混沌粒子群神经网络在上证指数预测中的应用

上证指数预测是一个非常复杂的非线性问题,为了提高对上证指数预测的准确性,本文采用基于混沌粒子群(CPSO)算法对BP神经网络算法改进的方法来进行预测.BP神经网络算法目前已经应用到预测、聚类、分类等许多领域,取得了不少的成果.但自身也有明显的缺点,比如易陷入局部极小值、收敛速度慢等.用混沌粒子群算法改进BP神经网络算法的基本思想是用混沌粒子群算法优化BP神经网络算法的权值和阈值,在粒子群算法中加入混沌元素,提高粒子群算法的全局搜索能力.对上证指数预测的结果表明改进后的预测方法,具有更好的准确性.     

基于粒子群优化的分数阶PFGM(1,1)模型在建筑物沉降预测中的应用

针对传统的灰色预测模型对建筑物沉降预测精度不高、拟合数据较差的问题,在传统的GM(1,1)模型基础上提出了分数阶建模的思想,采用粒子群优化算法求解最优分数阶次,建立基于粒子群优化的分数阶PFGM(1,1)模型.实例计算表明,分数阶FGM(1,1)模型可以提高建筑物沉降的预测精度,通过粒子群优化算法选取最优阶次可以进一步提高预测精度和误差检验等级.由此可见,基于粒子群优化的分数阶PFGM(1,1)模型对建筑物的沉降控制有着重要的指导作用.     

基于粒子群算法的变权累加生成的GM(1,1)模型

根据灰色系统的新信息优先原理可知新信息对认知的作用大于旧信息的作用,而传统的累加生成没有体现原始数据中新信息的重要性.针对这一问题引入了变权累加生成的方法,并对变权累加生成在单调性、灰指数规律、凸性等方面的性质进行了研究,得到变权累加生成序列具有单调递增性,具有较强的指数规律,并具有下凸性,这些性质是高精度建模的保证,然后建立了基于变权累加生成的GM(1,1)模型,并运用粒子群算法确定了变权累加生成的权重.通过具体的算例计算表明,变权累加生成的GM(1,1)模型能够提高模型的模拟和预测精度.     

基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.     

粒子群优化的收敛分析及在广义预测控制中的应用

在进行粒子群优化的收敛性理论分析的基础上,推出了保证粒子群优化算法收敛性的参数设置区域,合理选择粒子群算法的关键参数,将粒子群优化与广义预测控制有机融合,用粒子群算法来解决广义预测控制的优化问题,提出基于粒子群优化的广义预测控制算法,通过工业过程对象的仿真并和传统的广义预测控制算法进行了对比分析,表明了该算法的有效性,特别是算法具有良好的输出跟踪精度和较强的鲁棒性.     

GM(1,1)模型灰色作用量的优化

通过把GM(1,1)模型中的灰色作用量b改进为动态的b_1+b_2k,从而构建了对灰色作用量优化的GM(1,1)模型.通过实例的验证以及与GM(1,1)模型对比,发现优化的GM(1,1)模型的模拟精度和预测精度均较高.     

一种改进的粒子群优化算法及其算法测试

粒子群算法原理简单、参数少、易于实现,但有时容易陷入局部最优解,收敛速度慢.本文在粒子群算法理论研究的基础上,对算法的初始值选取、惯性权重取值、算法结构进行了改进:首先采用线性惯性递减权重调整,平衡全局搜索和局部搜索的能力;然后通过logistic映射将混沌状态引入到优化变量中,增强搜索空间的遍历性;最后引入遗传算法中的选择、交叉、变异保持了种群的多样性,使其具有不易陷入局部最优的能力.采用六种典型的测试函数,对惯性权重和算法进行了测试和对比分析.结果表明,算法在收敛速度和精度上都有所提高.     

基于GM(1,1)模型群的深圳市大气污染物灰色预测

通过灰色系统GM(1,1)模型群,对深圳市未来两年的主要大气污染物浓度进行了预测分析.通过预测得到,在未来两年内,深圳市的SO2浓度基本已经达到国家环境空气质量一级标准,NO_2、PM_(10)浓度已达到国家二级标准,深圳市空气质量将持续好转.结果表明,GM(1,1)模型群具有一定的实用价值.     

免疫粒子群优化算法在农业水资源优化配置中的应用

求解农业水资源优化配置模型(高维非线性优化模型),较常采用大系统分解协调原理和动态规划相结合的方法,这样减少了变量个数,便于优化求解,但协调的过程需要多次从低阶模型中返回信息,而且对于每层的寻优求解过程存在难以克服的矛盾.采用标准的粒子群优化算法则优化程度不易保证并容易陷入局部最优,优化结果对初始种群依赖性较强.因此应用免疫进化算法对标准粒子群优化算法进行改进并应用于灌区农业水资源优化配置模型的求解.算例分析表明,免疫粒子群算法为求解高维复杂的优化配置问题提供了新思路.     

含有压缩因子的粒子群优化灰色模型在智能电网中的应用

针对智能电网对用电量预测的需求和电力系统的负荷特性,在分析了灰色模型GM(1,1)的局限性以及基本粒子群算法在优化GM(1,1)背景值时所出现的不足的基础上,构建了具有压缩因子K的粒子群算法,以此来改进灰色模型的背景值,提出了含有压缩因子的粒子群优化灰色模型KPSO-GM,并把它用于智能电网中用电量预测。实例证明,该算法具有较高的预测精度,有利于提高智能电网的质量。     

混合变异粒子群优化算法及其应用

为改善粒子群优化算法在解决复杂优化问题时收敛质量不高的不足,提出了一种改进的粒子群优化算法,即混合变异粒子群优化算法(HMPSO).HMPSO算法采用了带有随机因子的惯性权重取值更新策略,降低了标准粒子群优化算法中由于粒子飞行速度过大而错过最优解的概率,从而加速了算法的收敛速度.此外,通过混合变异进化环节的引入,缓解了...     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

基于CUDA的边界变异量子粒子群优化算法

针对量子粒子群优化算法面对复杂优化问题时,临近最优解的搜索阶段存在收敛速度慢、在边界附近全局搜索性差的问题,提出了基于CUDA的边界变异量子粒子群优化算法.GPU(图形处理器)以多颗密集的计算核心模拟粒子的搜索过程,利用并发的优势提升粒子搜索速度;边界变异则通过以随机概率将边界粒子扩散到更大的搜索域,增加种群的多样性,提升粒子群的全局搜索性.对若干优化算法的仿真实验表明,所提出方法具有较好的全局收敛性,且同等目标精度下,取得了较高的有效加速比.     

基于改进灰色GM(1,1)模型的新疆人口总量的分析与预测

利用Lagrange插值理论重构了 GM(1,1)预测模型的背景值,以提高改进GM(1,1)模型的预测精度和实效性,进而利用该模型对新疆人口发展态势进行了科学分析与预测.     

一种类微粒群算法及其在混流装配线调度问题中的应用

混流装配生产线的调度问题是准时化生产系统中最重要的问题之一.基于微粒群算法的原理,提出了一种类微粒群算法——PPSO(Pseudo Particle Swarm Optimization),可应用于解决准时化生产方式下的混流装配线调度问题.数值试验表明,采用PPSO方法比采用目标追随法、遗传算法和模拟退火算法的求解质量有很大提高.     

基于遗传算子粒子群算法的拖轮动态调度

随着中国港口的发展,进出港口的船舶日益增多,使用拖轮的艘次逐渐增加.而当前极大部分港口所采用的基于人工经验的拖轮调度方案已难以保证船舶的顺利进出港口.如何根据复杂多变的进出港情况来制定合理的拖轮调度方案,已成为当前众多港口迫切需要解决的问题之一.通过分析港口拖轮作业过程与特点,建立了拖轮动态调度的数学模型,采用了基于动态遗传算子的改进粒子群优化算法对该模型进行求解.案例分析表明该拖轮动态调度模型是有效的.通过和传统粒子群算法对比分析,基于遗传算子的粒子群算法不仅在收敛速度上有明显的提高,而且求得的解更优.为港口拖轮动态调度的科学决策提供了依据.     

灰色GM(1,1)模型研究综述

GM(1,1)是灰色预测理论的核心模型和基础模型.从累加生成方法、初值优化、背景值优化、参数估计方法、模型性质和模型拓展的视角,梳理了GM(1,1)模型的研究进展.明确了有待进一步研究的问题,对GM(1,1)模型的未来研究方向提出了建议.     

基于样块和粒子群算法的图像修复

图像修复是近年来图像视觉研究当中的一个热点.Criminisi算法是一种比较常用的方法.为了消除原算法当中置信度和数据项相互影响的问题,并且考虑到平滑项对图像的锐化作用,对优先权的计算重新进行了调整.而将粒子群算法运用到最佳匹配块的搜索过程当中,避免了全局搜索带来的大工作量和不准确性,提高了算法的修复效率和准确性.经过仿真实验证明,改进后的算法不仅在PSNR值上有所提高,修复效果也更符合人们的视觉需求.