基于PSO–BP算法的油菜籽干燥工艺参数的优化
基于改进PSO算法的PID参数优化研究
Ｇ） ＝ 等 （ ｃ ＝ ＋ ＋ｓ ８ （ ｓ ）
３ 仿 真实例
本仿真实例是利用 ＩＳ Ｐ Ｏ算法对工业用 的采用
ＰＤ控 制器 的风机进 行控 制器参 数优化 。 Ｉ
３ １ 数 学模型 及仿 真模型 的建 立 ．
的最 好 位 置 ｐ ｅ 的适 应 值 进行 比较 ， 果 优 于 ｂｓ ｔ 如
的飞行速度 过快 ， 又很容 易飞 越 最优 解 。 由式 （ ） １ 可
知， 惯性 权重 ｔ 影 响算 法 收 敛 性 和 收 敛 速 度 重要 ． Ｏ是
参 数 。在算法 的初 期 ， 望算 法 有 较快 的收 敛速 度 ， 希 此 时 ‘值 不 能太 小 。在 算 法 的后 期 ， 望算 法 有 较 Ｉ Ｊ 希 好 的收敛 精度 ， 即需要 较小 的 变化 步 长 ， 阶段 ∞值 此
应 相应取 小 ， 于算法 收敛 。 易
基于 以上分 析 ， 出一 种 ＩＳ 提 Ｐ Ｏ算 法 。算 法 按 照 式（ ） ６ 实现惯 性权重 的非 线性 调 整 ， 而保 证在 算 法 从 的前期 有较 大 的收敛速度 ， 而在后 期 能 以较 大概率 收
敛到全 局最优 。式 中 仅称 为调 节 因子 ， 及 ｔ ｔ ＋１表示
ｐ ｏ ｅ ｈ ｏ ｖ ｒ ｅ ｃ ｆ Ｓ ｂ ｅ ｌ ｔ ｇ ｔ ｅｆ ｃｏ ．Ｓ ｍｕ ａ ｉｎ ｒ ｓ ｌ ｎ ｉ ａｅ ｔ ａ ｅ ｐ ｏ ｏ ｅ ｐ ｒ ａ ｈ ｃ ｎ ｏ ｔ ｚ ｈ ｒ ｖ ｓｔ ｅ ｃ ｎ ｅ ｇ ｎ ｅ ｏ Ｏ ｙ ｒ ｇ ａｉ ａ ｔｒ ｉ ｌｔ ｅ ｕｔ ｉ ｄ ｃ ｔ ｈ ｔｔ ｒ ｐ ｓ ｄ ａ ｐ ｏ ｃ ａ ｐｉ ｅ ｔ ｅ Ｐ ｕ ｎ ｈ ｏ ｓ ｈ ｍｉ
提 出一种 基 于线性 递 减 惯 性 权 重 策 略 的 Ｐ Ｄ参 数 整 Ｉ
基于HMPSO和BP神经网络算法的中频淬火工艺参数预测
中频淬 火是 对 中小异形 零件 进行 中频 感应 加热 及喷 液淬火 的感 应 热 处理 方 法 ， 以此 提 高零 件 的表 面硬度 及抗 疲劳 强度 。以往 的中频淬 火通 过人 工来
火控 制 系统进 行 ＭＡＴ ＡＢ仿 真研 究 ， Ｌ 结果表 明 ， 该方 法稳 定 、 有效 ， 可提 高 中频 淬火 的质量 。
关键 词 ： 中频 淬 火 ； 粒 群优化 算 法 ； Ｐ神 经 网络 ； 微 Ｂ ＨＭＰ Ｏ 算 法 Ｓ
中 图 分 类 号 ： ０ ． ＴＢ ３ ２ ３ 文献标 志码 ： Ａ
摘 要 ： 中频 淬 火通过人 工控 制和 Ｐ Ｄ控 制 工 艺参 数难 以保证 产 品质 量 ， Ｉ 因此 ， 于微 粒群 优 化 算法 基 和Ｂ Ｐ神 经 网络 算 法提 出了一种 基 于 ＨＭＰ Ｏ 的 Ｂ Ｓ Ｐ神 经 网络 工艺 参数控 制 方法 ， 首先 介 绍 了微 粒群 优
化 算 法和 Ｂ Ｐ神 经 网络算 法 ， 着 建立 了基 于 ＨＭＰ Ｏ 的 Ｂ 接 Ｓ Ｐ神 经 网络 工 艺参数 控 制方 法 ， 最后 对 中频 淬
基于 Ｈ Ｓ 和 Ｂ ＭＰ￣ Ｐ神经网络算 法的中频淬火工艺参数预测
马 鸿 峰 ， 芮执 元
（ ＿ 肃 酒钢 集 团 西部 重 工 股份 有 限 公 司 ， 肃 嘉 峪 关 ７ ５０ ；． 州 理 工 大 学 机 电工 程 学 院 ， 肃 兰 州 ７０ ５ ） １甘 甘 ３１０２兰 甘 ３ ００
ｍ ｇ．
Ｋｅ ｒ ： ｃ ｎｇ， ｒ ｉｌ ｏｕ ｐｔｍ ｉｅ ｌ ｒｔ Ｐａ ｔｃｅ ｇｒ ｐ ｏ ｉ ｚ ｓ ａｇｏ ｉｈｍ ， ＢＰ ｕ ａ ｔ ｎｅ ｒ ｌｎｅ ｗｏｒ ｋｓ， Ｍ ＰＳ ａｇｏ ｉｈｍ Ｈ Ｏ ｌ ｒｔ
PSO-BP算法【精品文档】(完整版)
基于PSO-BP 算法的模糊神经网络成矿探测评价模型一、基本的BP 神经网络原理基本BP 算法包括两个方面：信号的前向传播和误差的反向传播,即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。
图1-1 BP 网络结构图1-1中变量含义如下所示 ：j x 表示输入层第j 个节点的输入j =1,…,M ；ij v 表示隐含层第i 个节点到输入层第j 个节点之间的权值；i θ表示隐含层第i 个节点的阈值；()x φ表示隐含层的激励函数；ki w 表示输出层第k 个节点到隐含层第i 个节点之间的权值，i=1,…,q； k a 表示输出层第k 个节点的阈值,k=1,…,L；()x ψ表示输出层的激励函数；k o 表示输出层第k 个节点的输出； k T 表示输出层第k 个节点的期望输出；激励函数一般使用S 型函数，即 ()()()xex f x -+===11x ψφ ； j=0,1,2,…,M; i=0,1,2,…,q; k=0,1,2,…,L 。
（1）信号的前向传播过程 隐含层第i 个节点的输入i net ：∑==Mj jij i x vnet 1（1-1）隐含层第i 个节点的输出i y ：()⎪⎪⎭⎫⎝⎛==∑=M j j ij i x v f net f 1i y （1-2）输出层第k 个节点的输入k net ：∑∑∑===⎪⎪⎭⎫⎝⎛==qi M j j ij ki i qi ki k x v f w y w net 111 （1-3）输出层第k 个节点的输出k o ：()⎪⎪⎭⎫⎝⎛⎪⎪⎭⎫ ⎝⎛==∑∑==q i M j j ij ki k k x v f w f net f o 11 （1-4） （2）误差的反向传播过程误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。
基于PSO算法的优化问题
基于PSO算法的优化问题作者：王丽亚贺兴辉姜君娜来源：《科技风》2016年第24期摘要：为研究各种各样的优化问题，文章结合粒子群算法，分别选取一个简单的三维函数和一个复杂的三维高斯函数为例，分别进行研究，得出：微粒在整个群体的最佳位置与维度、迭代次数和种群数有关，粒子群算法通过减少运算量得到近似解，来达到优化的目的；对于高斯函数而言，其结果表明：红色越深的点即是微粒的最佳位置。
关键词：粒子群算法；高斯函数粒子群优化算法是近年来发展起来的一种新的进化算法，源于观察鸟类的觅食行为，对其进行模拟而提出的。
PSO算法比遗传算法规则更为简单，参数较少，不过多的依赖于求解问题的信息，并且它没有遗传算法的“交叉”和“变异”操作，更具有收敛速度快，全局搜索能力强等优点，它通过追随当前搜索到的最优值来寻找全局最优，因此具有较强的通用性。
1 PSO算法基本原理的由来受到鸟类觅食行为的启发，国内外一些学者提出了一种新的智能优化算法，就是粒子群优化算法。
PSO算法是一种随机性寻优算法，将需要求解的实际问题所需要的空间类比于鸟类觅食飞行的空间，将优化问题所要求的最优解比作鸟类觅食要找的食物，将每只鸟比作质点一样的微粒，使其在一定的空间、法则来求得最优值。
2 粒子群算法步骤PP[ 1 ]Step1：对加速常数进行设置并且随机的开始设置种群中各粒子的位置和速度若所需搜索空间为d维；Step2：把种群中的各个粒子当前所处的位置及各个微粒目标值储存于pbest中；Step3：根据相关公式不断地重新更新种群中微粒当前的速度和所处的位置；Step4：对种群中所有的微粒的位置作出评估和分析；Step5：对种群中每个微粒的当前的目标解与其pbest的目标值进行比较；Step6：比较种群中微粒的当前所有pbest和gbes的目标值。
3 优化问题数学模型的建立解决优化问题首先需要建立数学模型，主要包括：目标函数、约束条件和可行域。
目标函数一般用表示，两者并没有本质区别。
原油含水率测量PSO—BP非线性校正技术
ｗａｔ ｒ ｃ ｅ ｏｎｔ ｎｔ ｍ ｅ ｓ ｅ ｅ ｅ ａ ｕｒ ｍ ｎｔ
ＹＡ ＮＧ ｉｎ ｍｉｇ ，Ｚ Ｊａ ． ｎ ＨＡＮＧ Ｊａｗ ｉ ｉ． ｅ （ ． ｅ ｏｇｎ ｏ ｐ ｒｔ ｎ Ｄ ｑｎ ｉＭ ａ ａｅ ｎ ｕ ｅｕ Ｄａ ｉｇ１ ３０ Ｃ ｉａ １ Ｗ ｌＬ ｇｉｇＣ ｒｏ ａｉ ， ａ ｉｇＯｌ ｎ ｇｍｅ ｔ ｒａ ， ｑｎ ６ ００， ｈｎ ； ｌ ｏ Ｂ ２ Ｄ ｐ ｒｅ ｎ ｆ ｃ ａ － ｅｔｃ ｙＥ ｇｎ ｅｉｇ Ｎ ｒｈ ａｔ ｏｅｔｙＵ ｉｅｓ ｙ Ｈ ｒｉ ５０ ０ Ｃ ｉａ ． ｅ ａｔｍｅ ｔ ｈ ｎｅ ｃｒｉ ｎｉｅｒ ， ｏｔｅｓ Ｆ ｒｓｒ ｎｖｒｉ ， ａ ｂｎ１０４ ， ｈｎ ） ｏ Ｍｅ ｌ ｔ ｎ ｔ
ｖ ｕ． ｌ ａ ｅ
Ｋ ｙｗ ｒ ｓ ｅ ｏ ｕ ａ ｒ ｏｔｎ； ｅｒ ｅ ｏｋｐｒｃｅｓａｍ ｏ ｔ ｉ ｔ ｎ Ｐ Ｏ） ｇｒｈ ｅ ｏｄ ：ｐ ｔ ｌ ｍ ｗ ｔ ｎｅｔ ｎｕａ ｎｔ ｒ；ａ ｉ ｗ ｒ ｐｉ ｚ ｉ （ Ｓ ａ ｏ ｔｍ ｒｅ ｅｃ ｌ ｗ ｔｌ ｍ ａｏ ｌ ｉ
ｎ ｎ ｉｅ ｒｃ ｌ ｒ ｔ ｎ ｔｃ ｎ ｑ ｅ ｂ ｓ ｄ ｏ ｅ ｒ ｅｗｏ ｋ ｓ ｐ ｅ ｅ ｔｄ Ｃｏ ｓｄ ｒｔ ａ ｈ ｒ ｄ ｔ ｎ Ｐ ａ ｇ ｒ ｈ ｏ ｌ ａ ａｉ ａｉ ｅ ｈ ｉ ｕ ａ ｅ ｎ ｎ ｕ ａ ｎ ｔ ｒ ｓ ｉ ｒ ｓ ｎ ｅ ． ｎ ｉ ｅ ｈ ｔｔ ｅ ｔ ｉ ｏ ａ Ｂ ｏ ｔ ｍ ｎ ｂ ｏ ｌ ａ ｉ ｌ ｌ ｉ ｈ ｓｓ ｏ ｔｏ ｎ ｓｏ ｏ ｖ ｒ ｉ ｇ ｓｏ ｌ ｄ ｅ ｓｌ ｒｐ ｉ ｇ ａ ｌｃ ｎｍｕ ｖ ｕ ａ ｃ ｍｂｎ ｔ ｎ ａｇ ｒ ｈ ｕ ｉｇ ａ ｈ ｒ ｍｉ ｇ ｆｃ ｎ ｅｇ ｎ ｌ ｗ ｙ ａ ａ ｉ ｔａ ｐ ｎ ｏ ａ ｍｉ ｉ ｍ ａ ｅ， ｏ ｉ ａｉ ｏ ｉ ｍ ｓ ｃ ｎ ｙ ｌ ｌ ｏ ｌ ｔ ｎ
pso优化bp算法python代码
pso优化bp算法python代码PSO优化BP算法Python代码是一种利用粒子群优化算法优化BP 算法的Python代码。
通过将粒子群优化算法与BP算法相结合，可以更好地解决BP算法在训练过程中容易陷入局部最优解的问题，从而提高模型的准确性和收敛速度。
以下是一个简单的PSO优化BP算法Python代码示例：```pythonimport numpy as npimport random# 定义BP神经网络类class BPNN:def __init__(self, n_input, n_hidden, n_output):self.n_input = n_inputself.n_hidden = n_hiddenself.n_output = n_outputself.w1 = np.random.rand(n_input, n_hidden)self.b1 = np.random.rand(n_hidden)self.w2 = np.random.rand(n_hidden, n_output)self.b2 = np.random.rand(n_output)def sigmoid(self, x):return 1.0 / (1.0 + np.exp(-x))def forward(self, x):y1 = np.dot(x, self.w1) + self.b1z1 = self.sigmoid(y1)y2 = np.dot(z1, self.w2) + self.b2z2 = self.sigmoid(y2)return z2def predict(self, X):Y = np.zeros((X.shape[0], self.n_output)) for i in range(X.shape[0]):Y[i] = self.forward(X[i])return Y# 定义粒子类class Particle:def __init__(self, dim):self.position = np.random.rand(dim)self.velocity = np.random.rand(dim)self.fitness = float('inf')self.best_position = self.position.copy() self.best_fitness = float('inf')def update_fitness(self, fitness):self.fitness = fitnessif fitness < self.best_fitness:self.best_fitness = fitnessself.best_position = self.position.copy()# 定义粒子群优化算法类class PSO:def __init__(self, func, dim, n_particles, max_iter, lb, ub, w=0.729, c1=1.49445, c2=1.49445):self.func = funcself.dim = dimself.n_particles = n_particlesself.max_iter = max_iterself.lb = lbself.ub = ubself.w = wself.c1 = c1self.c2 = c2self.particles = [Particle(dim) for i inrange(n_particles)]self.gbest_position = np.zeros(dim)self.gbest_fitness = float('inf')def optimize(self):for i in range(self.max_iter):for j in range(self.n_particles):# 更新速度和位置self.particles[j].velocity = self.w *self.particles[j].velocity +self.c1 * random.random() *(self.particles[j].best_position -self.particles[j].position) +self.c2 * random.random() * (self.gbest_position - self.particles[j].position)self.particles[j].position += self.particles[j].velocity # 边界处理self.particles[j].position[self.particles[j].position < self.lb] = self.lbself.particles[j].position[self.particles[j].position > self.ub] = self.ub# 计算适应度fitness = self.func(self.particles[j].position)# 更新个体最优解和全局最优解self.particles[j].update_fitness(fitness)if fitness < self.gbest_fitness:self.gbest_fitness = fitnessself.gbest_position = self.particles[j].position.copy() # 定义损失函数def loss_function(theta, X, Y):n_input, n_hidden, n_output = 2, 3, 1nn = BPNN(n_input, n_hidden, n_output)nn.w1 = theta[0:6].reshape(n_input, n_hidden)nn.b1 = theta[6:9].reshape(n_hidden)nn.w2 = theta[9:12].reshape(n_hidden, n_output)nn.b2 = theta[12:].reshape(n_output)Y_pred = nn.predict(X)return np.mean((Y_pred - Y)**2)# 生成数据X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])Y = np.array([[0], [1], [1], [0]])# 定义搜索范围lb = np.array([-5] * 12)ub = np.array([5] * 12)# 定义PSO算法pso = PSO(loss_function, dim=12, n_particles=20,max_iter=100, lb=lb, ub=ub)# 运行PSO算法pso.optimize()# 输出结果print('Global best fitness:', pso.gbest_fitness)print('Global best position:', pso.gbest_position)# 计算模型预测结果theta = pso.gbest_positionn_input, n_hidden, n_output = 2, 3, 1nn = BPNN(n_input, n_hidden, n_output)nn.w1 = theta[0:6].reshape(n_input, n_hidden)nn.b1 = theta[6:9].reshape(n_hidden)nn.w2 = theta[9:12].reshape(n_hidden, n_output)nn.b2 = theta[12:].reshape(n_output)Y_pred = nn.predict(X)print('Predicted output:', Y_pred)```该代码实现了一个简单的BP神经网络来解决异或问题，并使用粒子群优化算法来优化BP神经网络的权重和偏置，从而得到更好的模型预测结果。
psobp算法 python
标题：探究PSOBP算法在Python中的应用一、PSOBP算法简介PSOBP（Particle Swarm Optimization with Back Propagation）算法是一种基于粒子群优化和反向传播算法结合的智能优化算法。
它通过模拟鸟群觅食的行为，通过迭代搜索，逐步优化目标函数，找到最佳解。
在PSOBP算法中，每个粒子代表一个解，在每次迭代中，粒子根据自身的经验和邻居粒子的信息更新自身位置，并不断优化目标函数的取值，直到收敛到最优解。
二、PSOBP算法的Python实现在Python中，可以使用以下步骤来实现PSOBP算法：1. 初始化粒子群：需要初始化一定数量的粒子，每个粒子包含位置、速度和适应度等属性。
可以使用随机数或者其他初始化方法来确定粒子的初始位置和速度。
2. 计算适应度：根据问题的具体情况，定义目标函数，并利用目标函数计算每个粒子的适应度，即目标函数取值。
3. 更新全局最优解：在粒子群中，需要维护全局最优解，以便在迭代过程中不断更新和优化。
4. 更新粒子位置和速度：根据PSOBP算法的迭代公式，更新每个粒子的位置和速度，以实现搜索空间的遍历和优化。
5. 反向传播神经网络：在PSOBP算法中，结合了反向传播神经网络的思想，通过不断调整神经网络的权重和偏置，实现对目标函数的优化。
6. 终止条件判断：在迭代过程中，需要设置终止条件，例如最大迭代次数或者粒子位置的变化小于一定阈值，以确定算法是否收敛到最优解。
7. 输出结果：输出优化后的最优解，以及粒子群的收敛曲线和其他相关信息，进行结果分析和验证。
三、PSOBP算法在实际问题中的应用PSOBP算法作为一种智能优化算法，已经在许多领域得到了广泛应用，例如工程优化、机器学习、神经网络训练等。
在实际问题中，可以根据具体的应用场景和目标函数，利用PSOBP算法进行参数优化、特征选择、模型训练等任务，取得了不错的效果。
四、PSOBP算法的优缺点PSOBP算法作为一种智能优化算法，具有以下优点：1. 全局搜索能力强：PSOBP算法通过模拟粒子群的搜索行为，具有较强的全局搜索能力，能够在复杂的搜索空间中找到较优解。
基于优化PSO-BP的多特征融合图像识别算法研究
基于优化PSO-BP的多特征融合图像识别算法研究作者：来源：《青岛大学学报（工程技术版）》2021年第02期摘要：为提高水果种类识别的准确性，本文提出一种基于优化粒子群结合BP神经网络的识别算法。
在算法初期，针对不同种类水果图像样本，借助K均值聚类分割算法，融合彩色信息和灰度信息，完成目标图像的准确分割，提取目标区域在HSV颜色空间下非均匀量化后的颜色特征，使用分块局部二值模式和灰度共生矩阵，分别提取局部和全局纹理特征，并对与粒子群算法（particle swarm optimization，PSO）结合的BP神经网络进行优化，以获得最优的BP神经网络权值和阈值，同时使用分块的LBP算子和GLCM方法，采用Matlab 2017b软件，对苹果、草莓、柠檬3种水果图像局部和整体纹理信息进行提取，并与传统的PSO-BP神经网络、IPSO-BP神经网络及单一BP神经网络训练之后对测试样本的识别相对误差进行比较。
研究结果表明，虽然标准PSO-BP算法对图形的分割效率和识别能力不能与深度学习结果相媲美，但在优化后的PSO-BP中，将3种水果识别率与RCNN系列的优化结果相比并不逊色，且与结合ResNet的SSD算法的结果对比中表现出优异性。
该算法保证了图像分割目标的完整性，有效控制了整体算法的时间性，提高了识别过程的精确性。
该研究对水果识别精度的提高具有重要的应用价值。
关键词：水果识别; K均值算法; 粒子群算法; 图像分割; 神经网络中图分类号： TP391.413 文献标识码： A在落实“互联网+农业”战略和智慧农业改革的背景下，传统农业与高新技术融合已成为发展趋势。
水果产业是农业重要组成部分，对水果实现高效快捷的智能识别分类具有深远意义，融入图像识别技术可减少劳动力消耗，且高识别率和短周期有利于水果分类储存与保鲜。
通过模式识别技术进行水果分类，多是依据水果图像的颜色、局部纹理和形状等特征属性进行定量，然后训练分类器区分判决，但在实际应用中仍无法避免因纹理和形状相似而造成较高的误差。
基于PSO算法的典型化学反应模型参数优化研究
基于PSO算法的典型化学反应模型参数优化研究随着计算机科学技术的不断发展，优化问题的研究已经成为了一个热门话题。
在化学反应模型参数优化方面，优化算法的应用已经逐渐普及，其中PSO算法是一种常见而有效的方法。
本文主要探讨基于PSO算法的化学反应模型参数优化研究。
一、化学反应模型参数优化的意义化学反应模型参数优化的主要目的是寻找模型参数的最佳组合，以实现预测化学反应过程的最佳结果。
这一过程可以为制药、化工、石油等领域的工艺和产品优化提供帮助。
而寻找最佳组合这一问题又是一个极其复杂的问题，因为模型参数数量多、方程式非线性、优化目标多样等因素导致问题难以解决。
二、PSO算法的基本原理PSO算法基于群体智能的思想，通过不断地模拟粒子在搜索空间中的运动来优化函数值。
算法定义了一个粒子群，在每个迭代中，所有粒子按照当前个体与全局最优解的关系进行移动，以达到找到最优解的目的。
每个粒子都有一些状态量，比如位置和速度。
位置表示粒子在搜索空间中的位置，而速度则表示粒子的运动方向和速度。
随着迭代的进行，粒子的状态量会不断地更新，以最终找到最优值。
三、PSO算法在化学反应模型参数优化的应用由于化学反应模型参数优化问题非常复杂，使用PSO算法进行优化可以有效地减少计算时间和提高结果质量。
具体来说，以下是PSO算法在化学反应模型参数优化中的应用：1、确定目标函数PSO算法需要一个目标函数，用来计算当前粒子的适应度值或匹配度。
在化学反应模型参数优化中，目标函数就是用来衡量预测值和实际值之间的差异，从而评估当前参数组合的优劣。
2、初始化粒子群状态将搜索空间初始化为一定数量的粒子，每个粒子随机获取一组参数。
这些参数称为“状态向量”。
通过计算目标函数的值，确定当前粒子与全局最优解并更新粒子的状态量。
3、更新粒子状态和速度在每次迭代中，根据当前个体和全局最优值的位置计算出每个粒子的速度。
这可以让粒子往更优的解移动。
速度计算完毕后，更新每个粒子的位置。
基于改进PSO_BP_神经网络的干燥机可靠性预测
Journal of Mechanical Strength2023,45(2):504-508DOI :10.16579/j.issn.1001.9669.2023.02.035∗20210625收到初稿,20210922收到修改稿㊂国家自然科学基金项目(51875180)资助㊂∗∗文昌俊,男,1970年生,湖北省仙桃人,汉族,湖北工业大学农机鉴定站教授,站长,工学博士,主要研究领域为质量管理与可靠性技术㊂∗∗∗陈㊀哲,男,1996年生,湖北省仙桃人,汉族,湖北工业大学硕士研究生,主要研究方向为产品质量与可靠性评估㊂基于改进PSO _BP 神经网络的干燥机可靠性预测∗RELIABILITY PREDICTION OF DRYER BASED ON IMPROVEDPSO _BP NEURAL NETWORK文昌俊∗∗1,2㊀陈㊀哲∗∗∗1,2㊀邵明颖1,2㊀陈㊀立3㊀徐云飞1,2(1.湖北工业大学机械工程学院,武汉430068)(2.湖北省现代制造质量工程重点实验室,武汉430068)(3.湖北三江航天险峰电子信息有限公司,孝感432000)WEN ChangJun 1,2㊀CHEN Zhe 1,2㊀SHAO MingYing 1,2㊀CHEN Li 3㊀XU YunFei 1,2(1.School of Mechanical Engineering ,Hubei University of Technology ,Wuhan 430068,China )(2.Hubei Province Key Laboratory of Modern Manufacturing Quality Engineering ,Wuhan 430068,China )(3.Hubei Sanjiang Aerospace Xianfeng Electronic Information Co.,Ltd.,Xiaogan 432000,China )摘要㊀针对BP(Back Propagation)神经网络模型对谷物干燥机进行可靠性预测时,模型存在收敛速度慢和易陷入局部最优等问题,采用改进的粒子群算法对BP 神经网络模型进行优化,建立PSO_BP 神经网络的谷物干燥机可靠性预测模型,并与BP 网络模型和GA_BP 网络模型获得的MAE \RMSE \MAPE 指标进行对比㊂研究结果表明,采用改进的PSO_BP 网络模型预测时,与BP 网络模型相比三项指标分别降低了0.0518㊁0.0479和28.04%;与GA_BP 网络模型相比,三项指标分别降低了0.0004㊁0.0002和0.61%,说明其具有更小的误差和较好的预测能力㊂为实现谷物干燥机可靠性精准预测提供方法和思路㊂关键词㊀谷物干燥机㊀粒子群算法㊀BP 神经网络㊀可靠性预测中图分类号㊀TB114.35㊀Abstract ㊀When the BP neural network model is used to predict the reliability of the grain dryer,the model has problemssuch as slow convergence speed and easy to fall into local optimum.An improved particle swarm algorithm is used to optimize the BP neural network model and establish the PSO_BP neural network The reliability prediction model of grain dryer is compared with MAE \RMSE \MAPE index obtained by BP network model and GA_BP network model.The research results show that when the improved PSO_BP network model is used for forecasting,the three indicators are reduced by 0.0518,0.0479and 28.04%respectively compared with the BP network model;the three indicators are reduced by 0.0004,0.0002and 0.61%respectively compared with the GA_BP network model,Which shows that it has smaller errors and better predictive ability.The methods andideas for realizing accurate prediction of the reliability of grain dryers are provided.Key words㊀Grain dryer ;Particle swarm algorithm ;BP neural network ;Reliability prediction Corresponding author :WEN ChangJun ,E-mail :794411947@ The project supported by the National Natural Science Foundation of China(No.51875180).Manuscript received 20210625,in revised form 20210922.0㊀引言㊀㊀近年来,随着我国农业产业的发展和技术的进步,使得谷物产量持续增高,谷物干燥机作为重要的农业生产工具,其结构复杂且容易受到非线性因素的影响㊂相比于BP (Back Propagation)神经网络[1-2]强大的非线性映射能力㊁高效的泛化能力和模型[3]通用性好等优点,传统的可靠性预测理论已经满足不了实际的需要,因此BP 神经网络在可靠性工程中得到了越来越多的应用㊂曹若馨等[4]构建了基于BP 神经网络的水环境承载力预警模型,并从水环境过程控制的角度提出了排警措施;陈健等[5]通过现有实验数据建立纤维增强聚合物(Fiber Reinforced Polymer,FRP)混凝土拉拔实验的数据库,并训练了一个三层BP 神经网络模㊀第45卷第2期文昌俊等:基于改进PSO_BP神经网络的干燥机可靠性预测505㊀㊀型㊂预测结果表明,该模型能够在多种影响因素的作用下,依然得到一个较为准确的预测结果;任加国等[6]利用已知数据建立的BP神经网络模型准确可靠,能够较好地预测土壤污染物含量,且通过加入其他关联因子可以进一步提高预测模型的精度;陈海建等[7]提出了BP和RBF两种神经网络分别对导弹的贮存可靠性进行预测的研究㊂章恩泽等[8]为了解决如何优化可靠性的问题,采用了一种区间多目标粒子群的方法来针对该问题㊂然而,上述文献中提出的BP神经网络存在收敛速度慢㊁训练时间长且容易陷入局部最优等缺陷[9],使得BP神经网络的预测误差较大,导致其准确度和精确度都较低㊂为了解决以上问题,本文提出了利用改进的粒子群算法来优化BP神经网络的方法,并建立了PSO_BP神经网络预测模型,分别将粒子群算法和BP神经网络的全局搜索能力与局部搜索能力结合,提高了神经网络的收敛速度㊁预测精度和准确度㊂本文首先由现场故障跟踪实验获得实验数据,并进行数据预处理,剔除由于人为因素产生的无效数据㊂其次采用线性降低权系数和变异算子来优化粒子群算法提高寻优能力和收敛速度,然后对BP神经网络的权值和阈值进行优化,最后与传统的BP网络模型和GA_BP网络[10-12]模型进行结果对比,各项性能指标均得到有效提升[13]㊂1㊀PSO算法及优化1.1㊀粒子群优化算法㊀㊀粒子群优化(Particle Swarm Optimization,PSO)算法是一种基于群体协作的全局随机搜索算法,由KENNEDY J等[14-15]发明,其主要思想就是对鸟群捕食行为的模拟㊂粒子通过个体最优解(P best i)和全局最优解(G best)不断迭代调整自身的位置和速度,从而不断地更新候选解[16]㊂假设存在N个粒子的种群在K维解空间中进行搜索,X t i=(x i1, ,x ik)代表第i个粒子的位置矢量,V t i=(v i1, ,v ik)为第i个粒子的飞行速度,i=1, ,N㊂P best i表示为P i=(P i1, ,P ik),G best表示为G=(G1, ,G k)㊂根据公式(1)㊁公式(2)更新自身的位置和速度,产生新的种群,即v t+1i=w t v t i+c1r1(P ib-x t i)+c2r2(p g-x t i)(1)x t+1i=x t i+v t+1i(2)其中,粒子i第t次迭代时速度矢量与位置矢量分别为v t i 和x t i,其个体最优解和全局最优解分别为P i b和P g;c1和c2为加速因子;r1和r2为[0,1]之间的随机数x t+1i=x t i+v t+1i㊂采用线性降低权系数法和引入变异算子来提高粒子群算法的全局寻优能力:(1)线性降低权系数:是为了优化算法的搜索能力㊂w t表示迭代t次后的惯性权重公式为[17]w t=w max-w max-w minT max t(3)其中,经验值一般取w max为0.9;w min为0.4;T max为最大迭代次数㊂(2)变异算子:是为了让粒子种群变异,产生突变,实现局部搜索收敛加快㊂pos=unidrnd(numsum), pos是种群发生变异的位置,unidrnd是一个函数,用来产生随机整数㊂numsum是粒子长度㊂1.2㊀粒子群优化BP神经网络㊀㊀㊀利用PSO算法优化BP神经网络,可以有效地改善BP神经网络的综合性能,使其较大程度地避免陷入局部最小,提高泛化能力并优化预测精度㊂适应度函数z为z=1NðN i=1ðM j=1(y d j,i-y j,i)2(4)式中,N为谷物干燥机可靠性训练样本总数;y d j,i为第i 个可靠度样本中的第j个输出节点的可靠度预测值; y j,i为第i个可靠度样本中的第j个输出节点的可靠度实际值;m为神经网络输出神经元个数㊂PSO-BP神经网络谷物干燥机可靠性预测模型流程如图1所示㊂图1㊀PSO优化BP神经网络流程Fig.1㊀Flow chart of PSO_BP network PSO㊀506㊀机㊀㊀械㊀㊀强㊀㊀度2023年㊀2㊀谷物干燥机可靠性预测2.1㊀数据处理及性能指标㊀㊀为验证本文所提出的算法对谷物干燥机可靠性预测的有效性,以某型号谷物干燥机现场故障跟踪实验的数据为例进行实验㊂共有136组样本数据,将采集到的故障数据分为20组㊂前19组每组七列数据,第20组三列数据㊂每组第七列数据作为测试样本,其余数据作为训练样本㊂设某型号的谷物干燥机可靠度在时间序列t n 上相对应的可靠度为R n ,则预测的相对应的可靠度表示为:t n +1=R n +1㊂故障发生时刻和故障修复时间与对应时刻可靠度的时间序列作为数据的输入与输出㊂选取三个性能指标评估预测精度:平均绝对误差C MAE =1N ðNk =1R (t k )-R ^k(5)㊀㊀均方根误差C RMSE =1N ðNk =1R (t k )-R ^k ()2(6)㊀㊀C MAPE=1N ðN k =1R (t k )-R ^kR (t k )(7)㊀㊀C MAE 表示平均绝对误差值,避免误差有正有负的相互抵消问题㊂C RMSE 表示预测均方根误差平均值,用来评价预测结果的变化过程,其中C RMSE 值越小表明预测精度越高,效果越好㊂C MAPE 用来评价预测方法的准确性,数值越小,准确度越高㊂表2㊀三种网络模型的训练结果Tab.2㊀Training results of the three network models节点数Number of nodesBP 神经网络BP neural network GA_BP 神经网络GA_BP neural network 改进的PSO_BP 神经网络Improve PSO_BP neural network C RMSEC MAEC MAPEC RMSEC MAEC MAPEC RMSEC MAEC MAPE60.02980.02310.19310.00960.00780.02790.01030.00840.039570.01850.01420.19420.02420.00590.02480.02130.00630.025880.05590.04860.29230.00890.00700.02440.00910.00690.020990.01800.01410.11480.00580.00480.02660.00530.00410.0245100.01520.01220.10900.00520.00430.02910.01320.00990.02922.2㊀参数选择与确定㊀㊀为验证改进的PSO_BP 神经网络模型预测的准确性,将BP 神经网络㊁GA_BP 神经网络和改进的PSO_BP 神经网络三种模型进行对比分析,表1为谷物干燥机部分数据样本㊂参数设置如下:BP 神经网络层数设置为三层:输入层㊁隐藏层和输出层,其中输入层粒子为故障发生的时间序列和故障修复时间;输出层为一个输出节点,对应预测时间的可靠度㊂选取 tansig 作为输入函数, purelin 作为输出函数㊂选取 trainlm 作为训练函数㊂最大训练次数为1000,期望误差为0.0001,学习率为0.01㊂采用经验公式(8)结合训练实际情况来确定隐藏层的节点个数,即q =m +n +a(8)其中,q 为隐藏层的节点个数,m 为输入层的节点个数,n 为输出层的节点个数,a 为调节常数,范围为[1,2, ,10]㊂GA_BP 的模型参数在BP 神经网络模型的基础上,遗传算法的相关参数设置为:最大寻优迭代次数为100,种群规模为40,交叉概率和变异概率分别为0.3和0.1,染色体数据范围为[-5,5]㊂改进的PSO_BP 的模型参数在BP 神经网络模型的基础上,改进粒子群算法的相关参数设置为:最大寻优迭代次数为100,种群规模为40,例子边界为[-5,5],学习因子c 1=c 2=1.49445,粒子运动速度为[-1.1],惯性权重为[0.1,0.9].其中遗传算法与粒子群算法的适应度(fitness)函数均定义为所优化的BP 神经网络的误差值㊂对BP 神经网络㊁GA_BP 神经网络和改进的PSO_BP 神经网络分别在[6,10]范围内依次进行20次实验,训练结果的平均值如表2所示㊂通过比较网络的C MAPE 值,结果显示隐藏层节点数为8时,三种网络模型的效果都较好㊂故选取隐藏层节点数8进行网络训练㊂表1㊀谷物干燥机部分数据样本Tab.1㊀Some data samples of grain dryer样本编号Sample number故障时刻Moment of failure /h 故障修复时间Fault repair time /h可靠度Reliability 136.20.70.9949255.40.60.987572273.6 2.60.474373274.1 3.10.467135274.5 4.20.0125136477.6 3.60.0051㊀第45卷第2期文昌俊等:基于改进PSO_BP 神经网络的干燥机可靠性预测507㊀㊀3㊀结果对比与分析3.1㊀训练结果分析㊀㊀如图2~图4表明,BP 神经网络的训练拟合精度达到98.63%,GA_BP 网络的拟合精度达到99.92%,而改进的PSO_BP 网络的拟合精度达到99.97%㊂根据拟合精度来看,改进的PSO_BP 网络训练拟合精度逼近能力最强,适应性更好㊂与另外两个网络模型相比,相应的可靠度预测精度也相对最高㊂图5表明改进后的粒子群算法能够有效地优化BP 神经网络,网络的收敛速度明显加快,可以明显地看出粒子多次跳出最优值进行搜索,避免了陷入局部最优㊂当进化代数为70代时,适应度已达到最优㊂图2㊀BP 网络训练拟合精度Fig.2㊀BP network training fittingaccuracy图3㊀GA_BP 网络训练拟合精度Fig.3㊀GA_BP network training fitting accuracy3.2㊀预测结果分析㊀㊀表3对谷物干燥机可靠度的三种模型结果进行了对比,改进的PSO _BP 网络模型的均方根误差仅为0.009,平均绝对误差为0.0068,平均绝对百分误差仅为0.0219㊂实验结果表明,改进后的PSO_BP 网络模型的鲁棒性和预测能力更突出,获得了更小的均方根误差㊁平均绝对误差和平均绝对百分比误差㊂图6表明改进后的PSO_BP 网络模型的绝对误差和误差波动范围更小,结果更优㊂图7表明改进后的PSO_BP网图4㊀改进的PSO_BP 网络训练拟合精度Fig.4㊀Improved PSO_BP network training fittingaccuracy图5㊀改进的PSO 与GA 的收敛曲线Fig.5㊀Improve the convergence curve of PSO and GA络模型的预测值更逼近期望值㊂表3㊀三种网络模型预测结果Tab.3㊀Forecast results of three network models 网络模型Network model C RMSE C MAE C MAPE BP0.05690.05860.3023GA_BP 0.00920.00720.0278Improved PSO_BP0.00900.00680.0219图6㊀谷物干燥机可靠度预测绝对误差值Fig.6㊀Absolute error value of the reliabilityprediction of the grain dryer㊀508㊀机㊀㊀械㊀㊀强㊀㊀度2023年㊀图7㊀谷物干燥机可靠度预测值Fig.7㊀Reliability prediction value of grain dryer4㊀结论㊀㊀针对BP神经网络对谷物干燥机进行可靠性预测易受非线性特征影响,导致模型收敛速度慢和易陷入局部最优等问题,采用现场故障跟踪实验得到的实验数据,并建立关于谷物干燥机的PSO_BP可靠性预测模型㊂通过改进的粒子群算法优化BP神经网络中的权值和阈值,寻找最佳隐藏层节点数的方法,优化神经网络的拓扑结构㊂实验结果表明,改进的PSO_BP网络模型与BP网络模型㊁GA_BP网络模型相比,有更好的泛化能力㊁更快的收敛速度和较好的网络训练质量,提高干燥机可靠性预测精度㊂为实现谷物干燥机可靠性精准预测提供方法和思路,进而让用户及时地了解谷物干燥机运行状况,有效地安排辅助维修㊂参考文献(References)[1]㊀苏续军,吕学志,方㊀舟,等.基于神经网络的复杂导弹系统可靠性预测[J].火力与指挥控制,2020,45(5):170-177.SU XuJun,LV XueZhi,FANG Zhou,et al.Reliability prediction ofcomplex missile system based on neural network[J].Firepower andCommand Control,2020,45(5):170-177(In Chinese). [2]㊀陈㊀科,郑红梅,沈中华.基于反馈式人工神经网络的优化算法及其应用研究[J].中国机械工程,2004(21):55-58.CHEN Ke,ZHENG HongMei,SHEN ZhongHua.Research onoptimization algorithm and its application based on feedback artificialneural network[J].China Mechanical Engineering,2004(21):55-58(In Chinese).[3]㊀ANDREW A M.Numerical optimization of computer models[J].Robotica,1983,1(1):105-114.[4]㊀曹若馨,张可欣,曾维华,等.基于BP神经网络的水环境承载力预警研究 以北运河为例[J].环境科学学报,2021,41(5):2005-2017.CAO RuoXin,ZHANG KeXin,ZENG WeiHua,et al.Early warningresearch on water environment carrying capacity based on BP neuralnetwork Taking the north canal as an example[J].ActaScientiae Circumstantiae,2021,41(5):2005-2017(In Chinese).[5]㊀陈㊀健,黄丽华,曲激婷.基于BP神经网络的FRP筋与混凝土界面黏结强度预测[J].大连理工大学学报,2021,61(3):272-279.CHEN Jian,HUANG LiHua,QU JiTing.Prediction of bondingstrength between FRP bars and concrete interface based on BPneural network[J].Journal of Dalian University of Technology,2021,61(3):272-279(In Chinese).[6]㊀任加国,龚㊀克,马福俊,等.基于BP神经网络的污染场地土壤重金属和PAHs含量预测[J].环境科学研究,2021,34(9):1-15.REN JiaGuo,GONG Ke,MA FuJun,et al.Prediction of soil heavymetals and PAHs content in contaminated sites based on BP neuralnetwork[J].Environmental Science Research,2021,34(9):1-15(In Chinese).[7]㊀陈海建,滕克难,李㊀波,等.神经网络在导弹贮存可靠性预测中的应用[J].弹箭与制导学报,2010,30(6):78-81.CHEN HaiJian,TENG KeNan,LI Bo,et al.Application of neuralnetwork in the prediction of missile storage reliability[J].Journal ofProjectiles,Rockets,Rockets and Guidance,2010,30(6):78-81(In Chinese).[8]㊀章恩泽,陈庆伟.不确定可靠性优化问题的多目标粒子群优化算法[J].控制与决策,2015,30(9):1701-1705.ZHANG EnZe,CHEN QingWei.Multi-objective particle swarmoptimization algorithm for uncertain reliability optimization problems[J].Control and Decision,2015,30(9):1701-1705(In Chinese).[9]㊀AUML T B C,SCHWEFEL H.An overview of evolutionaryalgorithms for parameter optimization[J].Evolutionary Computation,1993,1(1):1-23.[10]㊀GUPTA R K,BHUNIA A K,ROY D.A GA based penalty functiontechnique for solving constrained redundancy allocation problem of seriessystem with interval valued reliability of components[J].Journal ofComputational and Applied Mathematics,2009,232(2):275-284.[11]㊀SADEGHI B H M.A BP-neural network predictor model for plasticinjection molding process[J].Journal of Materials Processing Tech.,2000,103(3):411-416.[12]㊀TABOADA H A,ESPIRITU J F,COIT D W.MOMS-GA:A multi-objective multi-state genetic algorithm for system reliabilityoptimization design problems[J].IEEE Transactions on Reliability,2008,57(1):182-191.[13]㊀赵丽娟,金忠峰.基于GA-BP神经网络薄煤层采煤机装煤性能预测[J].机械强度,2018,40(3):620-625.ZHAO LiJuan,JIN ZhongFeng.Based on GA-BP neural network thinseam shearer coal loading performance prediction[J].MechanicalStrength,2018,40(3):620-625(In Chinese).[14]㊀KENNEDY J,EBERHART R.Particle swarm optimization[C]//Proceedings of the ICNNᶄ95-International Conference on NeuralNetworks,November27-December01,1995,Perth,WA,Australia.New York:IEEE,1995:488968.[15]㊀孙远敬,祁志远,赵国超.基于改进粒子群算法的内啮合齿轮泵优化设计[J].机械强度,2019,41(6):1378-1383.SUN YuanJing,QI ZhiYuan,ZHAO GuoChao.Optimized design ofinternal gear pump based on improved particle swarm algorithm[J].Journal of Mechanical Strength,2019,41(6):1378-1383(InChinese).[16]㊀LIMBOURG P,APONTE D E S.An optimization algorithm forimprecise multi-objective problem functions[C]//Proceedings of the2005IEEE Congress on Evolutionary Computation,September02-05,2005,Edinburgh,UK.New York:IEEE,2005:459-466. [17]㊀白㊀雁.基于线性递减系数粒子群优化算法的组卷实现[J].现代电子技术,2014,37(24):41-44.BAI Yan.Implementation of test paper generation based on lineardecreasing coefficient particle swarm optimization algorithm[J].Modern Electronic Technology,2014,37(24):41-44(InChinese).。
基于主成分分析的NCPSO-BP机械钻速预测
文章编号：1000 − 7393(2022)04 − 0515 − 07 DOI: 10.13639/j.odpt.2022.04.017基于主成分分析的NCPSO-BP 机械钻速预测沙林秀 胥陈卓西安石油大学电子工程学院引用格式：沙林秀，胥陈卓. 基于主成分分析的NCPSO-BP 机械钻速预测［J ］. 石油钻采工艺，2022，44（4）：515-521.摘要：目前常用的机械钻速预测理论模型仅通过相关性、贡献度来筛选模型输入参数，没有积极挖掘随钻采集的复杂属性间关系，导致信息缺乏完整性。
为了最大化保留复杂属性间线性关系，提出了一种基于主成分分析的钻速预测模型，并引入混沌变异的小生境粒子群算法(NCPSO)优化BP 神经网络，提高模型的收敛速度与精度。
首先，采用主成分分析法根据不同的方差贡献度对高维钻井数据进行降维、降噪；其次，建立智能优化算法-神经网络钻速预测模型，利用混沌变异的小生境粒子群算法的训练结果为BP 神经网络权值、阈值赋予初值，以此建立机械钻速预测模型；最后，在不同输入维度进行对比分析NCPSO-BP 模型与PSO-BP ，GA-BP 和标准BP 的机械钻速预测结果。
研究结果表明，在8维、10维输入的情况下，NCPSO-BP 机械钻速模型的预测精度平均提高了59%，训练速度平均提高了26.3%，为日益复杂的钻井环境下机械钻速精确预测提供了理论基础。
关键词：机械钻速预测；智能优化算法；主成分分析；神经网络中图分类号：TE242；TP183 文献标识码： APrediction of NCPSO-BP ROP based on principal component analysisSHA Linxiu, XU ChenzhuoSchool of Electronic Engineering , Xi’an Shiyou University , Xi’an 710065, Shaanxi , ChinaCitation: SHA Linxiu, XU Chenzhuo. Prediction of NCPSO-BP ROP based on principal component analysis ［J ］. Oil Drilling & Production Technology, 2022, 44(4): 515-521.Abstract: The currently and commonly used theoretical models predicting rate of penetration (ROP) only screen the model input parameters through correlation and contribution, which lacks active exploration on the relationship between complex attributes collected while drilling, resulting in a lack of completeness of information. In order to maximize the preservation of the linear relationship between complex attributes, a drilling speed prediction model based on principal component analysis was proposed. And by optimizing the BP neural network with niche particle swarm algorithm after introducing chaotic variation, the convergence speed and the accuracy of the model were improved. Firstly, with the help of the principal component analysis method, the dimension and the noise of the high-dimensional drilling data were reduced according to different variance contributions. Secondly, an intelligent optimization algorithm-neural network drilling speed prediction model was established, and using the training results from the niche particle swarm algorithm after introducing chaotic variation to give initial values to the weights and the thresholds of the BP neural network, so as to establish the ROP prediction model. Finally, the ROP prediction results between NCPSO-BP model and PSO-BP, as基金项目: 陕西省科技攻关重点项目“油气钻机远程交互优化控制虚拟仿真平台开发”(编号：2020GY-046)。
pso based method for feature selection -回复
pso based method for feature selection -回复“[pso based method for feature selection]”（基于粒子群算法的特征选择方法）是一个在机器学习领域中常用的技术。
特征选择是指从给定的特征集合中选择出最具有辨别力的子集，以提高分类器的性能和减少计算成本。
本文将详细介绍粒子群算法以及如何使用粒子群算法进行特征选择，包括其算法的步骤、参数的设置以及优缺点等方面。
一、粒子群算法概述粒子群算法（Particle Swarm Optimization, PSO）是一种仿生优化算法，模拟了鸟群或鱼群中的群体行为，通过模拟个体的移动过程来寻找最优解。
粒子群算法的基本思想是将问题的解空间看作一个多维的空间，每个解可以表示为一个粒子，每个粒子根据自身和周围最优解的信息进行自我位置的更新。
通过不断迭代，粒子的位置逐渐收敛到全局最优解附近。
二、粒子群算法的步骤1. 初始化粒子群：根据问题的规模，初始化一定数量的粒子，每个粒子表示一个特征子集。
2. 计算适应度函数：根据问题的具体情况，设计适应度函数来评估每个粒子的解的好坏程度。
3. 针对每个粒子更新速度和位置：根据粒子过去的最优位置和整个群体的最优位置，更新粒子的速度和位置。
4. 更新全局最优解：更新全局最优解，即整个粒子群中最优的粒子解。
5. 判断停止条件：根据算法的收敛性和准确性需求，判断是否停止迭代。
6. 迭代更新：如果停止条件不满足，继续迭代更新粒子位置和速度，直到满足停止条件。
三、粒子群算法的参数设置1. 粒子数量：一般情况下，粒子数量需要根据问题的规模来确定，太多或太少的粒子都会影响算法的性能。
2. 学习因子：学习因子决定了粒子的速度更新幅度，通常取值在0和2之间。
3. 惯性因子：惯性因子决定了粒子根据自身速度和群体速度进行位置更新的权重，通常取值在0和1之间。
4. 终止条件：终止条件可以根据问题的需求来确定，一般可以根据算法迭代次数或者目标函数值的收敛程度来判断是否停止。
优化算法在农作物高光谱检测模型中的应用
优化算法在农作物高光谱检测模型中的应用作者：张黎黎来源：《新农业》2022年第13期为探究水稻纹枯病检测方法，指导水稻变量施药并提升水稻品质，研究学者利用极限学习机（ELM）建立无人机高光谱水稻纹枯病诊断模型，并利用粒子群优化算法（Particle Swarm Optimization，PSO）对模型进行优化。
PSO是一种仿生优化算法，该算法的核心思想是通过模拟鸟类群体的觅食行为形成的，采用PSO算法寻找ELM中权重和阈值的全局最优值，优化选择ELM的隐含层偏差和输入层权重，从而计算出输出权重矩阵。
该研究表明，经PSO优化后的模型，在提升ELM运行速度的前提下精度提高约15%。
PSO算法具体优化过程如下。
（1）参数初始化。
设置粒子群的最大迭代次数K，种群规模M，学习因子，权重因子ω，粒子维数D。
天牛须优化算法（Beetle Antennae Search Algorithm，BASA）是一种高效智能的优化算法，该算法是通过模仿天牛和甲虫觅食原理而形成的。
算法具有运算量小、运算速度快、寻优能力强等特点。
为获取水稻植株的氮素含量情况，指导农户进行合理的追肥。
有研究利用ELM构建了高光谱水稻氮素含量检测模型。
并利用BAS对该模型进行了优化。
研究以筛选后的特征波段作为反演模型的自变量输入量，该算法的具体优化流程如下。
（1）参数初始化。
设定ELM的隐含层神经元数量，根据神经元的个数和输入量的維度确定自变量维度，初始化天牛须算法的起始步长step、步长更改系数eta、迭代次数以及维参数自变量。
（2）计算方向向量。
根据正态分布的方式，得到在每次迭代过程中的一维自变量变化的方向向量，记为dire。
油菜籽流化床干燥水分扩散规律的实验研究
油菜籽流化床干燥水分扩散规律的实验研究张健平;赵周能【期刊名称】《中国粮油学报》【年(卷),期】2018(033)008【摘要】为了研究油菜籽流化床干燥过程水分扩散规律,基于Fick第二定律和Arrhenius方程,通过开展油菜籽流化床干燥实验,分别考察了油菜籽初始含水率、热空气温度和热空气流速与水分比和水分有效扩散系数之间的变化规律.结果表明:随着油菜籽初始含水率、热空气温度和热空气流速逐渐增大,水分有效扩散系数增加,14.41％～29.72％初始含水率、1.75 ～ 2.25 m/s热空气流速及45～65℃热空气温度所对应的水分有效扩散系数范围分别为6.485×10-10～10.133×10-10m2/s、7.296×10-10 ～9.525×10-10m2/s和5.269×10-10 ～8.917×10-10m2/s,其中29.72％初始含水率的水分有效扩散系数是14.41％的1.6倍,2.25 m/s热空气流速的水分有效扩散系数是1.75 m/s的1.3倍,65℃热空气温度的水分有效扩散系数是45℃的1.7倍.Arrhenius方程可以描述油菜籽流化床干燥水分扩散系数与温度的关系,水分扩散的平均活化能为22.84 kJ/mol;通过比较4种常见薄层干燥模型,发现油菜籽流化床干燥失水规律采用Page模型可进行准确模拟,其决定系数R2 ≥0.997,相对误差≤5.4％.研究结果为提高干燥效率,优化干燥工艺参数提供参考.【总页数】8页(P37-44)【作者】张健平;赵周能【作者单位】西南科技大学制造过程测试技术教育部重点实验室,绵阳621010;西南科技大学环境与资源学院,绵阳621010【正文语种】中文【中图分类】TQ021.3;TQ026.7【相关文献】1.水分对颗粒煤的瓦斯扩散影响规律研究 [J], 高志鹏2.水分对颗粒煤瓦斯扩散系数的影响规律研究 [J], 尚昊阳3.含岩屑紫色土水分扩散规律 [J], 李江文;冉卓灵;韩珍;曾蔓漫;魏朝富4.节水灌溉土壤水分扩散规律与布管方式研究 [J], 巩炎;谢兴华;邱城春5.不同立地类型根灌、滴灌水分扩散规律 [J], 刘晓泉;严子柱;李得禄;唐卫东;张芝萍因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO算法改进BP神经网络的氟金云母点磨削工艺参数优化
基于PSO算法改进BP神经网络的氟金云母点磨削工艺参数优化马廉洁;陈杰;巩亚东;王佳【摘要】Through a high speed point grinding experiment,the surface hardness and roughness of the finished surface was tested,and the variations of the surface hardness and roughness with the process parameters were analyzed.Single factor experimental values were predicted with PSO-BP.A se-ries of one-dimensional models of surface hardness and roughness process parameters of fluorophlogo-pite were built by least-squares fitting.Correlation coefficient test was used to verify the models'high reliability.Multivariate models about surface hardness and roughness process parameters were pro-posed by analyzing one-dimensional models.The multivariate numerical models were optimized accord-ing to the results of orthogonal experiments and PSO and were proved to have high reliability by ex-periment.A dual obj ective optimization of two multivariate models was carried out by PSO algorithm, and a set of reasonable process parameters was obtained.%通过氟金云母的高速点磨削试验,测试了加工表面硬度和表面粗糙度,分析了表面硬度和表面粗糙度随工艺参数的变化规律.基于单因素试验值和PSO算法改进的BP神经网络,利用最小二乘拟合,建立了氟金云母点磨削表面硬度和表面粗糙度关于各工艺参数的一元模型,以相关系数检验模型,证明模型具有较高可靠性.分析一元模型,提出表面硬度和表面粗糙度分别关于工艺参数的多元模型.基于正交试验值和PSO算法,对模型进行优化求解,并通过试验证明了模型具有较高可靠性.利用PSO算法对两个多元模型进行双目标优化,求解得到一组较为合理的工艺参数值.【期刊名称】《中国机械工程》【年(卷),期】2016(027)006【总页数】6页(P761-766)【关键词】工艺参数;PSO算法;BP神经网络;点磨削;氟金云母【作者】马廉洁;陈杰;巩亚东;王佳【作者单位】东北大学秦皇岛分校,秦皇岛,066004;东北大学,沈阳,110819;东北大学秦皇岛分校,秦皇岛,066004;东北大学,沈阳,110819;东北大学秦皇岛分校,秦皇岛,066004【正文语种】中文【中图分类】TH161氟金云母属于硅酸盐类人工云母晶体，化学式为KMg3(AlSi3O10)F2，具有绝缘性好、高频介质损耗低、耐高温、抗腐蚀等优良的性能，广泛应用于机械、电子、生物等领域[1-2]。
基才PSO—BP神经网络的PID控制器参数优化方法
基才PSO—BP神经网络的PID控制器参数优化方法郭珂;伞冶;朱奕【摘要】Due to the strong self-learning and self-adaptive ability of BP neural networks, it can be used to solve the problems that existing in traditional PID controller parameters tuning methods. In order to accelerate the convergence speed of BP neural network and prevent it from falling into local minimum point, the particle swarm optimization algorithm is proposed to optimize the connection weight matrix of BP neural networks. At last, detailed steps and flow chart of the proposed method are given and the simulation results demonstrated that the control quality of the proposed method is superior to the conventional methods.%针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题，结合BP神经网络自学习和自适应能力强等特点，提出采用BP神经网络优化PID控制器参数。
其次，为了加快BP神经网络学习收敛速度，防止其陷入局部极小点，提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。
最后，给出了PSO—BP算法整定优化PID控制器参数的详细步骤和流程图。
基于PSO算法的PID控制参数优化
基于PSO算法的PID控制参数优化
徐静波
【期刊名称】《东华大学学报（自然科学版）》
【年(卷),期】2007(033)001
【摘要】微粒群算法(PSO)是一种随机全局优化技术,算法通过微粒间的相互作用发现复杂搜索空间中的最优区域.但基本微粒群算法不能保证全局收敛,本文将改进的PSO算法(SPSO)应用于PID控制器的参数优化.经仿真证明PSO算法参数优化的有效性.
【总页数】4页(P135-138)
【作者】徐静波
【作者单位】上海工程技术大学,电子电气工程学院,上海,201620
【正文语种】中文
【中图分类】TM571.6+2
【相关文献】
1.基于PSO算法的PID控制器参数优化及其在置换蒸煮立锅温差控制中的应用[J], 汤伟;袁志敏;杨鹏飞;冯晓会
2.基于改进PSO算法的磁浮列车PID控制器参数优化 [J], 刘东;冯全源;蒋启龙
3.基于PSO算法的机械臂PID控制器参数优化 [J], 喻骁;刘东;兰维瑶
4.基于PSO算法的PID控制器参数优化研究分析 [J], 陈亮;江明;林园胜
5.基于改进的PSO算法的PID控制器参数优化研究 [J], 韩宜轩
因版权原因，仅展示原文概要，查看原文内容请购买。
PSO-BP神经网络在油料产量预测中的应用
PSO-BP神经网络在油料产量预测中的应用
郭利进;于洋
【期刊名称】《粮食与油脂》
【年(卷),期】2022(35)4
【摘要】针对传统油料产量预测方法精度低、需求数据量大的问题提出误差反传(back propagation,BP)神经网络预测模型,并利用粒子群算法优化该模型的权值和阈值,从而提高收敛速度以及预测精度。
经历年油料产量及其相关数据训练测试,结果表明,该预测模型预测精度较高,为油料产量预测提供了一种有参考价值的应用方法。
【总页数】4页(P107-110)
【作者】郭利进;于洋
【作者单位】天津工业大学电气工程与自动化学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于改进PSO-BP神经网络在径流量预测中的应用
2.基于改进PSO-BP神经网络算法在一般盗窃犯罪预测中的应用
3.PSO-BP神经网络在开关柜设备温度预测中的应用
4.PSO-BP神经网络在开关柜设备温度预测中的应用
5.PSO-BP神经网络预测模型在智慧课堂中的应用研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO 的BP 神经网络纱线条干CV 值预测研究
假设神经网络输入层有 d 个神经元，隐含层有 m 个神 经元，输出层有 n 个神经元，网络共有 d × m + m × n + m + n 个权值及阈值，因而基于 PSO 学习算法中的粒子的维度 就应该为 d × m + m × n + m + n 。 ［5］
当前，应用最为广泛的 BP 算法，由数据流的正向计 算和误差信号的反向计算两个过程构成。在 BP 网络的 学习过程中，输入信号正向传播和误差信号反向传播交 替进行。在正向传播过程中，输入信号先传播到隐含层 节点，经过传递函数作用后，把隐含层节点的输出信息传 播到输出层节点，再经过传递函数作用后得到网络的输 出值，然后比较实际输出值与期望输出值得到误差，由网 络的误差反向传播学习规则调整该网络的权值，减小网 络的实际输出值与期望输出值的误差。
但是，常规 BP 神经网络学习算法，实质是一种简单 的最速下降静态寻优算法，在一定程度上呈现出收敛速
收稿日期：2019-05-16 作者简介：聂琼（1986—），女，硕士，研究方向：纺织计算机方向。
CopyrighΒιβλιοθήκη ©博看网 . All Rights Reserved.
Prediction of CV Value of Yarn Evenness on the BP Neural Network Based on PSO
NIE Qiong （Xinjiang Light Industry Vocational and Technical College，Urumqi Xinjiang 830021）
总 679 期第十七期 2019 年 6 月
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
湖南农业大学学报(自然科学版) 2017, 43(2):222–225. DOI:10.13331/ki.jhau.2017.02.020 Journal of Hunan Agricultural University (Natural Sciences) 投稿网址：基于PSO–BP 算法的油菜籽干燥工艺参数的优化朱光耀1,2，谢方平1*，陈凯乐1，代振维1(1.湖南农业大学工学院，湖南 长沙 410128；2.湖南机电职业技术学院，湖南 长沙 410151)摘 要：结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化: 采用BP 神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型，利用试验样本数据计算并确定预测模型的网络权值及阈值，再采用PSO 算法进行参数优化。
试验验证结果表明，对比BP 网络模型和PSO–BP 模型，发现BP 网络仿真值相对误差最大值为4.5%，而PSO–BP 仿真值最大相对误差小于2.93%。
关 键 词：油菜籽干燥；粒子群算法；神经网络；工艺优化中图分类号：TP183 文献标志码：A 文章编号：1007−1032(2017)02−0222−04Parameter optimization of vacuum drying process for rapeseedbased on PSO −BP algorithmsZHU Guangyao 1,2, XIE Fangping 1*, CHEN Kaile 1, DAI Zhenwei 1(1.College of Engineering, Hunan Agricultural University, Changsha 410128, China; 2.Hunan Mechanical & Electrical Polytechnic, Changsha 410151, China)Abstract : Vacuum drying process for rapeseed was optimized by combination of neural network and particle swarm algorithms. BP neural network algorithm was used to establish the three layer network model to forecast the relationship between the drying temperature, initial moisture content, pressure and the average rate of moisture dropping, germination rate of rapeseed. Network weight and threshold of the model was calculate by using the sample data from the experiment. Then, PSO algorithm was used to optimize the initial parameters of the model. It is verified by experiment that the maximum relative error of BP networkmodel was 4.5%, whereas it was 2.93% for PSO–BP network model. The combination of BP neural network and PSO algorithms could decrease the error between the actual value and network simulated value.Keywords : rapeseed drying; particle swarm optimization; BP neural network; process optimization; intelligent control收稿日期：2016–09–27 修回日期：2017–01–10 基金项目：湖南省教育厅项目(15C0488)作者简介：朱光耀(1984—)，男，湖南娄底人，硕士研究生，讲师，主要从事自动化控制技术研究，82756328@ ；*通信作者，谢方平，博士，教授，主要从事油菜机械化关键装备研究，hunanxie2002@传统干燥设备对油菜籽干燥过程的参数难以实时、精确监控，导致油品质量稳定性不高[1–2]。
为实现油菜籽干燥过程的智能控制，提高干燥效率和干燥质量，对干燥过程进行工艺优化、建立干燥过程参数的预测模型十分必要。
刘斌等[3]提出一种油菜籽热风干燥控制系统的模糊PID 控制算法，研究了PID 控制和模糊PID 控制在油菜籽热风干燥控制系统中的温度响应特性和系统适应性。
杨玲等[4]研究了不同初始含水率、热风温度和风速条件下甘蓝型油菜籽的热风干燥特性，比较了10种数学模型在甘蓝型油菜籽热风干燥中的适用性。
笔者采用反向传播神经网络(BPNN)建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型，利用样本值对其进行训练获得预测模型的参数，再结合粒子群算法对该模型进行寻优计算，在可行的搜索域内搜索满足条件的工艺参数最优解，以获得更为精确的预测模型，以期为油菜籽干燥过程的工艺参数优第43卷第2期 朱光耀等 基于PSO –BP 算法的油菜籽干燥工艺参数的优化 223化研究提供一种新的思路和方法。
1 神经网络建模及仿真1.1 材料油菜品种为湖南高油酸753。
采集油菜籽后除杂并混合均匀，测量其初始含水率。
发芽率测定参照GB5520—1985[5–6]。
油菜籽静态干燥过程中水分含量的测定采用质量差法。
计算油菜籽失水百分率A 和平均水分下降速率V 。
A 211M M M −=−×100% (1) 式中：M 1为油菜籽样品的干燥前质量；M 2为油菜籽样品的干燥后质量。
V AT=(2) 式中：T 为0.5 min 。
1.2 油菜籽干燥工艺参数神经网络模型的建立干燥温度、油菜籽初始含水率、真空度是影响油菜籽干燥的最主要的因素[7]，BP 神经网络模型中，将油菜籽平均水分下降速率和发芽率作为输出层，干燥温度、初始含水率、真空度3个参数作为输入层，中间层为隐含层。
输入层有3个神经元分别为干燥温度X 1、初始含水率X 2和真空度X 3，输出层为2个神经元，分别为平均水分下降速率Y 1和发芽率Y 2。
1.3 网络训练及仿真试验选取平均水分下降速率与发芽率均在70%以上的试验样本50组，其中35组作为训练样本，另外15组作为测试样本。
首先利用MATLAB 软件对35组训练样本数据进行网络训练，将训练得到最终的预测结果模型保存；再采用15组测试样本对已训练好的网络进行测试试验，测试其准确性，训练结果如图1所示。
由图1可以看出，通过BP 神经网络方法所建立的网络模型，能较为真实地反映输入、输出之间的函数关系，将实际样本值和BP 网络训练值相对比后，相对误差低于4.6%，可近似认为利用该方法获得的网络模型可靠。
a 平均降水速率BPNN 仿真结果b 发芽率BPNN 仿真结果图1 实际样本值与BP 算法网络训练输出值Fig.1 Comparison between actual sample value and BP algorithm network training output value for the average rate of moisture droppingand the germination rate2 PSO–BP 优化算法建模2.1 PSO–BP 算法设计利用PSO 算法[8–11]对BP 神经网络初始权值、阈值参数进行优化，建立PSO–BP 人工神经网络模型。
1) 初始化BP 神经网络结构。
根据油菜籽平均发芽率和平均水分下降速率都在70%以上的样本数据，计算并确定网络权值和阈值，建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的神经网络预测模型。
2) 将BP 网络模型中的各个神经元连接权值构成向量Wi =[w 1，w 2，…，w n ]，该权值向量即为PSO 网络中的各个粒子，随机初始化PSO 网络结构，即初始化公式(3)和(4)中的惯性权重、学习因子、粒子速度和位置。
3) 首先粒子从随机的位置和速度出发，将粒子的位置和速度分别初始化为id x t ()和id v t ()，其中i 和d 分别为粒子个数和粒子维度，根据公式(3)和(4)不断更新粒子的位置和速度，公式(3)为粒子的速度平均水分下降速率/(%·m i n –1)发芽率/%训练次数训练次数224 湖南农业大学学报(自然科学版) 2017年4月更新公式，公式(4)为粒子的位置更新公式。
v id (t +1)=ω×v id (t )+c 1×r 1×[p b (t )–x id (t )]+c 2×r 2×[g b (t )–x id (t )] (3)x id (t +1)= x id (t )+ v id (t +1) (4)式中：ω是惯性权重；12c c ,是学习因子。
取c 1= c 2=2；r 1、r 2是(0，1)之间的随机常数。
4) 计算每一个粒子的适应度函数值，迭代比较后，根据适应度函数的最优值确定最新的个体极值p b 和全局极值g b ，直到找到最优的极值为止。
适应度函数值如公式(5)所示，若通过网络计算出的平均水分下降速率为V ，发芽率为G ，期望输出的水分下降速率为v ，发芽率为g ，整个迭代过程即可理解为找到适应度函数值，从而找出粒子群中个体极值p b 和全局极值g b ，其数学模型公式(6)所示。
F =1–(ωp |V –v |+ωk |G –g |) (5)min )(x f 1==ω(), ∑ni i j i f x (a ≤x j ≤b ) (6)式中：ωp ，ωk 分别为水分下降速率和发芽率的权重系数，其约束条件为ωp +ωk =1，设定ωp =0.5，ωk =0.5；x j 表示第j 个粒子的位置，ωi 为第i 个目标的权重，a 和b 为变量范围。
5) 判断计算出来的适应度函数值是否达到预设的精度或者达到最大的迭代次数，如果满足条件即找到了全局最优值就停止计算。
如果没找到则重新初始化一组权值重复计算，在此过程中设定有最大迭代次数，若达到最大迭代次数仍未输出极值，此时也应该停止计算，说明该算法在预设的精度范围内不收敛。