土坡非圆临界滑动面求解的混合搜索方法

在非圆临界滑动面的搜索中,先进行圆弧滑动面的搜索,将得到的临界圆弧滑动面作为非圆临界滑动面搜索的初始滑动面,采用改进粒子群优化算法——快速粒子群算法寻优;然后根据搜索到的较优值缩减搜索域的范围,再利用改进和声搜索算法寻优,将得到的结果作为问题的最优解。最后采用Spencer法计算滑动面的安全系数,并利用2个复杂土坡作为算例来检验混合方法的有效性。比较结果表明:该方法适用于多变量优化问题的求解。     

利用粒子群优化算法进行桥梁维修管理计划的优化

制定桥梁维修管理计划是一项非常繁杂的工程优化难题,使用常用的优化算法很难取得满意的结果。利用耐荷性和耐久性作为桥梁的健康指数,考虑维修方案和维修费用的问题,用费用最小化和品质最大化2种方案建立了桥梁维修管理的优化模型。探讨利用粒子群优化算法(PSO)求最优桥梁维修管理计划的解的可能性,并与作者开发系统中的遗传算法(SGA)和免疫遗传算法(IA)进行了比较,运用多样度的概念说明了粒子群优化算法(PSO)在解决这类问题的先进性。结果表明,粒子群优化算法(PSO)对于桥梁维修管理计划的优化是一种普适高效的算法;而且,考虑维修的管理期间越长,应用粒子群优化算法求解问题收敛性与其他2种方法相比显得更好,得到准最优解的频率也更高。     

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%.      

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。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

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%。     

基于量子粒子群算法的矮塔斜拉桥索力优化

斜拉索最优索力的确定是矮塔斜拉桥合理设计的关键。为了更为精确地确定矮塔斜拉桥的拉索索力,本文首先将粒子群优化(PSO)算法与量子计算理论相结合,采用量子角进行染色体编码,并结合一种种群扰动算子,提出了一种新的量子粒子群(QPSO)算法。然后,基于量子粒子群(QPSO)算法,并结合有限单元和罚函数技术提出了一种确定矮塔斜拉桥成桥索力的全局搜索算法。最后,采用开发的数值计算程序对某一矮塔斜拉桥进行了索力优化计算。研究表明QPSO算法无论是在收敛速度上还在计算精度上均优于PSO算法,提出的索力优化方法是求解矮塔斜拉桥索力优化问题的有力工具。     

基于扰动收缩粒子群算法的物联网配送车辆调度

为了提高物联网配送车辆的调度效率,采用扰动收缩粒子群算法。首先建立物联网配送车辆优化调度问题的数学模型,考虑到货物品种及数量、需求时间和地点、运输线路以及运输时间的不确定性,包括运输成本、时间惩罚成本、固定成本;接着对基本粒子群算法增设非线性扰动因子用来平衡粒子的全局和局部搜索,在进化前期值比较小,让粒子主要进行局部搜索,而在后期设置值比较大,进行全局搜索,同时增设收缩算子,避免粒子的过度振荡,粒子编码涉及到收货点、车辆编序、行驶顺序,给出了算法流程;最后,仿真试验和实例分析验证了算法的合理性与可行性。结果表明:增设收缩算子对任务目标点寻优地理位置偏差值最小,避免了总成本增加;带有非线性扰动因子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,优化后的算法运行速度加快;对于每次试验的搜索成功率以及违约惩罚成本占总成本比例,与遗传算法、蚁群算法、粒子群算法、混沌量子粒子群算法、模拟退火粒子群算法和柯西变异粒子群算法预测方法相比,扰动收缩粒子群算法预测方法具有更高的搜索成功率和较低的违约惩罚成本,能够满足物联网配送车辆系统对预测精度的需求,对实现实时交通控制具有重要意义。     

基于改进粒子群优化算法的多目标自适应巡航控制

跟驰过程中,在保证安全性的前提下为了提升自适应巡航控制(ACC)系统的舒适性和燃油经济性,研究了多目标自适应巡航控制算法。在建立车间纵向运动学模型的基础上,根据模型预测控制理论,设计综合考虑安全性、舒适性、燃油经济性以及车辆自身限制等因素的目标函数和约束条件,并引入松弛因子向量软化硬约束边界解决无可行解问题。进一步在滚动优化环节中,引入具有求解多约束问题能力的改进粒子群优化算法进行求解。通过数值仿真对比分析,结果表明,基于改进粒子群优化算法的多目标自适应巡航控制算法能有效提高燃油经济性和行车舒适性。结合CarSim搭建模型进行联合仿真,验证算法有效。     

道路交通安全ICPSO_LSSVM预测模型及应用

道路交通安全是城市发展中的重要问题之一,可靠、准确的预测模型是道路交通安全的基础和难点。以万车事故率、万人事故率2个相对指标为目标层,引入免疫系统的抗体选择机制,构造基于免疫机制的免疫粒子群优化算法(ICPSO),以避免标准粒子群算法(PSO)在迭代过程中容易过早收敛而出现局部最优的缺陷。利用优化方法对最小二乘支持向量机预报模型(LSSVM)进行参数寻优,建立优化最小二乘支持向量机(ICPSO_LSSVM)预测模型,并对湖州市的万车事故率和万人事故率2个指标进行对比分析,以验证所建预测模型的有效性和可行性。     

基于改进粒子群的非对称斜拉桥成桥索力优化

针对非对称斜拉桥主塔水平受力复杂和主梁弯矩不对称的特点,提出了以主塔拉压应变能和主梁弯曲应变能为目标函数,以主塔水平位移和主梁竖向位移为控制条件的索力优化过程。并且根据粒子群算法在多参数优化中的问题,提出了速度惯性依据群体最优变化而变化的改进粒子群算法。以某长江大桥为背景,分别利用ANSYS自带零阶优化,标准粒子群算法和本文提出的改进粒子算法进行优化比较。优化结果表现,改进的粒子群算法在优化结果和优化速度上都较前两种有改善。     

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。     

人工神经网络在基坑变形性状研究中的应用

基坑工程不仅要保证维护结构本身的安全,而且要保证周围建(构)筑物的安全和正常使用。开展基坑工程变形性状研究具有重要意义。影响基坑变形的因素很复杂,传统的计算方法已无法准确预测基坑的变形。人工神经网络(ANN)有很强的解决非线性问题的能力。近些年来基于ANN的方法在岩土工程中得到了广泛的应用。本文对ANN在基坑工程中的应用研究进行了综述,并对其发展方向进行了分析。     

基于QPSO—RBF的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.     

混合智能算法在城市道路短时交通流量预测中的研究

对城市道路短时交通流进行准确预测是实现城市交通控制与交通诱导的关键。针对目前单一预测方法预测精度不高的问题,提出了小波与支持向量机（SVM）融合的预测新方法;同时为了避免SVM知识学习过程陷入局部最优的问题,采用粒子群算法（PSO）来优化SVM的关键参数,以提高对短时交通流量的预测精度。通过对武汉市道路交通流数据的实验分析,结果表明所提出的方法能够准确提取实验数据关键特征,显著提高SVM的预测精度,且结果比单一使用方法提高了近9%。     

高速公路隧道(群)风险特征点的临界安全车速及其应用研究

考虑高速公路隧道(群)各风险特征点的行车风险变化规律,对隧道(群)进行空间区段的划分,提出6个典型风险特征点;根据行车制动风险模型,分析隧道路段风险影响要素,如车辆初始速度、驾驶员反应时间、路面摩擦因数及道路纵坡坡度,给出了不同长度类型隧道(群)、不同时间、不同路面型式及灾害性天气下4个风险影响要素的取值;通过分析和对比理论计算结果,得到了隧道(群)各风险特征点在自由行驶状态和跟驰状况下的临界安全车速变化规律,进而得出各点的临界安全车速。结果表明:提出的隧道(群)风险特征点处的临界安全车速,能够为隧道运营安全管理提供理论依据。     

基于混合粒子群优化算法的桥梁有限元模型修正

针对传统模型修正方法求解复杂、精度较差等问题,提出基于混合粒子群优化算法的模型修正策略。由于粒子群算法存在早熟收敛问题,采取自适应动态惯性权重策略改进粒子群算法,并引入差分进化算法进行混合优化。在模型修正时,对模型进行相关性分析并选取待修正参数,引入混合粒子群算法修正模型的参数,得到能够真实反映桥梁结构静、动力特性的有限元模型,为结构安全评估及健康监测提供科学依据。采用该方法对某简支梁模型进行修正,修正后的模型精度较高,验证了该算法的有效性。     

恶劣天气下多航空器改航路径的仿真优化算法

针对恶劣天气下区域管制区内，多航空器改航路径规划中缺乏降低管制员工作总负荷的考虑。以贵阳区域管制区为例，研究了恶劣天气下多航空器改航路径的仿真优化算法。采用灰色模型预测飞行受限区的动态影响范围；利用几何算法预先规划可供选择的改航路径；改进离散粒子群优化算法的运算规则；以整个区域管制区内改航总路径最短和管制员工作总负荷最低为目标，结合预测的飞行受限区、预先规划的改航路径、改进离散粒子群优化算法和全空域与机场模型实现恶劣天气下多航空器改航路径的仿真优化算法。结果表明，该仿真优化算法经过多次迭代，获得了改航优化方案；与采用传统粒子群算法的仿真优化算法相比，管制员工作总负荷下降了7.52%，改航总路径距离减少了4.48%；与采用多目标粒子群算法和非支配排序遗传算法-II的改航路径算法相比，其改航路径距离略长，但考虑了管制员工作负荷的影响。该仿真优化算法能在减少改航路径距离的同时有效降低管制员工作负荷，对实际改航规划具有借鉴意义。      

基于HPSO-BP神经网络融合的锂电池SOC预估研究

为实现锂离子电池荷电状态(SOC)的高精度预测,采用混合粒子群(HPSO)与BP神经网络相结合的联合优化算法,通过优化神经网络的初始权值和阈值克服了种群易陷入局部极小的缺点,加快了收敛速度,减小了SOC预估的误差,通过分析磷酸铁锂(LiFePO4)电池充、放电机理,将电池电压、电流、内阻和温度作为SOC的影响因子。MATLAB仿真结果表明,HPSO-BP神经网络算法的预测精度和收敛速度较传统BP神经网络算法更优。     

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。