基于改进PSO的多传感器数据自适应加权融合算法

加权融合算法是多传感器数据融合中的常用方法,但加权因子的确定非常困难并直接影响算法的性能.文章提出利用改进的粒子群优化算法对各个传感器的加权因子进行自适应优化,引入种群进化度、聚合度来反映种群的多样性,当种群多样性低于阈值时执行变异操作,并交替使用基于聚合度、进化度的自适应惯性权重函数,从而避免算法陷入局部最优解.通过UCI数据集测例表明本文算法是一种较有效的多传感器数据融合方法,相对其它算法具有较高的融合精度.     

基于QPSO的二级齿轮减速器的优化设计

基于量子粒子群算法理论,对二级齿轮减速器进行优化设计,并利用MATLAB软件对量子粒子群算法程序进行了设计验证。从实验结果来看,运用量子粒子群算法很好地实现了减小齿轮中心距的要求,收敛速度快,得到的结果令人较为满意。     

基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。     

基于改进粒子群算法的数据预测挖掘应用研究

针对粒子群优化算法早熟、易陷入局部收敛的问题,提出一种克服早熟的粒子群算法.该算法在标准粒子群算法基础上加入极值扰动和自适应调整系数,使其易于跳出局部最优.又分析了灰色GM(1,1)预测模型的局限性,提出了一种带极值扰动的自适应调整惯性权重的改进PSO优化灰色模型AdPSO-GM,并将此模型用于数据预测挖掘研究中.最后,通过一个实例对所提方法进行验证,结果表明,本文所给模型具有较高的预测挖掘精度.     

基于信息素的离散PSO算法

为了将微粒群优化(Particle Swarm Optimization, PSO)算法应用到离散领域,并使算法仍具有较佳的搜索性能,以信息素积累为基础,由离散状态的信息素构成微粒编码,重新构造算法的迭代公式.微粒信息素的变化基于信息素原先的情况、个体历史最优及全局历史最优.以信息素为依据进行离散状态的选择,由此提出一种基于信息素的离散PSO算法.将该方法应用于基于时延约束的最小能耗路由优化问题,能获得较好的路由优化结果,表明该算法具有优良的收敛性能.     

基于稀疏距离入侵特征表达的信息安全检测算法

针对信息安全检测中的检测精度低的问题,提出了基于稀疏距离入侵特征表达的信息安全检测算法。在该算法中,引入稀疏表达对完备词典进行编码,使得学习的稀疏系数可以具有较好的重构特征;其次利用K-SVD算法和支持向量机进行样本分类训练,使得稀疏特征为样本输入;最后利用粒子群算法对多维测试数据进行粒子映射,在满足适应度函数的条件下进行分类迭代寻优。实验表明,该算法具有较好的检测率。     

非线性随机扰动的粒子群优化算法

在惯性权重非线性递减策略的基础上,引入小阻尼振荡函数,提出一种新的非线性递减随机扰动的粒子群算法,通过2个基准测试函数对算法性能和收敛性进行了分析.实验仿真表明：相对于标准粒子群算法,新策略加快了收敛速度,在一定程度上避免了粒子群优化算法的早熟收敛问题.     

黄河三角洲空气质量评价模型

运用粒子群算法对空气质量评价的普适模型进行建模,并以此模型对滨州市城区的空气质量现状进行了评价.结果表明,该城市的主要空气污染物为PM10和SO2,环境空气质量随月变化近似为"V"形,总体近于2级.     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

考虑碳排放的综合能源系统经济优化调度

以经济性最优为目标,在满足系统的热电负荷需求的基础上,搭建了综合能源系统的低碳经济调度模型,重点分析系统运行中各设备的碳排放,特别是储电设备的碳排放,通过改进的粒子群算法进行实例检验。结果验证了该模型结构的合理性和调度的经济性,对系统内所有设备的碳排放具体分析,验证了系统的低碳运行。