多元评价体系组合模型在铁路隧道变形预测中的应用

为克服传统预测模型结构单一、预测精度及稳定性不足等缺陷,提出多元体系组合预测模型的建模思路。首先,基于支持向量机、BP神经网络及ARMA模型3种单一预测模型,构建铁路隧道变形预测体系;再以均方根误差、误差平方和及平均绝对误差等为评价准则或指标,构建各预测结果的误差评价体系,求解各单项预测模型的权值贡献指数,得到最优组合权值;然后利用后验差检验、残差检验和关联度检验构建预测精度校验体系,对组合预测结果进行检验,评价预测模型的有效性;最后,结合工程实例,对多元体系组合预测模型在特大断面隧道中的变形预测效果进行检验。结果表明:多元评价体系组合模型预测相对误差值均小于2%,具有较高的预测精度,且较单一预测模型具有更高的预测精度,也一致通过相关检验,验证了多元体系组合预测模型的有效性。     

基于小波和粒子群算法的HEV行驶状况辨识方法研究

针对混合动力汽车(HEV)行驶状况(道路坡度和整车载荷)变化难以有效识别,导致驱动系统控制策略不能有效满足驾驶员意图问题,以混联式HEV为研究对象,提出了基于小波滤波和粒子群算法的HEV行驶状况辨识方法。首先建立了汽车行驶状况辨识模型,采用最小二乘法确立了优化目标函数,其次研究了基于小波滤波和粒子群算法的HEV行驶状况辨识原理,最后进行了行驶状况粒子群智能算法辨识试验。在采集实车数据的基础上,对实车数据进行小波滤波,并运用行驶状况辨识方法对道路坡度和整车载荷进行了辨识,并对辨识结果进行小波滤波,结果表明,试验工况下整车载荷辨识的相对误差绝对平均值为2.71%,道路坡度辨识的相对误差绝对平均值为3.85%,验证了所提出方法的有效性。     

基于随机需求的多频次道路货运调度模型及算法

以道路货物运输为研究对象,采用多频次调度方法对随机需求的道路货运调度问题进行研究,给出了基于随机需求的多频次调度模型及求解模型的微粒群算法,同时通过算例验证了该模型的可行性。     

用微粒群算法求解多元非线性方程组

分析了将多元非线性方程组的求解问题转化为求多元函数极值的优化问题的原理和方法;利用微粒群算法在连续空间中的优化能力求得极值点,得到方程组的近似解;给出了优化算法的具体流程;通过两个算例说明算法的可行性和有效性,实验结果表明此算法具有较高的效率和精度．     

隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明： sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1.03%,方差值为0.042 6,预测精度和稳定性较高,验证了预测模型的有效性。     

基于粒子群算法的出口集装箱堆场箱位分配研究

码头堆场中出口集装箱的箱位分配是典型的NP-hard优化问题,考虑集装箱的质量及目的港,以出口集装箱的装船路径和堆区的翻箱率为目标,建立适合出口集装箱堆场箱位分配的数学模型,以粒子群算法进行求解,数据实验表明该模型能够提高堆场的作业效率,具有一定的的实用性.     

基于节能的地铁列车时刻表优化

合理的列车时刻表,可调节在线列车启动、制动情况,增加再生制动能量被启动列车吸收利用效率,减少其在制动电阻上的消耗。结合四列车理想模型,采用粒子群算法调节列车停站时间,优化列车运行时刻表以达到节能的目的。停站时间修正量为5 s和10 s两种情况。仿真结果显示理想模型中变电站能耗降低、列车总能耗降低、列车总回馈能量上升,制动电阻能耗降低。在此基础上,利用粒子群算法优化南京地铁2号线时刻表,结果表明变电站能耗减少5%,节能效果明显,算法有效。     

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%。     

隧洞围岩力学参数反演

利用粒子群优化算法的全局寻优能力帮助确定神经网络的隐层神经元的数量,基于某隧洞的实测位移数据,对该隧洞的硬土弹塑性力学参数进行了反演。     

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。