5篇关于粒子群优化算法的计算机毕业论文

今天分享的是关于粒子群优化算法的5篇计算机毕业论文范文, 如果你的论文涉及到粒子群优化算法等主题,本文能够帮助到你

基于CNN-PSO-LSTM组合模型的生鲜蔬菜销量预测研究

这是一篇关于生鲜蔬菜,卷积神经网络,长短期记忆网络,粒子群优化算法,销量预测的论文, 主要内容为近年来,受到新冠肺炎影响,生鲜电商行业高速发展,线上购买生鲜蔬菜逐渐成为人们的首选。但生鲜蔬菜易受到季节波动、天气变化、节假日、价格等因素影响,销量常呈非线性变化趋势。销量不规则波动容易造成市场供求关系失衡,对社会和谐稳定造成一定影响,因此对未来短时间的生鲜蔬菜销量进行预测具有重要意义。本文通过分析神经网络在生鲜蔬菜销量上的适用性,开展生鲜蔬菜销量预测研究。具体工作如下:(1)通过分析神经网络中常用的卷积神经网络(CNN)和长短期记忆网络(LSTM)的运行机制与特性,探究二者在生鲜蔬菜销量领域的适用性,并研究粒子群算法(PSO)在优化神经网络超参数上的优势,提出基于CNN-PSO-LSTM组合模型的销量预测方法。(2)分析并获取影响生鲜蔬菜销量因素的数据,通过模糊化处理、灰色关联度分析等方式选取与蔬菜销量关联程度较大的影响因素作为特征向量,输入到CNN模型中进行特征提取,利用PSO优化后的LSTM模型进行销量预测,构建基于CNNPSO-LSTM的生鲜蔬菜销量预测模型;并以安徽省某电商平台生鲜蔬菜销量数据为例,分析CNN、LSTM、PSO-LSTM、CNN-PSO-LSTM四种模型的预测性能,显示在三种误差指标下的结果为RMSE(23.16、21.11、18.67、13.30)、MAE(19.15、16.40、14.93、10.59)、MAPE(0.13、0.12、0.10、0.08),验证该模型在生鲜蔬菜销量预测上的适用性与精确性。(3)将本文构建的CNN-PSO-LSTM生鲜蔬菜销量预测模型与mysql、python等技术相结合,研发生鲜蔬菜销量预测系统。利用Py Qt5、Qt Designer等控件实现图形用户界面,设计用户登录、销量管理、数据展示三个模块,提供数据查询、修改、删除、新增、预测等功能,同时通过Python中的Py Echarts库对生鲜蔬菜销量预测结果等数据可视化,为平台销售提供参考依据。

改进粒子群优化算法求解车间调度问题研究

这是一篇关于粒子群优化算法,SPV规则,随机搜索策略,置换流水车间调度,混合流水车间调度,作业车间调度的论文, 主要内容为车间调度问题广泛存在于制造业领域,是制造系统的基础,其主要的研究内容是在满足特定的工艺要求和资源消耗等约束条件的前提下,为某项可以分解的任务的各个组成部分分配资源,以求最优化一个或多个调度指标。针对车间调度问题的优化技术是先进制造技术和现代化管理技术的核心,可以实现在保证产品质量要求下,尽可能减少资源消耗、缩短产品完工周期,从而提升企业的生产效益,保证核心竞争力。因此,针对车间调度问题的研究具有重要的经济价值。大部分车间调度问题都是NP-hard问题,早期求解车间调度问题主要有精确数学方法,如分支定界法、动态规划法、拉格朗日松弛法、列举法等,还有一些基于启发规则的构造方法,如优先分派规则、基于瓶颈的启发式方法、插入法等。但随着企业生产规模的扩大,调度问题的求解复杂程度越来越高,这些传统方法已经无法处理规模较大,相对复杂的调度问题。进入20世纪,各类元启发式算法大量涌现,并在车间调度问题中得到广泛应用。粒子群优化(Particle Swarm Optimization,PSO)算法是一种基于群体智能理论的演化计算技术,因其控制参数少、易于实现、计算速度快、全局搜索能力突出、通用性强,不依赖于问题信息等优点在众多群体智能算法中脱颖而出,并在函数优化和实际工程领域得到广泛应用。本文研究主要是在PSO算法优化框架下设计求解三类车间调度问题的改进PSO算法。主要内容如下:(1)针对标准PSO算法存在局部搜索能力差,容易出现“早熟”收敛等缺陷。本文深入分析粒子进化过程,提出一种粒子速度和位置自适应更新策略,选取12个不同类型测试函数,将所提策略与其它类型改进PSO算法对比,结果表明所提策略可以较好改善算法性能,尤其在求解非线性高维多峰函数时,所提策略能够帮助算法跳出局部最优解,避免“早熟”收敛。(2)针对以最小化最大完工时间为目标的置换流水车间调度问题(Permutation Flow Shop Scheduling Problem,PFSP)的特点,引入基于SPV规则的编码转换机制,将连续粒子位置转换为离散工件排序,从而用于连续域优化的PSO算法可直接用于求解离散域上的车间调度问题,采用上述粒子速度和位置自适应更新策略来更新粒子;其次,针对PSO算法中个体最优粒子,设计一种基于Metropolis接受准则的随机搜索策略,用来在个体最优粒子附近执行局部搜索,增强PSO算法局部搜索能力,同时,采用基于Metropolis接受准则的变邻域搜索策略来改善PSO算法搜索得到的最优解。选取29个文献中常用的PFSP标准测试问题,将改进PSO算法与其他类型改进算法进行对比,实验结果表明所设计PSO算法能有效求解PFSP并表现出一定优越性。(3)针对以最小化最大完工时间为目标的带有同速并行机的混合流水车间调度问题(Hybrid Flow Shop Scheduling Problem with Identical Parallel Machine,HFSP-IPM)和作业车间调度问题(Job Shop Scheduling Problem,JSP)的特点,分别设计基于SPV规则的编码和解码方案,将改进算法用于求解两类调度问题,实验结果表明改进算法在求解HFSP和JSP的有效性。

基于并行粒子群优化的二阶隐特征分析模型的算法设计与分析

这是一篇关于高维不完备矩阵,隐特征分析,二阶优化算法,粒子群优化算法,超参数优化的论文, 主要内容为在推荐系统中,用户与信息条目的关系通常用高维不完备矩阵进行表征。由于高维不完备矩阵具有高维与不完备的特性,难以直接从高维不完备矩阵中抽取用户与信息条目的内在关系。隐特征分析方法能够通过低维近似的方式逼近原始矩阵,有效实现对高维不完备矩阵的低秩存储与海量缺失数据的预测。为了能够在稀疏数据场景下更精确地预测高维不完备矩阵中的缺失数据,基于免海森优化为代表的二阶隐特征分析模型正逐渐愈发受到关注。但是,基于免海森优化的二阶隐特征分析模型对缺失数据的低秩预测性能在很大程度上会受到模型的超参数选择的影响,不能自适应多种数据场景。粒子群优化可以在不显示表示优化函数的条件下实现对待优化函数的求解,故粒子群优化算法广泛应用于超参数优化。然而,由于粒子群优化算法存在收敛速度慢,以及容易早熟收敛陷入局部最优的缺点,直接利用粒子群优化算法优化二阶隐特征分析模型模型的超参数容易增加更多的时间成本和预测精度损失。因此,本文提出了一种基于分布式并行多阶段和多精英学习策略的粒子群优化的二阶隐特征分析模型,使得模型能更好地自适应多种数据场景。本文的主要研究内容如下:(1)提出了一种基于分布式并行粒子群优化的二阶隐特征分析模型。该模型将分布式并行粒子群优化算法最优化二阶隐特征分析模型的超参数,粒子种群中的每一个粒子的位置都是对二阶隐特征分析模型中一组超参数的抽象描述。通过迭代粒子个体和粒子种群间的最优经验共享,使得二阶隐特征分析模型的超参数能够自适应多种数据场景。(2)提出了一种基于分布式并行多阶段和多精英学习策略粒子群优化的二阶隐特征分析模型。该模型将二阶隐特征分析模型的超参数和隐空间矩阵用粒子的位置进行表示。在不同更新阶段采用不同的学习策略迭代优化二阶隐特征分析模型的超参数,以避免陷入早熟收敛的困境。融入集成学习的思想对不同阶段的粒子的隐特征矩阵进行集成,以获得模型对高维不完备矩阵缺失数据更精确的预测能力。(3)通过在多个真实工业场景产生的高维不完备矩阵上的进行实验,实验结果表明本文提出的基于分布式并行多阶段和多精英学习策略的粒子群优化的二阶隐特征分析模型能够实现超参数的自适应寻优,并且在对高维不完备矩阵的缺失数据具有良好的预测性能和收敛速度。

基于机器学习的路面性能预测和预养护时机决策方法研究

这是一篇关于机器学习,特征工程,粒子群优化算法,PSO-XGBoost模型,效益费用比,养护决策系统设计的论文, 主要内容为研究高速公路路面使用性能是指导公路基础设施建设与合理养护决策的必要手段,采取更为合理的养护决策手段能够更好地适应新时期公路建设事业的发展。本文基于陕西某高速公路采集的路面性能数据,以获取最佳路面预养护收益为目标,对全寿命周期内路面性能衰变预测和养护决策问题进行了系统的研究,结合研究成果开发了一套基于机器学习的路面预养护最佳时机决策系统,以实现对高速公路更合理的监管。本文主要研究内容如下:首先,针对高速公路沥青路面数据集构建问题,依托陕西某高速公路历史检测数据,对路面破损状况和路面平整度状况等指标进行路况等级时空特性分析,然后分别通过异常值识别、异常值插补、特征构建和特征编码等特征工程方法对数据质量进行提升,从而建立完整的高速公路路面性能数据集,为后续研究提供数据支撑。其次,针对高速公路路面性能预测问题,基于路面性能检测数据集,构建了基于粒子群优化的PSO-XGBoost(Particle Swarm Optimization-eXtreme Gradient Boosting)机器学习模型,通过计算粒子的适应度值,获得全局最优的粒子位置信息,得到XGBoost模型的最优超参数组合。最后与其他机器学习模型进行对比,结果表明PSO-XGBoost模型预测精度最高,决定系数R2达到0.9336、平均绝对百分比误差MAPE(Mean Absolute Percentage Error)为0.3542%。然后,针对高速公路预防性养护最佳时机选择的问题,提出了基于效益费用比的路面预养护最佳时机决策方法。根据该高速公路15年寿命周期的性能预测结果建立无养护和养护后的衰变模型,使用效益费用比法,综合管理部门费用和用户费用,计算全寿命周期内不同预养护时机下最终综合效益费用比,对比不同预养护方案下的养护效益指标进行最佳养护时机决策。最后,基于上述路面性能预测和养护决策方法,依托陕西某省路面性能检测数据,通过用户需求分析,设计了系统功能模块,并基于Java框架和MySQL数据库技术对系统各功能模块进行了实现,开发了基于机器学习的路面性能预测和预养护最佳时机决策系统,最后分别从功能测试、性能测试和兼容性测试维度对软件系统进行测试,结果表明该系统满足设计需求,达到了预期效果。本文以公里桩为空间粒度,建立完整的路面性能检测数据集。通过数据分析和实验验证,构建了PSO-XGBoost模型对高速公路的路面性能衰变趋势进行预测,结果表明提出模型的预测精度最高,基于效益费用比对高速公路的预养护时机进行科学决策。在此基础上,设计开发了自动化养护决策系统,可以为养护管理部门提供合理的养护建议,从而节省养护资金、降低养护资源消耗,有助于实现道路预养护时机的科学化决策和提供规范化管理依据。