基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

基于PSO优化RBF-NN的磁浮车间隙传感器温度补偿

针对高速磁浮列车悬浮间隙传感器的温度漂移现象,建立了基于RBF（radial basis function）神经网络的间隙传感器温度补偿模型.通过对全局最优粒子执行梯度下降寻优,将粒子群优化算法与梯度下降算法结合得到一种寻优能力更强的混合算法,并将该方法用于RBF温度补偿模型参数优化,提高了间隙传感器的补偿精度,最后,使用现场可编程门阵列FPGA（field-programmable gate array）实现了该补偿模型并进行了实验.实验结果表明:该方法能够较好地对间隙传感器进行温度补偿,补偿后的传感器输出不受环境温度影响,全量程范围内最大误差为0.45 mm,8~12 mm工作间隙范围内误差为0.16 mm.      

Learning Bayesian Networks from Data by Particle Swarm Optimization

Introduction Bayesian networks are a graphical representa-tion of a multivariate joint probability distributionthat exploits the dependency structure of distribu-tions. Bayesian networks are directed acyclicgraphs(DAG), where the nodes are random vari-abl…     

混合径向基神经网络对货运量的预测

为了定量预测多个外部因素影响下的货运量,建立了混合径向基神经网络模型.该模型以径向基神经网络为模型主体,并结合二阶振荡粒子群优化算法和灰色预测方法构成混合预测模型.该神经网络模型的参数设置更加简便,收敛速度更快.实例预测得到的结果相比较其他预测方法绝对误差值更小,误差变化范围更加稳定,证实了该神经网络模型的有效性,表明了其在多因素影响下的货运量预测中具有很好的适用性.     

Identification Simulation for Dynamical System Based on Genetic Algorithm and Recurrent Multilayer Neural Network

Introduction　　Inpracticalapplication ,thereexistmoreorlessnonlinearphenomenainamajorityofphysicalsystems .Inordertostudythesekindsofphysicialsystems ,anonlinearsystemmodelmustbesetupfirstofall,andthensomeparametersidentificationofthepredefinedmodelmustb…     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化（PSO）算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点．针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识．该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识．利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明：改进的PSO算法用于岩石蠕变模型的参数辨识是有效的．     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

敷设聚脲的吸声模型改进粒子群算法优化

为了提高敷薄吸声层的水下小目标的隐身性能,以敷设聚脲的多层结构为基本吸声模型,推导了模型的反射系数计算公式.针对材料优化的应用需求,将粒子群算法的局部算法和全局算法相结合,改进粒子群算法的优化策略,得到了动态混合粒子群算法,提高了收敛能力和搜索精度.利用该算法对多层吸声模型的材料参数进行寻优,结果表明:当吸声材料杨氏模量近似为频率的分段线性函数时,其吸声性能最优.在此基础上,建立了提高模型吸声性能的理论方法,并进行了实例验证,结果表明,该方法可使模型吸声性能在140～500 kHz范围内达到-10dB以上.     

基于神经网络的GPS高程拟合方法优选及精度分析

针对现有的几种神经网络GPS高程拟合方法,讨论了利用遗传算法(GA)、粒子群算法(PSO)优化BP神经网络权值和阀值的原理;结合分布较均匀、现势性较好的GPS和水准联测数据,试算了基于神经网络的GPS高程拟合。拟合结果表明:基于PSO算法优化的BP神经网络的拟合精度优于GA算法,误差相对更小。     

基于GA-PSO混合优化的BPNN车速预测方法

BP神经网络(BPNN)已经用于车速预测方面的研究.针对BPNN不同的初始权值和阈值会影响车速预测精度的问题,提出一种基于GA-PSO混合优化的BPNN车速预测方法.以北工大西门到百葛桥为研究路径,构建基于BPNN的车速预测模型;将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合,通过逐次迭代取最优的方式确定BPNN的最优初始权值和阈值,以此设计基于GA-PSO混合优化的BPNN车速预测方法.最后,以所选路径为对象,利用基于GA-BPNN的预测法、基于PSO-BPNN的预测法,以及提出的方法对车速进行了实验预测.结果表明,相较于前两种车速预测改进方法,本文方法的平均车速预测误差分别降低了37.1%和24.1%,有效地提高了车速的预测精度.     

基于个体最优位置的自适应变异扰动粒子群算法

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于个体最优位置的自适应变异扰动粒子群算法AMDPSO (adaptive mutation disturbance particle swarm optimization).该算法以粒子群算法为基础,加入扰动,当满足自适应条件时,粒子以个体最优位置为依据进行变异操作.将该算法运用于6个测试函数,并与惯性权重粒子群算法、收缩因子粒子群算法以及差分进化算法进行了比较,结果表明:AMDPSO能在寻优过程中让粒子跳出局部最优,保持种群多样性,具有更好的收敛速度和优化性能.      

Identification of Dynamic Parameters Based on Pseudo-Parallel Ant Colony Optimization Algorithm

IntroductionReal ants are capable of finding the shortest pathfrom a food source to the nest. Inspired by this factand the behavior of ant colonies, a novel optimizationalgorithm called ant system (AS) was first developedby Dorigo in1992[1]. In the following years, diversemodifications of the AS algorithm were made andapplied to many different types of optimization prob-lems, and satisfactory results were obtained. Re-cently, the AS algorithm has been extended to an al-gorithm for solving d…     

A Short-Term Traffic Flow Forecasting Method and Its Applications

Short-term forecast of urban traffic flow is very important to intelligent transportation. Although the conventional methods have some advantages, to some extent, in improving the traffic forecast’s precision, it is still hard to achieve high accuracy. In this paper, we propose a short-term traffic flow forecasting method, which is based on the hybrid particle swarm optimization-neural network(HPSO-NN) with error compensation mechanism.In HPSO-NN, the hybrid PSO algorithm is employed to train the structures and parameters of the feed-forward advanced neural network, while the error compensation mechanism is employed to improve the accuracy. HPSONN is used to forecast the vehicle velocity in Shanghai North-South Viaduct. Experimental results show that the HPSO-NN, compared with the auto-regressive and moving average(ARMA) model, can forecast traffic flow with a higher accuracy. What’s more, we have also found that HPSO-NN with error compensation mechanism has better performance than that of HPSO-NN alone.     

基于PSO算法的带减振器斜拉索参数的识别

讨论了粒子群算法(PSO)的应用,并基于PSO算法结合重庆干溪沟1号特大斜拉桥的带减振器的斜拉索做参数识别。研究表明:若拉索多阶振动频率能够被获得,则通过PSO算法得到的T,EI,K,εL等拉索参数是可靠的。     

IGBT机理建模及其基于神经网络的参数辨识方法

为获取专用的绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)模型,实现IGBT电路的针对性优化,在Hefner模型的基础上,对IGBT的开通和关断状态进行了机理建模,并重点分析了其暂态过程.在此基础上,提出了基于神经网络优化算法对模型参数进行辨识的方法,获得了单个IGBT元件的机理模型.以一个FGA25N120型的IGBT为例,进行了仿真和实验研究,通过仿真与实验结果的对比,拟合优度达0.9,验证了本文所提机理模型的正确性及基于神经网络辨识所得参数的精确性.      

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

插电式四驱混合动力汽车控制策略设计及优化

为有效识别驾驶员的驾驶意图,在保障插电式四驱混合动力汽车动力性的基础上,提高其燃油经济性,提出了一种转矩识别系数计算方法,设计了基于发动机输出转矩最优能量管理控制策略,讨论了每种工作模式的判别条件以及转矩分配方法.为避免单一优化算法运算时间长、容易陷入局部最优的固有缺陷,使用优拉丁超立方的方法进行试验设计,利用径向基函数神经网络(radial basis function, RBF)建立近似模型,使用多岛遗传算法对近似模型进行了优化.研究结果表明:对优化后的控制策略进行离线仿真得出,混合动力汽车在满足动力性能的前提下,百公里油耗降低了16.4%;将优化后的控制策略在dSPACE上进行硬件在环试验表明,所制定的控制策略,可以实现基本的能量管理,且加入转矩识别之后平均车速误差降低了39.9%,百公里油耗降低了8.5%.      

一种新的双种群PSO-DE混合算法

给出一种新的粒子群算法和差分进化算法相结合的混合算法.该算法基于一种双种群进化策略,其中一个种群由粒子群算法进化,另一种群由差分进化算法进化.此外,采用一种信息分享机制,在算法的进化过程中2个种群中的个体可以实现协同进化.为了进一步提高混合算法的性能,在差分进化算法中融入一种线性递减加权策略的变异操作和指数递增交叉概率算子.通过4个标准测试函数的测试结果表明文中提出的混合算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.     

自适应高斯遍历和声搜索物联网射频识别均衡优化

针对物联网射频识别过程中存在的数据量过大、传统算法计算复杂度较高和识别准确率较低的问题,提出了自适应高斯遍历和声搜索(Gauss traversal and harmony search algorithm, GTHS)物联网射频识别优化算法.首先,基于和声搜索算法进行网络优化设计,针对标准HS在优化精度和计算复杂度等方面存在的问题,利用高斯函数的遍历特性对算法即兴创作过程引入控制参数,提高前后期搜索的针对性,并给出参数选取的理论分析;其次,对物联网射频识别优化模型进行研究,提出改进的自适应优化目标,实现性能指标的均衡优化;最后,将该算法与RPSOAS、CDE以及C-MC算法进行了实验对比分析,结果表明,所提GTHS算法在区域大小为1000 m1000 m、标签数量为100000的大型物联网RFID (radio frequency identification network)实验对象中,收敛精度为7.2156,收敛精度提高29.6%以上.