智能优化算法的模块化测试与仿真

生活及工程应用中许多问题可归结为目标之间相互矛盾的多目标优化问题,其应用需求强烈、理论创新性强、模型建立难、求解方法复杂。提出了智能优化算法的模块化测试与仿真方法,以多目标粒子群算法为例,通过对算法本身参数配置,以及多测试函数、多算法综合对比测试,可得出算法求解的帕累托前沿以及解集的收敛性与分布性指标,进而可评判该算法对于求解同类优化问题时的性能优劣。将上述方法应用到煤矿井下掘进截割路径规划中,得出了高效能、强安全的掘进截割最优路径。智能优化算法可用于“人工智能”相关课程课堂教学中,分析求解多目标优化问题,也可用于实验教学演示、创新实验项目,有助于提高学生的科研素养与实践能力。

群体智能优化算法的区域景观规划方法

由于应用传统方法无法因地制宜地进行区域景观规划设计,导致规划后的区域景观适应度较低,因此提出基于群体智能优化算法的区域景观规划方法。采用倾斜摄影测量技术,构建区域景观三维场景,在此基础上,利用群体智能优化算法划分景观建设区域,最后从道路、建筑、水体、绿化设施等方面,得出区域景观的规划结果。将设计的规划方法应用到实际中可以发现,应用所提方法可进行区域景观优化设计,且规划后适宜度综合评分为90.47,优于对比方法,具有更好的规划效果。

群体智能优化算法在医疗领域的应用

为应对传统算法所存在的一些限制,智能优化算法应运而生,其中群体智能算法成为研究焦点。本研究以灰狼优化算法、蚁狮优化算法、麻雀优化算法、蜻蜓优化算法、鲸鱼优化算法、蚱蜢优化算法为研究对象,从数学模型、改进策略和医疗领域应用方面进行综述。通过横向及纵向的文献对比发现改进后的优化算法在医疗领域中的应用最为广泛,这些优化算法在医疗领域中的优势有利于其后续应用。

基于智能优化算法及其优化BP神经网络的室内定位

为研究智能优化算法在室内到达时间差(time difference of arrival,TDOA)定位方面的应用效果。首先,分别使用白鲨优化算法(white shark optimizer,WSO)、变色龙优化算法(chameleon swarm algorithm,CSA)、蛇优化算法(snake optimizer,SO)、鲸鱼优化算法(whale optimization algorithm,WOA)、灰狼优化算法(grey wolf optimizer,GWO)、麻雀优化算法(sparrow search algorithm,SSA)这6种智能优化算法进行室内的二维TDOA定位,对比分析上述算法在室内定位领域的表现,并和传统的Taylor算法的定位误差进行对比;接下来,使用SOA算法对BP神经网络进行优化,使用优化后的SOA-BP进行定位,与基础的BP神经网络的定位误差进行对比。结果表明:所使用的6种智能优化算法在室内定位领域有着不错的表现,各智能优化算法的效果相似,平均定位误差为0.44 m,相较于传统的Taylor算法提升约9.2%;SOA-BP的定位误差相较于基础的BP神经网络降低超过30%。

群集智能优化算法的典型改进方法综述

元启发式群集智能优化算法通过模拟自然现象或生物行为来寻找问题的最优解,是一类成功且具有竞争力的全局优化方法。本文概述了近几年典型的元启发式群集智能优化算法及其设计原理;详细介绍了其中4类典型改进方法:种群初始化、增添新策略、迭代公式调整、算法混合;对元启发式群集智能优化算法未来的改进和发展进行了展望。

基于智能优化算法的PCB板电子元件条件热布局优化及仿真分析

针对PCB板电子元件的热布局优化问题提出一种基于智能优化算法的方法,对PCB板电子元件的热特性进行分析及建模,对其条件热布局的目标函数和约束条件进行限制,将智能优化算法引入热布局优化过程中,求得最优的元件布局方案,采用蚁群算法,通过对比实验验证方法的有效性,此结果对提高PCB板电子元件的热性能具有重要的理论和实际意义,可为同类问题的研究提供参考。

基于智能优化算法的配电自动化系统运维管理分析

阐述基于智能优化算法的配电自动化系统运维管理系统设计,探讨该系统运维管理策略,包括基于改进遗传算法、基于改进人工蜂群算法、基于改进布谷鸟算法的配电自动化系统运维策略。

群智能优化算法最新进展

群智能优化算法是一种模拟自然界中生物群体行为特征的优化算法,具有全局搜索能力强、适应性强、并行性强和易于实现的优点。群智能优化算法属于生物启发式算法,在解决复杂优化问题时,面临收敛速度、参数敏感性和鲁棒性的挑战。近年来,在群智能优化算法领域,研究者已经提出了一系列新型的群智能优化算法。综述了最新提出的六种群智能优化算法及其变体模型和应用,并在CEC2020测试函数上进行实验。全面评估了这六种群智能优化算法的收敛精度和稳定性,并简要阐述了群智能优化算法的未来发展趋势。

基于群智能优化算法的船舶最优运输路线规划

为规避海洋运输环境中潜在的静态障碍风险区域,并进行平滑、动态避障,降低船舶碰撞风险,研究基于群智能优化算法的船舶最优运输路线规划方法。利用正六边形网格划分方法构建船舶运输所处海洋环境模型;建立基于群智能优化算法的运输航线规划模型,在构建的正六边形网格海洋环境中,动态规划运输避障路径,规划目标为避障过程航行距离与复航路径长度最小化,使用蜘蛛猴算法,求解满足目标函数以及约束条件的本船航行至动态避障转向点的时间、动态避障航向变动量、动态避障转向行为至复航的时间、复航时航向变动量4个规划变量,作为船舶最优运输路线规划方案,实现船舶最优运输路线规划。经测试,所研究方法在存在静态障碍、动态障碍的海况中,规划运输路线后,船舶未出现碰撞风险,且路线平滑。

医疗保障任务风险评估:一项结合判断矩阵与群智能优化算法的研究

目的提出一种快速智能优化算法,使在通过层次分析法(AHP)对医疗保障分队任务进行风险评估时存在的判断矩阵不满足一致性的问题得到解决,同时最大程度保留专家原始信息。方法在原判断矩阵的基础上,充分结合各指标间两两重要性程度,通过特征向量法构造一个各指标之间重要性程度完全合理的矩阵作为过渡矩阵。进而以一定比例系数将两个矩阵结合,使结合成的新矩阵既满足指标间重要程度比较的合理性,又能最大程度保留原矩阵的信息。为了找到最优的比例系数,结合群智能优化算法,设置优化目标为新矩阵与原始矩阵的相似度,约束条件为矩阵满足一致性检验。最终找到最优的比例系数,并将在此系数下形成的新矩阵作为优化后的矩阵。结果该算法可以优化AHP在医疗保障任务风险评估应用中判断矩阵的一致性,有效解决原始矩阵不满足一致性检验的问题,并最大程度保留专家的原始意图。结论本算法实现了智能优化判断矩阵的一致性,使AHP在医疗保障任务风险评估、医疗安全风险评估等复杂系统的应用中更具科学性与合理性。

智能优化算法在学习成绩预测中的应用

随着在线学习平台的普及,基于学生在线学习行为的成绩预测为教育教学提供了更有效的支持和指导,在教育领域备受关注。本文对智能优化算法在学习成绩预测中的应用进行了介绍,详细阐述了粒子群算法(PSO)、遗传算法(GA)、模拟退火算法(SA)等几种主要智能优化算法的原理,并结合其在学习成绩预测的应用介绍了其取得的成果,总结了结合智能优化算法的成绩预测研究。

基于智能优化算法的电力工程调度优化研究

本研究旨在基于智能优化算法对电力工程调度进行优化研究。电力工程调度是保障电力系统稳定运行的重要环节,然而由于电力系统的复杂性和不确定性,传统的调度方法存在一定的局限性。针对这一问题,本文采用智能优化算法,如遗传算法、粒子群算法和蚁群算法等,对电力工程调度问题进行优化求解。通过对调度问题的建模和算法设计,提出了一种高效的调度优化方法。试验结果表明,所提方法能够有效提高电力工程调度的效果,降低能源消耗,优化电力系统的运行性能。

智能优化算法在船舶电力系统中的应用与展望

鉴于信息技术的迅猛演进,智能优化算法的研究焦点,现正集中于在船舶电力系统中实现更高性能和更稳定性的应用。船安全性和经济性的提升在很大程度上依赖于船舶电力系统的性能与可靠性,这一系统构成了船舶的核心部分。本文综合阐述了智能优化算法在船舶电力系统中的应用现状和研究发展,同时预见了其潜在的发展趋势与应用潜力。研究对象涵盖船舶电力系统之构建与管控,智能优化算法的核心原理及其类别,以及这些算法在船舶电力系统内的实践应用。并对智能优化算法在船电系统中的应用进行了分析阐述,涵盖遗传算法、模拟退火算法、粒子群算法、蚁群算法及强化学习等策略,评估了各类方法的效能、局限性和适用情境,并对后续研究趋势予以前瞻。

基于智能优化算法的牵引变电所接地网腐蚀诊断

牵引变电所接地网为所内电气设备提供可靠接地。气候、温度等外界因素可能会导致接地导体出现严重腐蚀,对人身安全与设备运行造成威胁。针对上述问题,以电网络理论为基础,推导了接地网的腐蚀诊断方程组,采用MATLAB/Simulink软件建立仿真模型,利用仿真模型与实际模型互相验证。然后,采用L-M算法和粒子群算法结合的智能优化算法进行多次迭代计算,得到腐蚀支路位置和腐蚀倍数。最后,针对61支路接地网案例,分别进行单支路和三支路腐蚀诊断,设置腐蚀支路,电阻增大为标称值的2倍,根据上述算法得到腐蚀诊断结果,诊断结果与模型设置相符,验证了所推荐算法的有效性,为牵引供电系统的安全运维提供了一定参考。

基于群智能优化算法的土壤水动力参数反演

土壤水动力参数是模拟田间土壤物质传输过程的基本参数,准确确定土壤水动力参数对实现农田生境精准调控具有重要意义。基于一维垂直入渗试验数据,采用代数方法和数值方法,构造3个不同的目标函数,并分析鲸鱼优化算法和灰狼优化算法反演Brooks-Corey-Mualem模型参数的适用性。结果表明:通过选择合适的目标函数,两种群智能优化算法均可用于反演土壤水动力参数。在代数方法中,鲸鱼优化算法在目标函数2下(由累积入渗量、入渗时间、含水率构成的相对误差)固定参数θr、θs优化得到的土壤水动力参数误差最小,反演参数得到的累积入渗量、入渗率、含水率的相对误差都在9.74%以下,决定系数都在0.9040以上,反演时间为70 s;在数值方法中,灰狼优化算法在目标函数3下(由累积入渗量、湿润锋深度、含水率构成的相对误差)固定参数θr、θs优化得到的参数误差最小,反演参数得到的累积入渗量、入渗率、含水率的相对误差都在2.53%以下,决定系数都在0.9917以上,反演时间为115 s。因此,代数方法所用时间短、精度相对较低,数值方法所用时间较长、精度相对较高,在反演土壤水动力参数时,可根据误差精度需求,选择合适的优化方法。

基于智能优化算法的复杂气藏水侵单元数值模拟新模型

对于有水气藏而言,在气藏开发过程中水侵严重影响了气藏的采收率。为了准确、直观地评价复杂边水气藏的水侵动态特征,进而明确边部水体大小以及水侵优势通道位置,基于气藏地质资料和单井生产动态数据,将气藏边部水体和开发气井等效为水侵单元(包括水体单元和气井单元),构建了复杂边水水侵流动动态的气藏水侵单元数值模拟新模型,采用物质平衡方程计算了各单元的压力,并应用气水两相运动方程计算了各单元的含气饱和度和含水率,最后结合遗传算法,根据修正水体单元和水侵通道的特征参数,自动拟合了生产数据,实现了对水体分布和水侵优势通道的再识别。研究结果表明:①采用水侵单元为基础的数值模拟新模型,能够有效提高数值模拟计算效率,准确反映水侵流入动态;②结合智能优化算法进行新模型的自动历史拟合,实现了水侵动态的反演,能更快速地确定水体和水侵通道的特征参数;③结合四川盆地某气藏典型井组的开发实践,水侵单元数值模拟新模型能够有效复原水侵历史过程,该方法能够快速、准确地评价水侵影响程度,并提出了针对性的优化调整方案,为后期排水采气等措施提供参考。结论认为,该认识丰富了水侵气藏数值模拟理论基础,创新提出了代理模型和智能优化算法相结合的水侵模拟新方法,为有水气藏天然气提高采收率提供了技术支持和方向指导。

基于大数据智能优化算法的网络舆情趋势预测研究

随着互联网的普及和社交媒体的发展,网络舆情趋势预测成为企业和政府部门关注的焦点。通过研究文本预处理、情感分析、舆情主题识别与聚类等网络舆情趋势预测的关键技术,探讨基于大数据智能优化算法的网络舆情趋势预测方法。实证研究表明,通过对比不同算法的预测性能,找到最适合的网络舆情趋势预测模型,以提高预测准确度。

基于智能优化算法的社区养老服务点选址研究

社区养老服务点的科学选址对于优化社区养老服务资源配置,促进社区老年人公平、便利获取养老服务具有重要意义。目前服务点的选址仍偏重人工决策,使用科学方法实现社区养老服务点科学布局的研究还十分匮乏。提出一种基于智能优化算法的社区养老服务点选址方法,以最近可及距离为求解目标,以区域内社区数量、老年人数量、最远可及距离、最大服务承载量以及各服务比例配置为约束建立计算模型并求解。根据相应情境,建立不同的目标函数,针对每个目标函数都实施了仿真实验。实验结果表明,提出的优化方法对多约束非线性条件下的社区养老服务点定位均可以找到最优解,为科学解决社区养老资源配置优化问题提供了一种新的思路。

“新工科”下“智能优化算法”课程的教学方式探索与实践

文章围绕教学内容、教学方法与方式、教学实验等,根据课程特点对“智能优化算法”课程进行了改革,其中将启发式教学、案例教学和翻转课堂等方法综合应用于课程教学实践,利用线上教学平台、多媒体教学等手段激发了学生的学习兴趣,并提高了其学习能力,取得了较好的教学效果。

并行智能优化算法研究进展

基于种群迭代搜索的智能优化算法在农业、交通、工业等很多领域都取得了广泛的应用.但是该类算法迭代寻优的特点使其求解效率通常较低,很难应用到大规模、高维或实时性要求较高的复杂优化问题中.随并行分布式技术的发展,国内外很多学者开始着手研究智能优化算法的并行化.本文首要介绍了并行智能优化算法的基本概念;其次从协同机制、并行模型以及硬件结构3个维度综述了几类常见的并行智能优化算法,详细分析阐述了它们优点及不足;最后对并行智能优化算法的未来研究进行了展望.