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。     

基于安全距离模型的车辆跟随控制策略研究

针对车辆协同驾驶领域中的跟随过程,建立了安全距离控制模型,采用BP神经网络PID控制策略设计了控制器,并通过MATLAB/Simulink软件进行仿真分析,将BP神经网络PID控制与传统PID控制的控制效果进行了对比,最后运用缩微环境下的智能车辆系统试验平台设计了Update算法,完成了跟随试验验证。仿真和试验结果表明,本文设计的智能控制器减小了车间距误差,提高了控制准确性,能满足车辆安全跟随行驶要求。     

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。     

基于粒子群优化的燃料电池氢气路PID控制方法

燃料电池氢气路的控制直接影响燃料电池系统的性能.本文在传统的PID控制中通过引入粒子群优化算法,对氢气路的参数进行优化,并进行仿真对比分析.结果表明,相比传统的试凑法PID控制,优化PID控制具有明显优势.     

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。     

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...     

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.     

基于自适应粒子群小波网络的公共自行车出行需求预测

首先,基于公共自行车租赁系统的借还特性,分析相邻租赁点借还需求的相似性和互补性,租赁点的周转特性以及周期稳定特性,并考虑工作日与周末出行需求的差异性。其次,使用关联租赁点的出行信息、租赁点的周转率以及本租赁点历史出行信息和时间作为影响因子,分别利用小波神经网络、粒子群优化的小波神经网络、自适应粒子群优化的小波神经网络对公共自行车的借、还需求进行模型的构建。最后,利用美国纽约市公共自行车系统的出行数据进行实例分析,结果表明:自适应粒子群优化的小波神经网络相比于简单的小波神经网络平均相对误差下降26.45%,均方误差减少36.31%,相比于粒子群优化的小波神经网络平均相对误差下降15.81%,均方误差减少25.01%;自适应粒子群优化的小波神经网络能够使模型跳出局部最优,具有较强的可靠性,对于工作日和周末出行需求预测的平均相对误差分别为11.05%和12.27%;关联租赁点、周转特性影响因素的考虑能有效提高预测精度,其中自适应粒子群优化的小波神经网络预测精度的提升率最高,达到4%左右。研究成果可为城市公共自行车管理部门及相关企业的政策制定及调度优化提供支持。     

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。     

基于可拓切换控制方法的智能车辆车道保持系统研究

针对道路曲率变化范围较大时,智能车辆在大曲率道路工况车道保持控制精度低的问题,提出一种基于可拓切换控制理论的智能车辆车道保持控制系统,该车道保持系统由上层可拓控制器和下层控制器两部分组成。在上层可拓控制器中,通过车道线检测得到车辆相对于道路的位置信息和道路曲率信息。根据可拓集合理论,选取预瞄点处横向位置偏差和前方道路曲率值作为可拓集合的特征值并划分可拓集合,求解关联函数,并根据关联函数值将车辆-道路系统状态分为经典域、可拓域和非域。在下层控制器中,在经典域采用基于横向位置偏差和航向偏差的PID反馈控制器,在可拓域中采用基于前方道路曲率的PID前馈-反馈控制器,非域中车辆-道路系统处于完全失控状态,采取紧急制动。2种仿真工况结果表明:相比于单一PID反馈控制,提出的车道保持控制系统,有效抑制了在大曲率道路下的跟踪误差值,提高了智能驾驶汽车在时变曲率的道路工况下车道保持控制精度和工况适应性。     

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BP-PID的电动汽车热泵空调温度控制系统研究与设计

电动汽车热泵空调系统具有时变性、非线性和滞后性的特点,传统的比例-积分-微分（PID）控制方法无法达到理想的控制效果。针对反向传播（BP）神经网络,推导出其正向和反向传播阶段公式,给出了详细的控制算法设计,在传统PID控制器基础上设计出一种自学习BP神经网络PID控制器。对热泵空调系统模型仿真,结果表明,该控制器具有稳定性高,鲁棒性好等优点,优于传统PID控制效果。最后把BP-PID算法与脉冲宽度调制（PWM）控制相结合,进行了系统软硬件原理设计,与传统PID控制相比稳定时间从155 s减少到145 s,实现空调温度控制,为后续车型开发做准备。     

基于可拓切换控制方法的智能车辆车道保持系统研究（双语出版）

针对道路曲率变化范围较大时，智能车辆在大曲率道路工况车道保持控制精度低的问题，提出一种基于可拓切换控制理论的智能车辆车道保持控制系统，该车道保持系统由上层可拓控制器和下层控制器两部分组成。在上层可拓控制器中，通过车道线检测得到车辆相对于道路的位置信息和道路曲率信息。根据可拓集合理论，选取预瞄点处横向位置偏差和前方道路曲率值作为可拓集合的特征值并划分可拓集合，求解关联函数，并根据关联函数值将车辆-道路系统状态分为经典域、可拓域和非域。在下层控制器中，在经典域采用基于横向位置偏差和航向偏差的PID反馈控制器，在可拓域中采用基于前方道路曲率的PID前馈-反馈控制器，非域中车辆-道路系统处于完全失控状态，采取紧急制动。2种仿真工况结果表明：相比于单一PID反馈控制，提出的车道保持控制系统，有效抑制了在大曲率道路下的跟踪误差值，提高了智能驾驶汽车在时变曲率的道路工况下车道保持控制精度和工况适应性。     

基于MAP的汽车电控制动系统变工况控制研究

为提高汽车电控制动系统(ECBS)在变工况条件下的实时控制精度,提出了基于MAP图的ECBS控制参数自寻优方法。首先建立基于部件特性的液压制动系统模型和ECBS控制器,在不同的车速下进行制动阶跃试验,应用模拟退火粒子群算法(SAPSO)自寻各工况下最优的PID控制参数,形成MAP图,车辆可根据实际车速和制动踏板力在线查MAP图获得控制参数。仿真和实车试验结果表明,基于MAP图的ECBS系统可有效缩短制动距离并改善制动时的方向稳定性。     

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.     

考虑EPS与ESP耦合作用的ECAS系统控制策略

为提升汽车在不同工况下的行驶平顺性,提出了一种考虑电动助力转向系统与汽车电子稳定系统耦合作用的电控空气悬架(ECAS)控制策略。首先建立基于Matlab/Simulink的10自由度整车模型,分析了ESP和EPS对ECAS平顺性的影响规律;接着设计了基于粒子群算法的电控空气悬架系统PID控制器;最后搭建了基于NI-PXI实时控制器的电控空气悬架控制器硬件在环试验平台。试验结果表明:在路面附着系数0.7、车速50km/h下的单移线工况下,与无控制时相比,所提出的控制系统使整车侧倾角峰值由0.031rad降低到0.021rad,俯仰角峰值降低了16%,质心垂向加速度均方根值也减小了32.91%。     

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。     

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。