基于自适应ASO算法的微电网优化调度

为了提高微电网的运营经济性和能源利用效率,提出了一种基于自适应原子搜索优化算法(Adaptive Atomic Search Optimization Algorithm,AASO)的微电网优化调度策略。在原子搜索优化算法(ASO)的基础上引入自适应思想,提高算法的收敛速度和精度,加强全局寻优能力。搭建一个包括光伏、风力等多种分布式发电设备的微电网数学模型,以微电网的经济环保性作为优化目标,并在孤岛和并网运行模式下进行算例寻优求解。结果表明,该算法在微电网优化调度上的寻优能力和收敛速度,均强于粒子群优化(PSO)算法,有效提高了微电网运行的经济环保性。

融合振幅随机补偿与步长演变机制的改进原子搜索优化算法

针对原子优化算法寻优精度弱且易陷入局部极值的问题,本文从种群多样性、参数适应性和位置动态性角度提出一种融合混沌优化、振幅随机补偿和步长演变机制改进的原子搜索优化算法(improved atom search optimization,IASO),并将其成功应用于分类任务。首先,引入帐篷映射(Tent混沌)增强原子种群在搜索空间中的分布均匀性;其次,通过构建振幅函数对算法参数进行随机扰动并加入步长演变因子更新原子位置,以增强算法全局性和收敛性;最后,再将改进算法应用于误差反馈神经网络(BP神经网络)参数优化。通过与6种元启发式算法在20个基准测试函数下的数值实验对比表明:IASO不仅在求解多维基准函数上具有好的寻优性能,且在对BP神经网络参数进行优化时相较于2种对比算法具有更高的分类精度。

经IIWO优化的原子分解算法辨识次同步振荡模态

由于传统的线性化方法存在难以有效辨识次同步振荡模态参数的问题,该文提出一种基于改进入侵杂草优化IIWO(improved invasive weed optimization)的阻尼正弦原子分解算法。该方法首先构造过完备阻尼正弦原子库,引入混沌序列初始化的多种群策略、预筛选机制、以及随机变异的扩散机制对入侵杂草优化IWO(inva-sive weed optimization)算法进行改进,利用改进得到的IIWO算法对传统的匹配追踪算法MP(matching pursuit)进行优化,以降低其搜索的时间复杂度。依据优化后的MP算法对信号进行阻尼正弦原子分解,搜索到最佳阻尼正弦原子后将其转换为次同步振荡模态参数,并与Prony的辨识结果进行了对比。仿真算例结果表明,经IIWO优化的阻尼正弦原子分解算法辨识精度较高,且具有良好的时频特性。

原子干涉磁力仪信号鉴频优化算法设计

原子干涉磁力仪是通过确定CPT鉴频信号曲线峰值所对应的频率值来计算磁场强度值的.信号峰值定位锁定算法的搜索速度、准确度和稳定性直接影响磁力仪的分辨率和响应速度.常见的斜率算法只适用于小步长的搜索,定位速度慢,锁定状态的稳定性差.针对此问题,通过建立磁力仪鉴频信号曲线数学模型,设计了PI跟踪控制算法和快速锁定算法两种优化算法,并经仿真实验对比了性能.研究结果表明:3种算法中快速锁定算法不仅受初始搜索步长的影响小,而且峰值定位速度最快,稳定性好,对于原子干涉磁力仪系统的性能提高有很大的应用价值.

黄金正弦混合原子优化算法

原子优化算法是一种基于分子动力学模型的新型智能算法,针对基本原子优化算法收敛速度慢以及易陷入局部最优的局限性,本文将黄金正弦作为局部优化算子嵌入到基本算法中,提出了黄金正弦原子优化算法.原子个体通过黄金正弦操作可以与最优个体进行充分的信息交流,有效改善基本算法的寻优方式,提高算法的收敛速度和寻优精度.通过实验表明,改进后的原子优化算法具有更好的寻优性能.

基于改进粒子群优化算法的氩原子团簇结构优化

采用改进粒子群优化算法(IPSO)结合Lennard-Jones势对氩原子团簇结构进行优化,得到了氩原子团簇的稳态结构能量.以氩原子团簇Ar_n(n=2～14)为例,验证了该方法的有效性.结果表明,应用本文提出的方法可得到对称性良好的团簇结构.与基本粒子群优化算法(BPSO)及遗传算法(GA)相比,改进粒子群优化算法具有更好的收敛特性,能较快地得到氩原子团簇结构的最优解.

基于原子搜索的自压滴灌系统优化方法与应用研究

本研究基于原子搜索优化算法,建立数学模型,计算单位面积工程建设的综合成本,对自压滴灌系统进行优化,得出以下结论:当田间长宽比为1.2时,自压滴灌系统工程的单位成本最低,说明当该项目的地块形状为正方形时,为最优的自压滴灌系统工程建设方案。滴灌带间距与单位面积成本呈负相关关系,随着滴灌带间距的增大,单位面积的成本逐渐减小,当滴灌带间距为0.60~0.75 m时,单位面积的成本变化量较大。灌水器的设计流量与单位面积成本呈正相关关系,当灌水器设计流量最大时,其对应的单位面积成本最大。灌水器间距与单位面积成线性负关系,随着灌水器间距的增大,其单位面积成本的增量较为稳定。

一种新的阻尼正弦原子分解算法辨识SSO模态参数

针对大多数线性化方法难以实现对次同步振荡(subsynchronous oscillation,SSO)模态参数的有效辨识,提出了基于改进入侵杂草优化(invasive weed optimization,IWO)算法优化的阻尼正弦原子分解算法。该方法根据次同步振荡信号特点构造过完备阻尼正弦原子库,引入混沌序列、选择机制、小生境分类策略以及矢量跟踪思想对IWO算法进行改进,利用改进后的IWO算法对传统的匹配追踪算法(matching pursuit,MP)进行优化,通过原子分解得到最佳阻尼正弦原子,将最佳阻尼正弦原子转换为次同步振荡信号的模态参数,即可实现对次同步振荡模态参数的有效辨识。算例结果表明,该算法具有良好的时频特性,辨识精度高,适用于扰动源定位、故障诊断等领域。

遗传算法研究原子团簇

遗传算法作为一种结构优化方法应用于研究原子团簇的结构和性质 ,具有高效和全局搜索等特点。本文扼要介绍遗传算法基本特征、优化程序和方法。重点讨论我们近年来在应用遗传算法研究碳 60分子聚集超团簇的幻数 ,金团簇有序和无序结构 ,双金属团簇的偏析效应以及过渡金属团簇电磁性质的结构关联等方面所取得的一些结果 ,说明遗传算法与传统优化方法相比确具一定优势 ,以及需要解决的问题。

用演化算法优化变分参数

强外场中类He体系基态能的计算是非常复杂和困难的 ,利用MCI方法将体系的状态波函数用later基展开 ,用演化算法优化波函数中的变分参数 ,再求解相应的定态Schr dinger方程 ,获得了类He体系基态能高精度的结果 ,该工作表明由于使用了演化算法获得了最优参数 ,从而正确地确定了一组基 。

用演化算法研究二电子原子(离子)的外场特性

将求磁场中原子的基态能问题转化成了一个函数优化问题，同时考虑到演化算法在非线性函数优化方面的优越性，将它们结合起来进行了有益的尝试．结果表明演化算法与其他的优化算法相比，能更加有效地用于基态能量的计算，并能在物理学的其他领域得到成功的应用．

基于ASO-BP神经网络的屈服强度预测技术研究

针对传统屈服强度预测模型通用性较差的问题,提出一种采用原子搜索优化算法优化BP神经网络,建立多类型合金屈服强度预测模型的方法。以Kaggle公开数据为研究对象,对89种钢合金建立ASO-BP神经网络屈服强度预测模型,同时与PSO-BP,GA-BP,BP神经网络模型对比。结果表明:ASO-BP预测模型平均绝对百分比误差(MAPE)为6.98%,相关系数达到0.98716,效果优于其他对比模型。验证了预测多种类型合金屈服强度的合理性和可靠性,为工程实际应用和合金屈服强度检测提供较好的辅助判断。

基于LCASO-BPNN模型的单质硫溶解度预测

使用智能算法对硫溶解度进行预测是分析解决硫沉积问题的重要路径之一。为提高算法精度,提出一种采用基于混沌理论与Logistic映射改进的原子搜索优化算法对BP神经网络的权值和阈值进行优化的LCASO-BPNN预测模型,考虑温度、压力及CH_(4)、H_(2)S、CO_(2)摩尔分数5个影响硫溶解度的因素,选用224组实验数据对模型进行训练与预测,使用EAARD(平均绝对相对偏差)、ERMSE(均方根误差)、ESD(标准偏差)和测定系数R^(2)这4个评估参数对模型进行评估。模拟结果表明:提出的LCASO-BPNN预测模型的EAARD为4.60%,ERMSE为0.0367,ESD为0.0689,R^(2)为0.9978。较之前的研究,LCASO-BPNN模型具有预测精度高、误差小、模型简便的优势,可应用于实际工程。

一种改进的原子搜索算法

原子搜索算法(atom search algorithm,ASO)是模仿自然界中原子运动而提出的一种新型优化算法,针对ASO在求解复杂函数时存在易早熟及收敛速度慢的问题,提出了一种改进ASO算法(improved atomic search algorithm,IASO)。IASO加入了原子个体历史最优解产生的约束力来修正ASO的加速度,增强全局搜索能力。自适应更新2个乘数系数来协调算法的全局搜索和局部开发能力。适时采用高斯变异策略来重新更新原子位置,提高跳出早熟的能力。对14个基准函数进行仿真实验,对比其他算法,IASO在收敛速度、收敛精度方面表现出优越的性能。

一种用于原子核双卡防伪技术的快速定位算法

一般情况下,模式识别的计算量相当庞大。从工程的角度来看,在有限的计算资源下完成相应的任务是非常重要的。所以,许多问题都归结到算法的优化上。在原子核双卡防伪技术的开发中,笔者研究了一种基于图像几何特征的模式识别方法,将匹配范围缩小到一些可能的点作为搜索空间,极大地缩小了搜索范围,从而减小了计算量。

基于机器学习及智能算法的Au_(20)原子团簇最稳态结构的研究

团簇是一种介于原子、分子与宏观固体之间的物质结构层次,其性质在很多领域都有深远影响。以Au_(20)原子团簇为代表,基于机器学习算法建立团簇能量的预测模型,构建原子团簇结构和能量的映射关系,拟合程度R2接近0.81。结合智能算法,对Au_(20)的原子团簇最稳态结构进行搜索,最终得到Au_(20)的最稳态结构为金字塔型,属于对称型结构,具有较好的稳定性。

自适应免疫优化算法研究大尺寸Cu-Au合金团簇稳定结构

合金团簇所具备的催化和光学等方面特性与团簇的尺寸、元素组成和元素序列密切关联,因而确定其稳定结构是研究纳米团簇合金性质的首要任务.本文利用基于内核构建的自适应免疫优化算法研究了完整元素组成的CunAum(n+m=61及79)二元合金团簇的稳定结构.应用多体Gupta势函数描述Cu-Au团簇原子间的相互作用.研究结果表明:对于CunAum(n+m=61)团簇,除了当n=12-15时为由三个双二十面体面面相连组成的环状结构外,其余均为二十面体结构.原子总数为79的Cu-Au合金团簇包括堆积缺陷的面心立方结构、双面心立方结构、二十面体、十面体和由四个双二十面体面面相连组成的环状结构.且当Au原子比例高和低时其主要构型分别为二十面体和十面体.此外,还分析了Cu-Au合金团簇结构势能量的分布情况及团簇的相对稳定性.原子分布规律显示Cu原子趋于占据内层,而Au原子趋向于分布在外层.

基于优化BP神经网络ESA CCI土壤水分重建方法研究

为了获取空间连续的土壤水分遥感产品,提高微波遥感土壤水分产品精度,以青藏高原那曲地区为研究区域,欧洲航天局气候变化倡议(European Space Agency Climate Change Initiative,ESA CCI)土壤水分产品为基础,利用地表温度(LST)、归一化植被指数(NDVI)、反照率(Albedo)和数字高程(DEM)等数据作为辅助数据构建Back Propagation(BP)神经网络反演土壤水分模型,采用原子搜索优化(Atom Search Optimization,ASO)算法对传统BP神经网络进行优化,建立ASO-BP土壤水分重建模型。研究结果与地面实测数据相比,ASO-BP重建的土壤水分整体相关系数R值(0.80),高于传统BP神经网络模型重建土壤水分的R值(0.72),且RMSE值0.029 cm^(3)·cm^(-3)低于传统BP神经网络模型重建土壤水分的RMSE值0.034 cm^(3)·cm^(-3),结果精度均得到提高。在低植被覆盖度区域,精度提高更为明显,表现出更好的适用性。

基于ASO-BP神经网络的生物量反演模型研究

本文选择六盘山森林区为论文研究区域,光学数据选择Landsat 8 OLI,微波雷达数据选择具有L波段的ALOS-2 PALSAR-2,并结合森林资源清查数据作为六盘山森林AGB的反演模型研究数据源,对选择的两种数据源的相关特征变量进行提取、分析、筛选,基于经典及改进算法构建六盘山森林AGB反演模型。利用原子优化算法(ASO)优化BP神经网络模型构建新的森林地上生物量反演模型——基于原子优化算法改进的BP神经网络(ASO-BP)森林AGB反演模型,通过对两种生物量反演模型精度的对比与评价,最终选择精度最高的ASO-BP反演模型比较适用于六盘山森林地上生物量反演,完成六盘山森林地上生物量的估算和分析。

基于贝叶斯优化的磁光阱多参数自主优化系统

磁光阱是一种冷却陷俘原子的装置,磁光阱实验参数的优化是冷原子实验中基础且重要的工作,人工手动优化参数需耗费大量时间,且很难确保最终参数是全局最优的。基于贝叶斯优化的机器学习方法是一种对目标表达式未知、非凸、多峰的量子物理系统进行参数优化的有效方案,该过程通常远快于人工手动调节,且有更大概率找到全局最优值。提出了一种基于贝叶斯优化方法的冷原子多参数自主实时优化实验方案,该方案通过成本函数构造、控制程序编写、贝叶斯算法优化等形成一个可自主优化的闭环系统。实验结果表明,经过约30 min的迭代优化,所提方案可有效完成磁光阱系统的多参数优化,并得到最优的实验结果;所提方案验证了贝叶斯优化方法在多参数物理系统中应用的可行性,通过改进成本函数,还可应用于其他的复杂多参数实验物理系统最优参数快速确定。