通过PSO粒子群算法求最大最小值，可直接运行。粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。粒子群算法的思想相对比较简单，主要分为：1、初始化粒子群；2、评价粒子，即计算适应值；3、寻找个体极值；4、寻找全局最优解；5、修改粒子的速度和位置。
2021-10-07 21:41:29
4KB
1
针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。
2021-10-02 16:29:05
251KB
1
粒子群算法（PSO）作为一种群智能算法，有效提高了投资组合模型的实用性，但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点，本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO），并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO），每个粒子的更新规则源自BAS，在每次迭代中都有自己对环境空间的判断，而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解，从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.
2021-10-01 20:02:27
1.16MB
1