-
题名改进PSO-BPNN算法在管道腐蚀预测中的应用
被引量：10
- 1
-
-
作者
肖斌
张恒宾
刘宏伟
-
机构
西南石油大学计算机科学学院
-
出处
《郑州大学学报（工学版）》
CAS
北大核心
2022年第1期27-33,共7页
-
基金
国家自然科学基金资助项目(62006200)。
-
文摘
输油管道由于埋藏环境、运输介质等影响,随着使用年限增加,管道会逐渐出现腐蚀,常规的腐蚀管道剩余强度计算方法有公式计算和有限元分析(FEA)等。针对常规方法中公式计算准确性较低和有限元分析过于复杂的问题,提出了一种改进的粒子群算法优化的神经网络模型(IPSO-BPNN)来预测腐蚀管道剩余强度。首先,在传统粒子群算法的基础上,提出了一种新的非线性递减惯性权重用于快速更新粒子速度和位置,并引入了遗传交叉算子增加粒子的多样性,形成了改进的粒子群算法(IPSO);其次,采用IPSO算法对神经网络的权重和阈值进行优化,并使用优化后的权重和阈值初始化神经网络,建立了IPSO-BPNN模型;最后,在2个真实的管道测试爆破数据集上进行实验,分别使用线性回归(LR)、FEA、前馈神经网络(BPNN)、粒子群算法前馈神经网络(PSO-BPNN)以及IPSO-BPNN模型对腐蚀管道剩余强度进行预测,使用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为评估模型预测性的指标。在2个数据集的测试集上的结果表明:IPSO-BPNN模型的MAE分别为0.525 4、0.718 5,MAPE分别为3.77%、2.68%,RMSE分别为0.672 6、0.947 2,3项指标较LR、FEA、BPNN和PSO-BPNN有明显提升。改进PSO-BPNN算法可以提高腐蚀管道剩余强度预测的准确性,可以为管道检查提供较为准确的依据。
-
关键词
粒子群优化算法
非线性递减惯性权重
神经网络
腐蚀管道
剩余强度
-
Keywords
particle swarm optimization
nonlinear decreasing inertia weight
neural network
corroded pipelines
residual strength
-
分类号
TE973.6
[石油与天然气工程—石油机械设备]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进粒子群算法的火炮内弹道多参数符合计算
被引量：4
- 2
-
-
作者
贺磊
姚养无
李树军
丰婧
-
机构
中北大学机电工程学院
宁波军鸽防务科技有限公司
中北大学信息与通信工程学院
-
出处
《火力与指挥控制》
CSCD
北大核心
2021年第11期165-169,共5页
-
文摘
为了研究火炮在发射过程中膛内火药燃烧规律以及弹丸运动规律,需要建立火炮内弹道数学模型并进行数值求解,在此过程中对部分内弹道参数进行符合计算是优化内弹道模型的重要途经之一。在经典内弹道方程组的基础上,阐述了经典内弹道计算原理,并对基本粒子群算法进行了改进,使改进后的粒子群算法在迭代初期有较大的惯性权重ω和学习因子c_(1)以及较小的学习因子c_(2),而在迭代后期有较小的惯性权重ω和学习因子c_(1)以及较大的学习因子c_(2),从而有效地避免粒子群陷入局部最优而导致收敛精度低的缺陷。将改进后的粒子群算法应用于火炮内弹道多参数符合计算,算例结果表明该方法完全满足工程实际要求,具有收敛速度快、符合精度高的特性,是火炮内弹道多参数符合计算的理想算法之一。
-
关键词
内弹道
粒子群算法
非线性递减惯性权重
动态学习因子
符合计算
-
Keywords
interior ballistics
particle swarm optimization algorithm
linear decreasing inertia weight
dynamic learning factor
coincidental calculation
-
分类号
TJ012
[兵器科学与技术—兵器发射理论与技术]
-
-
题名一个新的动态约束因子PSO算法
被引量：4
- 3
-
-
作者
张健
朱旭东
王真
-
机构
广东海洋大学信息学院
中山大学信息科学与技术学院
-
出处
《河北工业大学学报》
CAS
北大核心
2010年第3期51-55,共5页
-
基金
广东省高等教育教学改革工程项目(BKYBJG20060257)
-
文摘
根据带约束因子PSO算法,推导出认知因子c1、社会因子c2和惯性权重w之间应满足的关系.提出新的DCF-PSO算法,随着其中的惯性权重非线性递减,动态调整c1和c2值.通过Benchmark验证了改进后算法的高效性能.实验结果表明,算法表现优异.
-
关键词
动态约束因子
粒子群
惯性权重非线性递减
进化计算
-
Keywords
dynamic constrain factor
particle swarm optimization
nonlinear inertia weight decreasing
evolutionary computation
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
