基于改进变步长爬山法的潮流能发电MPPT算法

针对传统变步长爬山法在潮流能发电系统中对潮流流速突变和随机性波动的适应能力较差,易出现扰动方向判断错误和速度追踪过快的问题,在变步长爬山法的基础上提出一种改进变步长最大功率追踪(MPPT)算法。该方法能够准确判断多种最大功率跟踪的情况并采用两次采样点下的功率和转速的变化程度确定下一时刻步长的大小,自动根据获能系数大小进行分阶段调节,实现对潮流流速突变情况的应对,从而实现最大功率的跟踪。在MATLAB/Simulink环境下搭建基于PID控制与自抗扰控制的仿真系统进行仿真试验,结果表明,改进的变步长爬山法不仅能够实现最大功率的跟踪,而且对潮流流速的随机性波动和突变情况的适应能力更强,具有良好的稳态特性。

变步长爬山法在双馈风力发电系统最大风能跟踪控制中的应用

变步长爬山法能不依赖风速检测或风机功率—转速特性曲线而实现风力发电系统的最大风能跟踪,具有良好的应用前景。首先根据风机运行特性给出了直流机模拟风机方案,详细论述了变步长爬山法的原理及在双馈风力发电系统中的实现方法。然后将该方法应用于基于定子电压定向的双馈发电机矢量控制策略中,搭建了带直流机模拟风机的双馈风力发电系统实验平台。实验结果验证了在风速变化的情况下系统能自动搜索达到对应风速的最佳转速,实现风机最大风能捕获,并具有对快变风速的响应能力,验证了控制方案的正确性和可行性。

互信息与爬山法相结合的贝叶斯网络结构学习

针对爬山法容易陷入局部最优,而随机重复爬山法时间开销过大的问题,将互信息与爬山法相结合,提出了MI&HC贝叶斯网络结构学习算法。首先利用互信息构建初始网络结构,再从该网络结构开始利用爬山法进行贝叶斯网络结构学习。仿真结果表明:MI&HC算法,对小型稀疏网络结构的学习效果非常好,对较大型的网络结构的学习也能得到令人满意的结果;该算法不需要节点顺序这一先验信息,却能获得与K2算法相当的学习效果。

一种改进的爬山法优化求解冗余机械手运动学逆解

本文提出了一种带符号的特殊进制来描述一个十进制数值 ,确定了该特殊进制的使用规律 ,从而推导出该特殊进制完整的描述公式 .在此基础上 ,对人工智能领域的一种启发式搜索算法——“爬山法”作了一定的改进 ,采用变步长技术 ,以带符号的特殊进制方法为理论基础来确定每一次优化搜索的步长 ,从而求解具有多冗余度的机械手运动学逆解 .此优化算法可在无穷多组可能解中通过有限的搜索次数迅速找到一个符合条件的可能解 ,同时不需要计算反三角函数和矩阵求逆 ,推导和计算结果证明该算法简单、运算量少、收敛速度快 ,稳定性好。

采用蚁群爬山法进行聚类分析的算法

介绍了一种基于密度和网格的聚类分析算法--蚁群爬山法(ACH)，这种算法能自动获得簇数k的值和任意形状的簇的划分，并具有较好的并行性。通过对网格大小的控制可获得不同层次的聚类结果。

模糊控制的爬山法在风电系统中的应用研究

为了克服传统爬山法在实现最大风能捕获中存在的振荡等问题,更合理地提高风能利用系数,提出一种基于模糊控制的爬山法。通过对风力机特性进行分析,在传统爬山法思想的基础上设计了模糊控制器,并给出了模糊控制规则,采用模糊逻辑控制的思想来实现最大风能捕获,提高风能利用率。根据风力机特性建立风力机模型,并对15 kW的风电机组分别进行了基于模糊控制的爬山法与传统爬山法的Matlab仿真,对比了两种方法在实现最大风能捕获时的差别。仿真结果表明,基于模糊控制的爬山法能够克服在实现最大风能捕获中存在的振荡等问题,使风能利用系数保持在最大值附近,满足最大风能捕获的要求,进而验证了该方法的可行性与正确性,具有一定的工程实际意义。

直接占空比扰动的新型光伏自适应爬山法

为了改进光伏发电最大功率点跟踪的控制性能,通过光伏阵列建模和全桥变换器稳态建模,对直接占空比扰动控制模式进行了原理分析,建立了光伏功率、电压和占空比之间的定量函数关系,给出了直接占空比扰动控制的控制机理,并以此为依据,提出了一种新型变步长自适应爬山法控制策略。采用PSIM仿真平台对基于直接占空比扰动的自适应爬山法的光伏发电系统进行了仿真,对比仿真实验结果验证了新型自适应爬山法的有效性和优越性。

基于粒子群优化和爬山法的MPPT算法

针对光伏发电系统在部分遮蔽情况下所具有的高度非线性、时变不确定性和多个局部功率峰值的特点,提出一种基于粒子群优化和爬山法的MPPT算法,粒子群优化用来快速定位近似最大功率点,爬山法可根据实际状况精确化最大功率点,克服太阳电池工程用数学模型与实际输出偏差或微小扰动而导致的功率损失。建立Matlab仿真模型,仿真结果表明在系统被部分遮蔽的情况下该方法具有迅速精确的跟踪能力。

随机技术在瞎子爬山法中的应用与实现

介绍了启发式搜索方法瞎子爬山算法及其缺陷，着重论述了随机技术与瞎子爬山算法的结合，对于目前的搜索策略，这是一种很大的改进。

基于有序爬山法的前向启发式搜索规划

根据快速前向启发式搜索规划器FF中放宽规划图和有利动作之间的关系,定义了状态适用度函数的概念,可对后继扩展状态的启发式估值进行快速近似的比较。在此基础上,结合增强型爬山法搜索后继状态的贪婪选择机制,提出了一种改进的局部搜索算法——有序爬山法,即根据状态适应度函数对所有待扩展的后继状态进行排序,并加入到扩展优先队列。在启发式估值阶段,适应度高的状态将被优先计算评估,有利于更快地发现较优状态,从而减少调用启发式估值程序的次数。通过在国际规划大赛基准测试领域的实验结果表明,该方法减少了搜索节点的数目和搜索时间,有效地提高了启发式搜索效率,而计算状态适应度及对状态进行排序的时间消耗几乎可以忽略,因此整体规划性能比FF有显著的提升。

基于爬山法的快速图像匹配

针对高速系统的应用需求,分析一种基于爬山法的快速图像匹配算法。文章首先通过分析NNPROD算法的相关度量曲面,设计了多个爬山者按照优先级依次爬山的启发式搜索算法,该算法能够保证全局最优。然后分析了进一步提高算法快速性的三种改进方案:爬山步长的自适应调整、通过图像样本集来计算相关度、爬山与分层相结合的搜索策略。实验结果表明,爬山搜索算法性能优越。目前,该法已在实际系统中得到应用。

叠后地震道反演的随机爬山法

本文在Huang等人（1995）提出的随机爬山法（SHC）基础上，使用Ingber（1993）给出的依赖于温度的似Cauchy分布产生的新模型，构造一种叠后地震道及演的新随机爬山法。此法的基本思路是将目标函数定义为归一化的相似系数E，通过SHC法反演得到一个波阻抗模型使E达到极大值。此法在每次迭代构造新模型时，既能在高温时进行稀疏点搜索，又能在低温时于当前模型进行搜索，从而加快了迭代和收敛速度。文中通过对实际声波测井曲线进行SHC反演，采用有、无噪声两种情况，经过44次迭代，相似系数E达到0．99，不论有、无噪声，反演结果均与实际曲线非常接近。该法不仅可以反演出高分辨率的波阻抗剖面，而且可以用于反演孔隙率参数。

启发式搜索策略(爬山法)的改进与实现

介绍一种启发式搜索策略——爬山法的原理；讨论了爬山法的不足，提出一种改进的方法：将其不可撤回的搜索方式改为可以回溯的方式，从而使爬山法也可应用于复杂问题的求解．最后阐述如何用Ｃ语言实现改进的爬山法．

组合爬山法与变论域模糊控制的MPPT算法

光伏发电系统的输出功率随外界环境的改变而变化,若控制光伏列阵始终在最大功率点处工作,将能提高光伏发电效率。在传统单一的MPPT算法中,无法同时满足系统的动态性和稳态性,为此拟提出一种将爬山法与变论域模糊控制组合算法,并通过Simulink仿真分析,分别对比研究了爬山法、模糊控制法、变论域模糊控制以及组合算法跟踪光伏列阵最大功率点的输出特性。仿真结果表明:组合控制算法能快速、稳定地追踪最大功率点。

基于爬山法和二分法的路网容量压力测试研究

首先总结归纳了国内外路网容量的常用研究方法,在综合分析城市路网特征和交通运行特征之后,首次提出运用压力测试方法进行路网容量的研究,并在此创新性采用了爬山法与二分法相结合的加载方法,得到了良好的实用效果。运用此设计理念与方法,将其应用到北京市怀柔区城区路网的实际情况中,得出了预测的路网容量值,符合实际路网条件,且验证了这种方法的有效性,从而为路网质量评价、路网规划、路网改建以及交通的管理与控制提供科学的理论支持。

基于改进爬山法的带电粒子圆径迹重建

基于改进爬山法提出了一种带电粒子圆径迹重建算法,该算法可方便应用于时间投影室中带电粒子的径迹重建。算法首先通过空间映射将圆径迹寻迹问题转换为参数空间上的聚类问题,然后使用改进爬山法寻找参数聚类中心,该中心在参数空间中的位置即为圆径迹参数拟合值。在充分考虑探测器的探测效率、位置分辨率和噪声水平的基础上,使用蒙特卡罗方法产生模拟径迹,研究了该算法在不同情况下对模拟径迹参数的拟合精度。结果显示,该算法在不同噪声水平下均能获得到较高的径迹参数拟合精度,具有良好的鲁棒性和抗噪声干扰能力。此外,本文还介绍了该算法在多条径迹重建中的应用。

基于随机重复爬山法的交通状态预测

合理构造影响交通状态网络结构,是实现交通状态预测的前提条件.为克服爬山法易陷入局部最优的缺陷,提出一种基于随机重复爬山法的交通状态预测方法.对随机生成的有向无环图迭代运行爬山法得到多网络结构;通过有向边置信度的定义和置信度阈值的计算,确定了最优贝叶斯网络结构中节点和有向边选取准则;利用最优贝叶斯网络结构,实现了畅通、平稳、拥挤和阻塞等4种交通状态的预测并综合评价.分析结果表明,该方法仅选取时段、节假日等两变量时,对交通状态预测总体准确率超过85%,能够为高速公路运行状态监测预警和决策分析提供有效方法和数据支撑.

遗传算法的爬山法改进

针对遗传算法在处理多峰优化问题时容易发生早熟现象的问题,采用了动态调整交叉概率值和变异概率值的方法,引入爬山法在迭代过程中进行局部寻优,仿真实验对比分析了标准遗传算法和改进遗传算法的性能.研究结果表明:改进后遗传算法的收敛速度较快,得到结果误差值比较小.研究结论证明在相应的进化阶段采用合理的概率值,利用爬山法对遗传算法局部寻优,可以避免早熟现象,提高遗传算法收敛速度和精度.

基于3D直方图与爬山法的K-means车灯零件检测算法

由于传统K-means聚类算法存在对初始值敏感和易陷入局部最优的缺陷,为了提高复杂性高的车灯零件分类的准确率,提出一种基于3D直方图与爬山法相结合的改进K-means的车灯零件检测算法。首先根据彩色车灯零件在颜色空间分布进行局部等间隔量化,得到自适应调节分辨率的3D颜色直方图。然后采用爬山法寻找局部等距量化的3D颜色直方图的极大值,根据极大值的特征动态地确定初始聚类数k和聚类中心。最后利用实际的车灯零件图像进行验证性实验。实验表明,该算法能准确检测出复杂性高的车灯零件,具有较好的稳定性和适用性。

基于风速预测的改进爬山法最大功率追踪策略

针对变速变桨风速发电机组如何在低风速时最大限度地捕获风能,提出了一种基于风速预测的改进爬山法最大功率追踪策略。首先搭建由模糊粗糙集(FRS)和神经网络预测(LSTM)两部分组成的预测模型,利用模糊粗糙集对噪声的敏感性,对风机多传感器采集的自然特性时间序列参数进行分析,通过属性约简,将输入信息的空间维数简化,确定神经网络的输入参数,作为后者LSTM神经网络预测模型部分的输入。利用LSTM在时间深度上有效避免梯度传播消失的特性,通过训练学习,抽取逼近隐含的输入输出的非线性关系,捕获时间序列风速上各个信息的关联度和时间延展度,得到风速的提前一步预测。然后依靠预测的风速信息,从搜索方向确定,搜索区间优化,避免最大功率点附近频繁波动3个方面改进了传统爬山法,避免传统方法的不足。通过GH bladed软件实验仿真表明:提出的最大功率追踪控制策略能够有效避免了风速变化情况下错误的搜索方向,提高追踪速度,明显减少风机在MPP点处的振荡,有效提高了风能捕获效率。