粒子群算法改进神经网络

第３０卷第１期

２０ｉｏ年１月

文章编号：１０００－６７８８（２０１０）０１—０１５７－１０Ｓｙｓｔｅｍｓ系统工程理论与实践Ｅｎｇｉｎｅｅｒｉｎｇ—Ｔｈｅｏｒｙ＆Ｐｒａｃｔｉｃｅ中图分类号：ＴＭ６１４文献标小．ｈ－－叼．．ＡＶ０１．３０，Ｎｏ．１Ｊａｎ．，２０１０

基于改进粒子群一模糊神经网络的短期电力负荷预测

师彪 ，李郁侠 ，于新花ｚ，闫旺

（１．西安理工大学水利水电学院，西安７１００４８；２．青岛科技大学高职业技术学院，青岛２６１０００）

摘要为了提高短期电力负荷预测精度，提出了改进的粒子群一模糊神经网络混合优化算法．用改

进的粒子群训练神经网络，实现了模糊神经网络参数优化．建立了基于该优化算法的短期负荷预测

模型，综合考虑气象、天气、日期类型等影响负荷的因素，利用贵州电网历史数据进行短期负荷预

测．仿真表明，该方法的收敛速度和预测精度优于传统模糊神经网络法、ＢＰ神经网络法、粒子群一

ＢＰ算法和粒子群一模糊神经网络方法，该优化算法克服了神经网络和粒子群优化方法的缺点，改善

了模糊神经网络的泛化能力， 提高了电网短期负荷预测的精度，各日预测负荷的平均百分比误差可

控制在１．２％以内．该算法可有效用于电力系统的短期负荷预测．

关键词短期负荷预测；ＭＰＳＯ—ＦＮＮ算

I SN 1 0— 0 4 S 9 3 4 0

E— i e u@C C . e.n mal d f C Cn t : ch t:ww d z . e.n t/ w. n sn t p/ c T l 8— 5— 6 0 6 5 99 4 e: 6 5 5 9 9 3+ 1 6 0 6

C m u n we g n e h oo y电脑知识与技术 o p￣r o l ea d T c n l K d gVo ., . Fe r a y 2 0,P 9— 3 15 No4, b r 0 9 P.33 9 5 u

B P神经网络的算法改进及应用王爽张吕 .鹰，瑞霞(华师范大学计算机学院，西四川南充 6 7 0 ) 3 0 2

摘要：章介绍了目前人工神经网善领域中 B文 P神经网络的特点及其算法原理， B以 P网络算法的缺点为出发点，不同方面对 B 从 P算法进行改进 .而加快了网络的收敛速度，化了网络的拓扑结构，从优最后对 BP网络在实际 q的主要应用进行了讨论。 -

关键词：工神经网络；P算法；法改进人 B算中图分类号： P 9 T 33文献标识码： A文章编号： 0 9 3 4 ( 0 9 0— 9 3 0 1 0— 0 42 0

分类号：X169 U D C：D10621-408-(2011)0261-0 密 级：公 开 编 号：2007042029

XXX 学位论文

PSO-PPR颗粒物源解析技术研究

论文作者姓名： 申请学位专业： 申请学位类别： 指导教师姓名（职称）： 论文提交日期：

XXX 环境工程 工科学士 XXX（副教授） 2011年06月 日

PSO-PPR颗粒物源解析技术研究

摘 要

针对投影寻踪回归法（PPR）在实现大气颗粒物源解析过程中中需要调整的参数较多、程序编辑工作量大的问题，应用粒子群算法（PSO）将PPR模型的参数优化，得到各污染源对大气颗粒物的优化贡献率。这种新方法应用于成都市大气颗粒物的源解析结果与其他多种源解析法得出的结果基本一致，理论分析和应用实践表明该方法应用于大气颗粒物源解析研究具有可行性并且具有方便、准确和实用性强等特点。

关键词：大气颗粒物；源解析；投影寻踪回归；粒子群算法

Technology Research of Projection Pursuit Regression Source Apportionment of Atmosp

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减

分类号：X169 U D C：D10621-408-(2011)0261-0 密 级：公 开 编 号：2007042029

XXX 学位论文

PSO-PPR颗粒物源解析技术研究

论文作者姓名： 申请学位专业： 申请学位类别： 指导教师姓名（职称）： 论文提交日期：

XXX 环境工程 工科学士 XXX（副教授） 2011年06月 日

PSO-PPR颗粒物源解析技术研究

摘 要

针对投影寻踪回归法（PPR）在实现大气颗粒物源解析过程中中需要调整的参数较多、程序编辑工作量大的问题，应用粒子群算法（PSO）将PPR模型的参数优化，得到各污染源对大气颗粒物的优化贡献率。这种新方法应用于成都市大气颗粒物的源解析结果与其他多种源解析法得出的结果基本一致，理论分析和应用实践表明该方法应用于大气颗粒物源解析研究具有可行性并且具有方便、准确和实用性强等特点。

关键词：大气颗粒物；源解析；投影寻踪回归；粒子群算法

Technology Research of Projection Pursuit Regression Source Apportionment of Atmosp

% 优化函数以m文件的形式放在fitness.m里面，对不同的优化函数只要修改fitness.m就可

%------基本粒子群优化算法（Particle Swarm Optimization, PSO）-----------

%------初始格式化-------------------------------------------------- clear all;

clc;

format long;

%------给定初始化条件---------------------------------------------- c1=1.4962; %学习因子1

c2=1.4962; %学习因子2

w=0.7298; %惯性权重

MaxDT=1000; %最大迭代次数

D=4; %搜索空间维数（未知数个数）

N=10; %初始化群体个体数目

eps=10^(-6); %设置精度(在已知最小值时候用)

%------初始化种群的个体(可以在这里限定位置和速度的范围)------------

基于改进粒子群算法的WSN节点定位技术研究

（郑州大学 电气工程学院，河南 郑州 450001）

摘 要：针对传感器节点定位技术存在定位不准确和使用局限性等问题，采用一种改进的粒子群算法来对基于TOA的极大似然估计法进行优化处理，以提高定位精度。自适应变异的粒子群算法是依照群体适应度变化率自适应调节惯性权重值，根据当前种群的平均粒距对种群中部分粒子进行变异处理。通过仿真分析测距误差、未知节点个数和节点通信半径对定位精度的影响，结果表明，相同测试条件下，改进的算法定位更加精确，并且能够提升粒子群算法跳出局部最优的能力，有效的避免了标准粒子群优化算法易早熟、陷入局部最优的缺点，最大概率的寻找到全局最优解。

关键字：节点定位；改进粒子群算法；极大似然估计；全局最优 中图分类号：TP391.9 文献标志码：A

WSN Node Localization Technology Research Based On Improved

PSO

FENG Dong-qing，JIANG Xiao-xiao

(School of Engineering,Zhengzhou University,Zhengzhou Henan 450001,China)

ABSTRACT

4.1粒子群算法基本原理

粒子群优化算法[45]最原始的工作可以追溯到1987年Reynolds对鸟群社会系统Boids（Reynolds对其仿真鸟群系统的命名）的仿真研究 。通常，群体的行为可以由几条简单的规则进行建模，虽然每个个体具有简单的行为规则，但是却群体的行为却是非常的复杂，所以他们在鸟类仿真中，即Boids系统中采取了下面的三条简单的规则：

（1）飞离最近的个体(鸟)，避免与其发生碰撞冲突； （2）尽量使自己与周围的鸟保持速度一致； （3）尽量试图向自己认为的群体中心靠近。

虽然只有三条规则，但Boids系统已经表现出非常逼真的群体聚集行为。但Reynolds仅仅实现了该仿真，并无实用价值。

1995年Kennedy[46-48]和Eberhart在Reynolds等人的研究基础上创造性地提出了粒子群优化算法，应用于连续空间的优化计算中 。Kennedy和Eberhart在boids中加入了一个特定点，定义为食物，每只鸟根据周围鸟的觅食行为来搜寻食物。Kennedy和Eberhart的初衷是希望模拟研究鸟群觅食行为，但试验结果却显示这个仿真模型蕴含着很强的优化能力，尤其是在多维空间中的寻优。最初仿真的时候，每只鸟在计算机屏幕上显示

太原理工大学硕士研究生学位论文

混沌布尔粒子群算法的研究

摘 要

智能进化算法，即人们通过从不同角度模拟生物系统而开发的有助于推动现代科技发展的新兴学科。现阶段天线设计的方法已经不同于原有的单一设计方法，目前的主要趋势是利用智能进化算法对天线进行自动优化设计。粒子群算法(Particle Swarm Optimization，PSO)作为一种群体智能优化算法的典型模式，通过模拟鸟群和鱼群群体运动行为模式进行搜索，具有结构简单，强鲁棒性，收敛速度快、实现方便等特点，近年来得到了迅速发展，在电路设计、函数优化、动态问题求解和神经网络训练等领域都有着广泛应用。

光子晶体(Photonic Crystals or Photonic Bandgap，PBG)是一种有光学领域所提出的，由介质或者金属材料进行周期性排列的结构，属于介电材料的一种，并且具有频率带隙的特性。自20世纪80年代末提出概念以来受到了广泛关注。光子晶体最主要的特性是光子禁带，大多数光子晶体的应用都是基于禁带效应，因此设计具有尽可能大的禁带的光子晶体具有重要的意义。光子晶体的概念起初是由光学领域的研究提出来的，由于光波也属于电磁波谱，与微波频段的波一起遵从Maxwell方程，所以光子晶