二阶粒子群

二阶粒子群（精选四篇）

二阶粒子群 篇1

关键词：粒子群优化算法,惯性权重,学习因子

粒子群算法是一种元启发式智能算法, 是由心理学家Kenndy和电气工程师Eberhart在1995年首次提出来的一种新型智能算法。它是受自然界中鸟群的群觅食行为的启发提出的进化计算技术。由于它概念简单、需要调节的参数少、容易实现, 已经受到了国内外学者的广泛关注, 并形成了一个研究热点。然而, 粒子群算法也有着对参数依赖性强、在搜索后期易陷入局部最优、寻优精度不高等缺点。文献将粒子群方程进行简化并添加了极值扰动算子, 极大的提高了收敛速度和收敛精度、有效摆脱局部极值点, 使得粒子群算法更加适实用。文献为了求解高维的复杂多峰值函数优化问题, 将审敛因子引入变邻域粒子群算法中, 有效地避免了标准粒子群算法在求解高维问题易陷入局部最优的缺, 提高了解的精度和收敛速度。文献针对标准粒子群算法易陷入局部最优、收敛精度差等缺点, 将所有粒子的个体最优位置进行选择、交叉、变异操作, 结果表明, 新算法提高了求解精度和求解效率。文献提出了一种新的惯性权重更新方式, 改善了算法的收敛速度和寻优精度, 并在位置更新后对最优粒子微扰, 防止陷入局部最优。我们在二阶震荡粒子群算法的基础上, 对算法的惯性权重、学习因子做了改进, 并在粒子群算法中省略了速度更新公式, 使得迭代方程由原来的二阶降为一阶, 粒子的迭代过程更为简单有效, 便于搜索和寻优。

1 基本粒子群算法

式中, ω为粒子更新的惯性权重值, 决定了上次飞行速度保留的程度。c1和c2为粒子的学习因子, 决定了粒子和个体最优位置和群体最优位置信息交流的程度。r1和r2是介于[0, 1]之间的随机数。

2 自适应二阶震荡粒子群算法

2.1 基于二阶震荡的简化粒子群算法

标准粒子群算法中所有粒子的更新仅仅依靠它的个体最优位置Pbest和全局最优位置Gbest, 并没有考虑到粒子个体之间及粒子位置变化对它自身的影响, 这样就使得粒子没有充分利用有效信息。因此, 我们提出了一种简化的二阶震荡粒子群更新方式:

改进后的二阶震荡粒子群算法省略了速度更新部分, 迭代方程由原来的二阶降为了一阶, 使得算法更加简单高效。并充分利用了所有粒子的个体最优位置的有效信息及同一粒子的位置变化信息, 进一步提高了算法的优化性能。

2.2 自适应调节的惯性权重

在粒子群算法中, 惯性权重ω是调整和平衡算法全局搜索能力和局部搜索能力的重要参数之一。若在算法的整个进化过程中ω取相同的值, 则算法很难平衡全局搜索和局部搜索之间的矛盾。而当ω在算法的不同阶段取合适的值时, 可以有效的平衡算法的局部和全局搜索能力。以前的研究表明, 如果惯性权重取较大的值, 则有助于提高算法的全局寻优能力, 不利于局部搜索;而如果惯性权重取较小的值, 则有利于算法的局部精细搜索, 提高算法的收敛精度, 但很容易陷入局部最优。线性递减的惯性权重虽然可以平衡算法全局搜索和局部搜索的矛盾, 但随着迭代次数的增加, 会造成算法后期局部搜索能力变差。因此, 在实际问题中, 如何选择合适的惯性权重, 是防止陷入局部最优且高效搜索的关键。这里, 我们提出了一种自适应的随机惯性权重, 即:

2.3 学习因子的自适应调节

在标准粒子群算法中, 两个学习因子的取值大小分别决定着粒子的“自身认知”和粒子群体的“社会认知”对粒子飞行轨迹的影响程度, 反映了种群中不同粒子之间的信息交流程度。若c1的值设置较大, 会使得所有粒子一直在自身的小范围内徘徊搜索;而c2的值设置较大, 则会使得粒子在迭代初期便已经陷入局部极值, 不利于算法的全局搜索。本文采用如下的更新方式:

3 算法流程

自适应二阶震荡粒子群算法的流程如下:

(1) 给定种群的规模ps, 最大迭代次数maxgen等参数, 随机初始化各粒子的位置;

(5) 判断给出的终止条件是否满足。若满足, 停止搜索, 输出需要的结果, 否则返回步骤 (3) 继续迭代。

4 仿真实验与性能分析

结合以上数值实验分析可知, APSO算法结构简单, 收敛速度快, 收敛精度高, 可以很好的寻找到最优解, 充分体现了APSO算法的优势。

5 结论

针对标准粒子群算法早熟、容易陷入局部最优位置、收敛精度差等缺点, 提出了自适应二阶震荡粒子群算法。在二阶震荡粒子群算法的基础上, 对算法的惯性权重、学习因子做了改进, 并在粒子群算法中省略了速度更新公式, 使得粒子的迭代过程更为简单高效, 便于搜索和寻优。最后, 通过实验证明了APSO算法的可行性和有效性。

参考文献

[1]Pan T S, Dao T K, Chu S C.Hybrid Particle Swarm Optimization with Bat Algorithm[M].Switzerland:Springer International Publishing, 2015:37-47.

[2]BAI Qinghai.Analysis of particle swarm optimization algorithm[J].Computer and Information Science, 2010, 3 (1) :p180.

[3]胡旺, 李志蜀.一种更简化而高效的粒子群优化算法[J]软件学报, 2007, 18 (4) :861-868.

基于粒子群算法的翼型优化设计 篇2

采用粒子群算法(PSO)对层流翼型进行了以提高升阻比为目标的优化设计.翼型的设计达到了设计要求,优化设计后的翼型气动特性也有显著地改善,这表明了粒子群算法应用于翼型气动优化设计的可行性.在优化设计的`过程中,粒子采用递减惯性权重,以加强粒子初期的全局搜索能力与后期的局部搜索能力.翼型由解析函数线性叠加法表示,目标函数和粒子的适应度由基于二维欧拉方程的流场数值解来提供.

作 者：许平姜长生 XU Ping JIANG Chang-sheng 作者单位：许平,XU Ping(南京航空航天大学,自动化学院,江苏,南京,210016;中国人民解放军94669部队,安徽,芜湖,241007)

姜长生,JIANG Chang-sheng(南京航空航天大学,自动化学院,江苏,南京,210016)

二阶粒子群 篇3

关键词 粒子群算法；水资源优化配置；水稻

中图分类号 S344 文献标识码 A

Optimal Allocation of Rice Water Based on PSO

LUO Yongheng1，ZHANG Mi2，ZHOU Jianhua2

(1. Economic College of Hunan Agricultural University，Changsha，Hunan 410128，China；

2. School of Economics and Management，Changsha University of Science & Technology，Changsha，Hunan 410114，China)

Abstract This article aimed to achieve the optimal allocation of rice water resources. The optimal allocation of rice water not only exists in different types of rice such as early rice, season rice and late rice, but also exists in different growth stages of the same type. Particle swarm optimization has the advantages of high efficiency and precision in the calculation and is relatively easy to operate,so it was applied to the optimal allocation of rice water model solution. The specific example of optimal allocation of rice water in GaoLu village of HengYang verifies the feasibility of the algorithm.

Key words particle swarm optimization;the optimal allocation of water resource; rice

1 引 言

作为农业大省的湖南省，其主要农作物是水稻，故水稻用水量十分巨大.虽然湖南省全境地处亚热带季风湿润气候区，降水较为丰沛，但在季节性干旱时节中，全省不少农村地区普遍存在着水稻用水困难问题.

在科学地对水稻进行用水的前提下，有限的灌溉水量既要在早稻、一季稻和晚稻等不同类型的水稻之间进行优化配置，也要在同一类型水稻在不同的生长阶段进行优化配置.为此就要构建一种大系统、多目标的高维非线性优化配置模型.在以往的文献中，在求解模型的方法选择中，一般采用大系统分解协调原理和动态规划相结合的方法.该方法虽然将大系统分解为一个个的子系统并减少了变量个数，便于优化求解，但协调的过程需要多次从低阶模型中返回信息，而且对于每层的寻优求解过程存在难以克服的矛盾，状态变量离散过少会降低计算精度，使计算结果偏差太大；离散过多，则又会大大降低计算效率.因此有学者应用基于粒子群的大系统优化模型来求解.粒子群优化算法具有较强全局寻优能力，应用于水稻用水的优化配置模型的求解.粒子群优化算法一方面提高了计算效率和计算精度，另一方面也比较容易操作.本研究以湖南省衡阳县高炉村的水稻用水优化配置为具体算例.结果表明，本文所用方法运算快速，程序实现简单可行，评价结果准确，没有陷入局部最优解的局限，

2 粒子群优化算法

粒子群优化算法（Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的一种新型的群智能进化算法，它可以灵活方便地处理具有大量等式约束、不等式约束和同时包含连续变量、离散变量的混合整数优化问题.因此，对于水稻的用水优化配置间题，采用粒子群优化算法也是一种可行方案，其为水稻用水优化配置提供了一种很有前景和潜力的新型方法［1-7］.

粒子群算法的规则比遗传算法还要简单.粒子群算法从随机解出发，由迭代公式计算最优解，通过适应度来评价解的品质，通过追随当前搜索到的最优值来寻找全局最优.

粒子群优化算法中，其迭代公式是：

vij(t+1)=wvij(t)+c1v1j(t)(pij(t)

－xij(t))+c2v2j(t)(pgj(t)－xij(t))，

xij(t+1)=xij(t)+vij(t+1)，

其中，i表示粒子i，j表示粒子的第j维，t表示第t代，c1,c2为加速常数.w为惯性权重：w(iter)=wmax －(wmax －wmin )/imax ·iter.wmax 为最大惯性权值，imax 为最大进化代数；wmin 为最小惯性权值，iter为代数.r1和r2为两个随机函数，并且相互独立.vij∈［－vmax ,vmax ］， vmax =kvmax ,0.1≤k≤1.0.

3 水稻用水优化配置的模型构建

水稻用水优化配置的出发点和立足点就是，灌溉水稻的用水能够产生最大的经济效益.然而，灌溉水稻的用水量与其带来的经济效益，存在着复杂的非线性关系，较难用函数关系对其进行描述.有时使用动态规划法、线性与非线性规划法等方法，也可以用离散的表格形式表达水稻用水量与其经济效益之间的关系，但前提就是都要把灌溉水稻的用水作为连续变量，为此往往使水稻的用水配置决策与实际的用水情况不相适应.

由一季稻和晚稻打成的大米（简称为一季稻米和晚稻米.同样，由早稻打成的米是早稻米），因为煮熟后米饭较软、黏，得到消费者的偏爱，因而一季稻米和晚稻米其市场价格要比早稻米高出不少.一季稻米由于其生长周期长，加之其米饭口感好，营养比晚稻米丰富，因而其市场售价又比晚稻米贵一些.目前，在我国南方地区，尤其是湖南省的中南部地区，农户在全年当中，有的只是种植一季稻，也有不少农户种植水稻两次，即分别种植早稻和晚稻.这样在每年的3月至10月当中，水稻的存在形式是，既有早稻，也有一季稻和晚稻.除了早稻和晚稻不能同时存在以外，早稻和一季稻、一季稻和晚稻，均有一段交差重叠的时期.本研究因为数据采集的关系，没有考虑大米的市场价格，因而也就没有经济效益的价格因素.而只是把灌溉水稻的用水能够产生最大的经济效益，仅仅等同于水稻的产量.

基于上述情况的考虑，本研究把不同类型的水稻（早稻、一季稻和晚稻）看作一个用水单位，对不同类型的水稻进行用水量最优配置.同类型水稻的用水，分阶段进行用水量最优配置.

3.1 同类型水稻用水优化配置模型

同类型的水稻，处于不同阶段（本研究把水稻的生长期划分为四个生长阶段，具体的阶段划分，见下文），其用水量是不同的.水稻的用水原则是：第一阶段，深水返青；第二阶段，浅水分蘖；第三阶段，有水壮苞；第四阶段，干湿壮籽［8］.

1）第一阶段的深水返青.移栽后的水稻，吸引水分的能力大大减弱，这是由于水稻的根系受到大量损伤，大大减弱了稻根吸收水分的能力.这时候需要对稻田大量灌水，以增加稻根吸收水分的机会.此时田中如果水量不多的话，禾苗的稻根因为吸收水分困难，就会造成禾苗返青期延长.也因为禾苗叶片丧失的水分多，禾苗出现卷叶死苗的现象.因此，水稻禾苗移栽后必须深水返青.不过，深水返青一般以水深3~4 cm为适宜，并不是灌水越深越好.

2）第二阶段的浅水分蘖.分蘖期的水稻，在稻田灌水过深的情况下，往往会由于土壤缺氧闭气，禾苗基部光照弱，禾苗养分分解缓慢，禾苗分蘖困难.但分蘖期也不能没有水层.一般以保持1.5 cm深的浅水层为宜，并要做到“后水不见前水”，以利协调土壤中水、肥、气、热的矛盾.

3）第三阶段的有水壮苞.水稻稻穗形成期间，是水稻生长期中大量耗费水的时期，特别是减数分裂期，对水分的反应更加敏感.这时如果缺水，就会造成颖花退化，穗短、粒少、空壳多等.所以，水稻孕穗到抽穗期间，一定要保持田间有3 cm左右的水层，以保花增粒.

4）第四阶段的干湿壮籽.水稻抽穗扬花以后，叶片停止长大，茎叶不再伸长，颖花发育完成，禾苗需水量减少.为了加强田间透气，减少病害发生，提高根系活力，防止叶片早衰，促进茎秆健壮，应采取“干干湿湿，以湿为主”的用水管理方法，以期达到的以水调气，以气养根，以根保叶，以叶壮籽的目的.

为了理论证明的方便以及建模的需要，本研究把水稻的生长期划分为N个阶段，这N个阶段也就是建模中的粒子群维度.N个阶段形成N维向量的粒子，每个阶段的用水量设为粒子的一维，随机选取5N组N维向量组形成整个粒子群.

设：Si为计划湿润层内可供水稻利用的土壤储水量，Si1、Si2为降雨前后第i个天然土层的土壤含水量，以占干容重的百分数表示.θ为计划湿润层内土壤平均含水率，以占干土重的百分数计.CKi为第i阶段的地下水补给量，θw为土壤含水率下限，约大于凋萎系数，以占干容重的百分数计.θf为田间持水量，以占干土重百分数计.H为计划湿润层深度，Hi从为第i个天然土层的土壤厚度.Pei为第i阶段的有效降雨量，Pi为自然降雨量.α为降雨入渗系数α值与一次降雨量、降雨强度、降雨延续时间、土壤性质、地面覆盖及地形等因素有关。并且一般地，一次降雨量小于5 mm时，α为0；当一次降雨量在5~50 mm时，约为1.0~0.8；当次降雨量大于50 mm时，α=0.70~0.80。.γ为土壤干容重.n为天然土层数.WZi为第i阶段计划湿润层增加而增加的水量.WZi为零时，表明当时段内计划湿润层深度一致.

F(x)=max

(ETa)i=Si－Si+1+mi+pei+CKi－Ki,（2）

式（1）、（2）中，λi为第i个阶段水稻产量对缺水的敏感指数，(ETa)i为第i阶段的实际蒸发蒸腾量/mm，(ETm)i为第i阶段的潜在蒸发蒸腾量/ mm，Pei=αPi，Si=10γH(θi－θω).式（1）和式（2）中的约束条件为∑Ni=1mi=Q以及θw≤θ≤θf.

3.2 不类型水稻用水优化配置模型

不同类型的水稻，其用水优化配置的模型构建如下：

以不同类型水稻的生长期为一个完整的时期（稻谷从播种到收获有 3~5 个月的周期.一般早稻的生长期为 90～120 天，一季稻为 120～150 天，晚稻为 150～170天）.假设有M种水稻（由于稻是人类的主要粮食作物，目前世界上可能超过有14万种的稻，而且科学家还在不停地研发新稻种，因此稻的品种究竟有多少，是很难估算的.尽管农户一般种植早稻、一季稻和晚稻，但也不排除农户种植其他类型的水稻），阶段变量K=1，2，…，M，所有类型水稻的种植面积为已知条件，C0为水稻灌区总的可供水量(m3)，不同类型水稻的可分配水量为Ck(m3），实际分配给每种类型水稻的净灌溉水量为Qk(m3），所有种植面积的水稻全部得到灌溉，则有所有类型水稻之间水量平衡方程

Ck+1=Ck-Qkη, （3）

式（3）中，初始条件Cl=C0.η为水稻用水的有效利用系数，η一般取0.8~0.9.

在不以单个农户为收益单位、而以某个地域（比如某个县、乡，或者某个村）为收益单位，则可以以各种类型水稻所带来的经济效益之和G最大为目标，建立目标函数

G=max ∑Mk=1F(Qk)·AK·YMk·PRk, （4）

式（4）中，G的单位为万元，F(Qk)为由第一层反馈回来的效益指标(最大相对产量)，Ak为第k种水稻的优化种植面积，YMk为第k种水稻的充分供水条件下的产量，PRk为为第k种作物的单价.输入灌区总的可用水量为Q、灌区内水稻种类数量为M，YMk及PRk分别为第K种类型水稻充分供水条件下产量(kg/hm2)及单价(元/kg).式（3）和式（4）中的约束条件为0≤Qk/η≤Ck，0≤Ck≤C0以及0≤∑Qk/η≤C0.

4 衡阳县高炉村的水稻用水优化配置算例

衡阳县地处五岭上升和洞庭湖下陷的过渡地带，“衡阳盆地”北沿.“衡阳盆地”属于南方湿热丘岗地易侵蚀退化脆弱区，是典型的红壤丘陵盆地.衡阳县地貌类型以岗、丘为主，海拔100~500 m之间的土地面积占全县土地总面积46.4%，坡度在15°以上的土地面积比重为52.6%.高炉村地处衡阳县洪罗庙镇南侧，地貌属于南方丘陵区类型.目前，全村人口1 217人，309户，分属于12个村民小组.全村耕地面积1 428亩，其中水田794亩，早地634亩.蒸水河从村的北边流过，池塘水域面积53亩.高炉村的水田，均种植水稻.不过，多数农户同时种植早稻和晚稻，也有不少农户种植一季稻.2009年以前，高炉村在各种水稻用水时，全是采取粗放型管理方法管理用水［9,10］，各种水稻（早稻、一季稻、晚稻）的用水量及产量，见表1.2010年，该村在衡阳县政府有关部门的倡导和大力推动下，采取了精细化的水稻用水管理措施，应用了基于粒子群算法的用水量管理.该算法对衡阳县高炉村782亩水稻田（794亩水田中，有12亩田，因为各种原因，并没有种植水稻）进行了水稻用水优化配置应用研究，见表2和表3.衡阳县高炉村的水稻用水优化配置算例，验证了本文的算法.

通过表2和表3可以发现，本文所使用的粒子群优化算法，在早稻、一季稻和晚稻等不同类型水稻的用水优化配置以及同一类型的水稻在不同的生长阶段用水的优化配置方面，产生了较好的实际效果，表现为水稻产量得到提高.这说明粒子群优化算法寻优能力和优化效率更高，该算法在不同类型的水稻和同一类型水稻的不同生长阶段的用水优化配置，均是可行的.参考文献

［1］ 刘玉邦，梁川.免疫粒子群优化算法在农业水资源优化配置中的应用［J］.数学的实践与认识, 2011，41（20）：163-171.

［2］ 陈晓楠，段春青，邱林，等.基于粒子群的大系统优化模型在灌区水资源优化配置中的应用［J］.农业工程学报，2008，24(3):103-106.

［3］ 崔远来，李远华.作物缺水条件下灌溉供水量最优分配［J］.水利学报，1997,28(3):37-42.

［4］ 李霆，康绍忠，粟晓玲.农作物优化灌溉制度及水资源分配模型的研究进展［J］.西北农林科技大学学报:自然科学版，2005，33(12):148-152.

［5］ 贺正楚，翟欢欢.基于DEA三阶段模型的两型农业生产效率——以湖南省为例［J］.农业系统科学与综合研究，2011，27（4）：395-400.

［6］ 苏里坦，宋郁东，愈双思.大型灌区高产节水灌溉优化配水决策模型研究［J］.水利学报（增刊），2005:369-373.

［7］ 刘玉邦.农业水资源高效利用理论及其在川中丘陵区的应用［D］.成都：四川大学水利水电学院，2011.

［8］ 水稻全生育期如何管水［EB/OL］.［2008-01-04］http://data.jinnong.cc/mspx/d9539.shtml.

［9］ 贺正楚.基于数据包络分析法的湖南省“两型”农业生产效率评价［J］.农业现代化研究，2011，32（3）：344-347.

二阶粒子群 篇4

在管道油气输运中,随着高压大管径管道的用量增多,与此相关的管道安全评定成为一个研究热点,特别是对缺陷管道疲劳寿命的预测分析,由于可利用的数据和信息非常有限,以致缺少管道材料特别是缺少实际管道疲劳裂纹扩展规律和小试样与实际管道疲劳裂纹扩展相关性试验研究的数据［1］。相关文献认为油气输送管的疲劳断裂是由管线中的各种交变应力引起的。这些交变应力有些来自于管内输送压力的波动和气体介质的分层结构,也有些来自于管线外部的变动载荷,这些因素均会产生交变应力,使钢管内部和表面的缺陷发生扩展,最终造成管道的疲劳断裂。由于疲劳断裂往往是突然发生的,没有预先征兆,因而具有较大的危险性,尤其对于天然气高压长输管线,其危害性更是显而易见［2］。

为了建立油气输送缺陷管道疲劳寿命的预测模型,以便及时判断疲劳断裂时限,或适当地调节传输工艺参数,以延长油气输送缺陷管道的使用寿命。为此,本文建立了基于二阶粒子群优化的支持向量机的油气输送缺陷管道疲劳寿命预测模型。支持向量机( support vector machines,SVM) 是一种基于结构风险最小化原理的机器学习技术,能较好地解决小样本、非线性、高维数和局部极小点等问题,具有非常优异的预测推广能力。支持向量机中的惩罚因子C和核函数参数 σ 等直接影响着模型的预测精度。拟采用二阶粒子群算法优化C,σ 等参数,并且利用采集到的20组油气输送带缺陷管道样本数据建模和测试模型。测试结果和性能评价指标表明基于二阶粒子群优化的支持向量机回归油气输送带缺陷管道预测模型,具有很高的精确度和非常好的泛化能力。

1 支持向量机的回归算法

设含有l个数据的集合为{ ( xi,yi) i = 1,2,…,l} ,其中xi( ∈Rd) 是第i个训练样本的输入列向量,xi=[xi1,x12i,…,xid]T,yi∈R为对应的输出值。

设在高维特征空间中建立的线性回归函数为

其中 Φ( x) 为非线性映射函数,w表示权重,b表示偏差。

引入松弛因子,原问题转化为［3 － 5］:

式中 ε 表示不敏感损失系数; C为惩罚因子,C越大表示对训练误差大于 ε 的样本惩罚越大,ε 规定了回归函数的误差要求,ε 越小表示回归函数的误差越小。

上述模型对应的对偶形式:

其中: K( xi,xj) = ф( xi) ф( xJ) 为核函数,本文选取应用广泛、精度较高的RBF核函数,其表达式为:

通过( 3) 得最优解 α =[α1,α2,…,αl],α*= [α1*,α2*,…,αl*],并据此求出权重w*和偏差b*,最后得出支持向量机的回归函数:

2 二阶粒子群算法

粒子群优化算法( PSO算法) 是一种基于群体智能的并行优化算法,具有依赖经验参数少、运算速度快、搜索能力强等优点。在标准PSO算法中,微粒的飞行速度仅仅是微粒当前位置的函数,没有体现位置信息; 而二阶粒子群算法中微粒飞行速度的变化充分考虑了微粒位置的变化,利用微粒位置变化来更新微粒速度,增加了粒子群的多样性,避免了搜索的趋同性,能够有效地跳出局部极小值［5］。具体步骤如下:

( 1) 随机初始化种群中各微粒的位置和速度;

( 2) 评价每个微粒的适应度,将当前各微粒的位置和适应值存储在各微粒的pbest中,将所有pbest中适应值最优个体的位置和适应值存储于gbest中;

( 3) 根据下面的方程对微粒的速度和位置进行进化:

( 4) 对每个微粒,将其适应值与其经历过的最好位置作比较,如果较好,则将其作为当前的最好位置;

( 5) 比较当前所有pbest和gbest的值,更新gbest;

( 6) 若满足停止条件( 通常为预设的运算精度或迭代次数) ,搜索停止,输出结果,否则返回( 3) 继续搜索。

要注意的是,为保证算法的性能,c1+ c2的值最好在2 附近。

3 模型建立和测试

3. 1 带缺陷压力油气管道试验样本数据

某天然气管道公司对持续运行10 年左右的带缺陷压力油气管道进行检测。通过实际测定,得到表1 的数据。其中x1为管外径,x2壁厚,x3为深度,x4为长度,x5为温度,x6为压力,y为疲劳寿命。

3. 2 模型参数优化

二阶粒子群算法中相关参数设置为: c1= c2= 1,种群规模为20、算法的停止条件是最大迭代次数200。C( 惩罚因子) 取值范围是[0. 1,100],设不敏感损失系数初值 ε = 10－ 3,σ2的取值范围是( 0. 1,1 000],粒子的维数为2,其它参数值取默认值。取前28 组数据建立模型,后5 组数据进行测试。适应度函数为:

式中yi为第i个样本的实际值,为第i个样本的预测值,n为样本数目。由于数据集中各变量的差异较大,不属于同一个数量级,因此在建立回归模型之前,先对数据进行归一化。通过试算( MATLAB程序［6 － 7］) 得出最优参数C = 84. 933 044 316 767 0,σ2= 81. 215 108 992 997 1

训练集和测试集样本的预测仿真效果见图1 和图2。

从图1 和图2 可以看出,训练集和测试集的均方误差分别0. 000 104 91和0. 000 099 407,决定系数分别达到0. 999 85 和0. 998 82,表明所建立的SVR回归模型具有非常好的泛化能力。

测试集样本的预测值见表2。

4 性能对比

为了对比SVR回归模型的性能,这里将之与BP神经网络对比。与图1 和图2 对应的训练集和测试集相同,建立的BP神经网络[8]对测试集的预测结果如图3 所示。

图3 与图1 和图2 对比,不难发现,SVR回归模型的性能要明显优于BP神经网络。

5 结束语

用粒子群智能算法优化支持向量机的回归参数,可以避免按经验选取输入参数的盲目性,有效地提高了预测速度和精度。实例仿真结果表明用基于二阶粒子群优化的支持向量机回归对带缺陷压力油气管道疲劳寿命预测具有很高的精确度,远优于BP神经网络的预测结果。

摘要：针对带缺陷管道疲劳寿命的预测分析,提出了利用二阶粒子群优化的支持向量机的管道疲劳寿命预测方法。利用粒子群智能算法优化支持向量机的回归参数,可以避免按经验选取输入参数的盲目性,能有效地提高预测速度和精度。实例仿真结果表明用该方法对管道疲劳寿命预测具有很高的精确度,远优于BP神经网络的预测结果。