基于改进遗传算法的三层框架结构传感器优化布置分析

本文研究的重点是基于改进遗传算法的三层框架结构传感器优化布置,运用二重结构编码进行种群的交叉、选择及变异,在操作期间分别采用的是部分匹配交叉、最优保存策略、逆位变异。总的来说,这种基于改进遗传算法的传感器优化布置方法能够得到最优解,且传统遗传算法所存在的收敛速度慢、数据冗长等问题都可以得到很好的解决。最后通过一个三层框架结构的实例分析,利用ANSYS建立有限元计算模型,可反映出该方法在可靠性、计算效率、搜索能力方面有着明显优势。

基于多层感知机网络的手写数字识别算法

手写数字分类问题是机器学习与模式识别领域的基础问题之一,也是OCR的核心技术,具有重要的现实意义。本文针对MNIST手写数字数据集,通过C++实现了基于多层感知机网络的手写数字数据集分类算法,并采用交叉验证、小批量随机梯度下降算法、扩充训练数据集的方法优化算法,最终达到了98.042%的分类准确率。

基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究

为了高效挖掘煤矿安全监测监控系统海量数据中包含的有效信息,提高煤矿瓦斯浓度预测精度,提出一种改进的蝗虫优化算法(IGOA)优化长短时记忆神经网络(LSTM)的多参数瓦斯浓度预测模型。首先对瓦斯多参数时间序列进行相关性分析和小波去噪;其次通过重构线性缩减因子c、引入柯西-高斯混合变异和最优邻域扰动策略联合改进蝗虫优化算法,提高其全局寻优能力,以此来优化LSTM相关超参数,构建瓦斯浓度预测模型;最后,以实测数据为样本进行实验验证,将提出的模型与BP、LSTM、PSO-LSTM以及GOA-LSTM模型对比,可得到提出的模型具有更好的预测效果,平均绝对百分比误差和均方根误差两种误差评价指标分别为0.531%、2.48×10^(-3)。结果表明,提出的瓦斯浓度预测模型具有更高的预测性能。

基于改进蝗虫优化算法的光伏电池模型参数辨识

针对蝗虫优化算法容易陷入局部最优、收敛精度不足等缺点,提出一种改进蝗虫优化算法。将混沌算法与蝗虫优化算法融合,对蝗虫优化算法进行混沌初始化,改善初始种群质量;再引入差分进化算法的差分策略,通过变异、交叉和选择过程,维持种群的多样性,增大算法跳出局部最优的可能性,从而使算法能搜索到更好的解;在个体更新部分引入了粒子群算法的思想,以当前的最优个体为目标进行个体位置更新,加快算法寻优速度。将改进蝗虫优化算法用于多晶硅太阳能电池模型参数的辨识中,并通过与其它智能优化算法的比较,验证了改进蝗虫算法辨识太阳能电池参数的有效性和优越性。通过实验验证了改进蝗虫优化算法在不同光照下对太阳能电池参数的辨识效果。

基于改进遗传算法的复合材料层合板自振频率优化设计

针对复合材料层合板设计的特点，应用改进的遗传算法研究了复合材料层合板 自振频率的优化设计问题。算例分析结果表明，本文方法具有较高的计算效率。

一种改进遗传算法实现前向神经网络权值优化的方法

本文介绍了一种自适应改变交叉概率和变异概率的改进遗传算法。针对前向神经网络离线训练过程中梯度下降法存在易陷入局部极小的缺点和遗传算法能够很快接近全局最优的优点,提出了应用改进遗传算法对前向神经网络权值实现优化的方法,最后应用图形化可编程语言LabV IEW实现了改进遗传算法对前向神经网络权值的优化,证明了本方法的有效性。一、问题的提出由于含有至少一个隐含层和足够隐含层节点的前向神经网络以任意精度逼近复杂非线性函数,因此在系统辨识、控制器设计、系统建模、状态估计、优化、预测等方面有大量的应用,但目前为止前向神经网络还存在诸多问题待完善。如何确定适当的隐层节点数,以及怎样获得最优的权值并提高训练速度等成为亟待解决的问题。

基于多层感知机模型的天线方位角诊断

作为影响移动通信质量的关键因素,天线方位角的准确性将直接影响网络优化质量。提出一种基于多层感知机的天线方位角诊断方法,将方位角分为12个区间类别,每个类覆盖30°范围,即[0,30°)记为类别0,…,[330°,360°)记为类别11,利用多层感知机算法识别天线方位角的区间,自动识别天线方位角的角度范围,为网络优化(网优)工程师判断实际的网络覆盖问题提供了有效的数据支撑,在核查天线性能方面极大地减少了工作量,降低了人工成本。实验结果表明,该方法能够有效快速判别天线方位角区间类别,识别准确率达到了92.6%,高于随机森林和逻辑回归分类算法的分类准确率。

基于改进差分进化算法的层合板优化设计

针对复合材料具有可设计性以及经典差分进化算法自身的缺陷,提出一种改进的差分进化算法对复合材料层合板进行以铺层角为设计变量、蔡-吴(Tsai-Wu)强度准则为约束条件、层合板强度最大为目标函数的优化设计。考虑差分进化算法在寻优过程中个体间差异越来越小,采用随机选择突变策略和增加扰动机制的方法,增大个体间差异,避免算法陷入局部最优解。通过数值算例和工程算例验证了改进的差分进化算法具有较好的全局收敛性。

基于改进遗传算法的多业务组播系统跨层功率分配方案

结合数据链路层的队列状态信息(QSI)和物理层的信道状态信息(CSI),定义了系统的吞吐量系数和公平性系数,建立组播系统功率分配的离散速率集模型.对遗传算法的初始群体产生、选择、交叉和变异等算子进行改进,形成改进遗传算法;利用改进遗传算法进行动态功率分配和跨层优化.数值仿真结果表明:改进遗传算法能够取得几乎最优的队列时延性能;选取不同的权重对系统吞吐量性能和公平性性能产生重要影响;改进遗传算法获得的系统吞吐量系数和公平性系数在不同场景下较之功率固定分配算法至少提高0.15.

基于改进粒子群算法的分布式天线系统跨层功率分配方案

结合数据链路层的队列状态信息和物理层的信道状态信息定义了系统的吞吐量系数和公平性系数,建立了分布式天线系统跨层功率分配的离散速率集优化模型。对粒子群优化算法的初始群体产生、粒子更新等步骤进行了改进,形成了改进粒子群算法(IMPSO)。利用IMPSO进行了动态功率分配和跨层优化。数值仿真结果表明,IMPSO能够取得很好的队列时延性能,选取不同的权重可对系统吞吐量性能和公平性性能产生重要影响,IMPSO获得的系统吞吐量性能和公平性性能较之功率固定分配算法(AP)均有较大幅度的提高。

基于改进自适应遗传算法的层合板铺层设计

针对复合材料结构设计中层合板铺层角度多变、难以确定最优设计方案的问题,应用遗传算法对复合材料层合板进行以铺层角度为变量、以层合板强度最大为目标的优化设计。采用MALTAB语言编写改进的自适应遗传算法主程序,在寻优过程中,调用APDL编写应力计算程序,并将输出的计算结果返回MALTAB进行优化计算。以对称层合板为算例进行计算验证,其安全裕度提高了21.5%;通过对比传统遗传算法,证明改进的遗传算法具有快速收敛性。

改进蝗虫优化MLP神经网络及数据分类应用

为提高医疗诊断准确率,提出基于改进蝗虫优化算法的多层感知器MLP神经网络预测方法。针对传统MLP易陷入局部最优的问题,提出改进蝗虫优化算法对MLP模型优化。将蝗虫位置映射为由权值和偏差定义的MLP网络,通过蝗虫觅食位置变化,结合群智能优化算法逃离局部最优和更加均衡的搜索和开发能力,利用改进GOA算法对网络权值和偏差优化求解,以均方误差评估个体优劣,实现MLP模型迭代优化。实验结果表明,所提方法可以得到更高的分类准确率,且稳定性更好。

基于改进蝗虫优化的换热站隐式预测控制

针对传统广义预测控制在换热站系统存在计算量大和控制效果欠佳的问题,提出一种基于双差分进化反向训练蝗虫优化算法的隐式广义预测控制策略(DDOGOA-IGPC)。首先利用含有遗忘因子的递推最小二乘(FFRLS)辨识方法对换热站系统中的质调节通道进行辨识,同时引入隐式广义预测控制(IGPC)直接对控制率参数进行调节;其次将改进的蝗虫优化算法应用在广义预测控制中的控制量增量寻优,以求取最佳控制量;最后由仿真实验得出:在同等扰动情况下,该策略比GPC策略在模型适配时稳定时间减少136s,超调量降低17.2%。该策略的自适应性和鲁棒性良好,可以推广到类似工业现场的时变时滞系统控制研究中。

主动配电网多源协同三层优化调度

合理协同各类并网间歇性能源、储能装置、柔性负荷等可调资源,是实现主动配电网优化调度的有效途径。在设置各类能源调度顺序及分段开关控制方案的前提下,从环境、运行、经济三个层面,构建主动配电网多源协同三层优化调度模型,并运用一种融有蛙跳算法、遗传算法核心思想的改进人群搜索算法求解该模型。仿真结果表明多源协同优化调度可有效提升可再生能源消纳率、平稳负荷波动、降低网络损耗、提高用户体验,由此证明该优化方案的合理性及优越性。

BP网络中隐含层节点优化的研究

在BP网络中,增加隐含层可提高BP网络的处理能力,但同时也增加了隐节点的个数,导致训练时间延长。文章分析了传统BP算法的训练过程及存在的问题,针对该问题,提出一种改进算法,即合并或删除隐结点。实验证明。

含多微网的主动配电网分层优化调度

针对多微网接入配电网调度中出现的配电系统可靠性降低、明显的弃风弃光现象,提出了两层嵌套的优化调度模型.内层以配电网功率和电压波动最小为目标,约束配电网与各微网的交互功率,提高系统的安全可靠性能.外层以最小微网成本和环境惩罚费用为目标,在内层调度结果的约束下,实现多微网的经济优化调度,进一步提高可再生能源的利用率.采用改进粒子群优化(IPSO)算法求解该模型,以IEEE 14节点配电网系统为例对该模型进行验证,结果表明了所提模型提高了配电系统可靠性和可再生能源利用率.

考虑多源协同的主动配电网区域能源三层优化配置

全面提升分布式能源利用率与消纳能力,同时改善用户体验,是主动配电网区域能源优化配置工作面临的新问题。为此,围绕环境、运行、经济3个方面,按照广义电源定容选址、可控负荷签约量以及电网运行3个层次,建立了考虑多源协同的主动配电网区域能源三层优化配置模型,并综合考虑遗传算法及混合蛙跳算法的优利用率最大化缺点,将精英的遗传变异策略、蛙群的分组与混合策略引入至改进人群搜索算法,避免算法陷入局部最优,加速收敛。以IEEE33节点配电系统为例进行相关的仿真计算及结果分析,证明了该优化配置方案在提升分布式能源利用效率及用户体验的同时,有效降低主动配电网的综合成本。

基于双参数自适应优化的无人履带车辆轨迹跟踪控制

为解决定参数轨迹跟踪控制器工况适应性差的问题,基于改进粒子群优化(IPSO)、多层感知机(MLP)算法,设计一种双参数自适应优化的无人履带车辆轨迹跟踪控制算法。离线状态下,基于采集的实车数据,以轨迹跟踪的高精度、高稳定性、低时间成本为目标,利用IPSO算法构建了不同运动基元下的最优参数组合数据集,并以运动基元类型和车速等为特征向量,控制时域长度、时间步长为标签,采用学习率自适应优化算法完成MLP神经网络模型的训练。在线状态下,根据规划层下发的轨迹信息和车辆状态反馈信息,由MLP神经网络输出预测的最优控制时域长度和控制时间步长,作为双参数输入到模型预测控制算法中,完成自适应轨迹跟踪控制。基于ROS-VREP的联合仿真和基于双侧独立电驱动履带平台进行实车试验。研究结果表明,在包含大曲率转向的综合工况下,与相同计算时间成本的定参数轨迹跟踪控制算法相比,所设计的轨迹跟踪控制器横向偏差均值、航向偏差均值以及转角变化率均值分别降低了30.5%、17.2%、7.8%,证明了算法的可行性和有效性。

基于改进递归网络的智慧楼宇负荷预测方法

针对智慧楼宇负荷类型复杂且多变导致的负荷预测精度低等问题,提出了一种基于改进递归网络的智慧楼宇负荷预测方法.该方法在深度神经网络多隐层结构的基础上增设了关联层,使深度递归神经网络(DRNN)模型具有动态特性,并利用改进粒子群优化算法对模型权值空间进行优化,进而实现楼宇负荷的准确预测.基于不同类型楼宇的实验结果表明,所提方法的预测误差约在±0.3 MW的范围内波动,其均方根差与平均绝对百分比误差分别为0.27 MW和1.05%,且预测误差均小于其他对比方法.

基于IGWO-MLP的变压器健康指数预测模型

针对变压器健康指数(HI)预测,提出了基于主成分分析(PCA)特征选择的改进灰狼算法(IGWO)优化多层感知机(MLP)预测模型。以Kaggle公开数据集为例,通过PCA将15维输入特征降为相关性更高的10维特征,使用IGWO优化MLP得到最优参数,将参数输入MLP模型得到变压器健康指数并对其进行评估。实验结果显示,IGWO-MLP相较于GWO-MLP、IGWO-SVR、PSO-MLP和MLP模型,其预测精度更高,更能有效地预测变压器健康指数。