成本的配送中心动态选址模型及算法

为了解决传统配送中心选址没有同时考虑库存持有成本和决策环境的动态变化的问题,建立了一种新的模型。首先,利用两步骤近似方法获得(Q,R)库存策略下每一个周期配送中心的库存成本计算公式;然后,针对传统设施动态选址模型对选址成本的不恰当表示进行了修正,并与库存成本计算方法相结合,从而建立考虑库存成本的配送中心动态选址模型。最后,分别用遗传算法、克隆选择算法、粒子群优化算法求解所建立的模型,并从算法的精确度、稳定性、运算速度和收敛性比较了三种算法的性能。算例测试结果表明:所建立的模型是有效的;从总体上看,遗传算法的适应性要强于克隆选择算法和粒子群算法。