基于深度学习的自适应优化算法研究及其在大数据处理中的应用

随着数据量的急剧增加,传统深度学习训练方法在效率和效果上遇到了限制,如数据异质性与非平稳性、计算资源的限制以及模型过拟合等问题。针对这些挑战,文章提出了一系列改进策略,包括动态正则化方法、资源感知的分布式处理框架以及基于元学习的学习率自适应调整机制。这些策略旨在提升模型在大数据处理中的性能和泛化能力,同时保证计算资源的高效利用。

基于关联规则的绿色特高压换流站设备选型逻辑自适应优化算法

特高压换流站中组成设备众多,在运行时会产生较大的耗损,有必要实施设备选型优化,对此,提出一种基于关联规则的绿色特高压换流站设备选型逻辑自适应优化算法。利用关联规则,选取影响绿色特高压换流站设备选型的主要因素,构建绿色特高压换流站设备选型逻辑描述函数,并设置约束条件。利用粒子群算法自适应优化选择特高压换流站设备型号,实现绿色特高压换流站设备选型逻辑优化。结果表明,3种自适应优化后的绿色特高压换流站设备选型方案应用后,产生的耗损要小于原始特高压换流站设备选型方案。

基于自适应优化算法的AGC缸性能参数监测方法研究

本研究提出了一种创新的监测技术,旨在提高自动厚度控制系统(AGC)中AGC缸的性能监测精度和效率。该方法通过集成先进的自适应优化算法,能够实时分析AGC缸的运行数据,并自动调整监测参数以适应不同的工作条件。与传统监测方法相比,本方法显著提升了AGC缸性能的监测速度和准确性,确保了轧制过程的稳定性和带钢产品的厚度一致性。此外,该技术还具备自我学习和自我优化的能力,能够根据历史数据不断改进监测策略,延长AGC缸的使用寿命,降低维护成本。本研究的方法适用于多种钢铁生产线,对于提升整个生产线的智能化水平和市场竞争力具有重要意义。

计及需求侧响应的微电网多尺度调度自适应优化算法

针对微电网调度成本较大的问题,研究计及需求侧响应的微电网多尺度调度自适应优化算法。建立计及需求响应的微电网运行成本函数,分别计算微电网中的燃料需求、电网运行维护需求、电网交互费用需求、环境维护需求等,并计算电网调度的总成本。基于微电网结构模型,构建目标函数与约束条件,设计微电网多尺度调度自适应算法。实验结果表明,该方法降低了高峰时段的电力负荷,整体功率<40 MW,且该算法的调度成本为725.25元,降低了调度成本,使微电网调度的经济效益得到保证。

一种EJB组件池的自适应优化算法

EJB组件池技术可以避免频繁建立和关闭EJB实例的开销,提高系统性能,但现有的EJB组件池技术没有考虑不同时段并发用户访问量的差异,对此,文章提出了一种自适应的组件池优化算法。实验证明,在对Web应用系统使用该算法后,内存占用和并发用户响应时间方面均有明显降低。

雷达目标检测深层自编码器自适应优化算法

研究了现阶段雷达低小慢目标探测技术的难点与方法。分析了深层自编码器基本模型与算法,通过引入自适应学习理论,提出了基于Rumelhart函数的深层自编码器自适应算法(RDAAA),并证明了算法的收敛性。优化算法避免了网络训练过程中出现惩罚过度的现象,克服了学习速率过高导致网络振荡发散,或学习速率过小降低网络收敛速度等缺陷。利用两种数据集对RDAAA、基于交叉熵函数的深层自编码器学习算法(CDAA)与误差反向传播算法(BPA)进行模式识别能力分析,结果表明在确定限定误差与选取最佳学习速率的情况下,RDAAA相对于CDAA与BPA收敛速度最快,正确识别率更高。围绕雷达目标检测与深度学习理论,分析了低小慢目标特性,将目标检测问题转化为模式分类问题,利用上述三种算法进行目标检测仿真实验,结果表明RDAAA与CDAA的性能明显优于BPA,且RDAAA的检测率更高,特别是处于低信噪比阶段,仍可保持较高的发现概率。

改进量子粒子群自适应优化算法

近年来,智能优化算法层出不穷,如:灰狼优化算法(Grey Wolf Optimization,GWO)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、粒子群算法(Particle Swarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)等。由于智能优化算法参数较少,容易实现,受到各国学者的青睐。但是,随着优化功能的具体化和规模的庞大化,部分单一算法无法兼顾收敛速度和精度,无法满足实际应用的需求。

用于训练神经网络的自适应梯度下降优化算法

由于神经网络规模的扩大,模型训练变得越来越困难.为应对这一问题,提出了一种新的自适应优化算法——Adaboundinject.选取Adam的改进算法Adabound算法,引入动态学习率边界,实现了自适应算法向随机梯度下降(SGD)的平稳过渡.为了避免最小值的超调,减少在最小值附近的振荡,在Adabound的二阶矩中加入一阶矩,利用短期参数更新作为权重,以控制参数更新.为了验证算法性能,在凸环境下,通过理论证明了Adaboundinject具有收敛性.在非凸环境下,进行了多组实验,采用了不同的神经网络模型,通过与其他自适应算法对比,验证了该算法相比其他优化算法具有更好的性能.实验结果表明,Adaboundinject算法在深度学习优化领域具有重要的应用价值,能够有效提高模型训练的效率和精度.

基于疯狂自适应樽海鞘群优化算法的异构多核任务调度

为了解决当前异构多核环境下的任务调度效率不能满足应用程序的多样性要求的问题,论文基于疯狂自适应的樽海鞘群优化算法(Crazy and Adaptive Salp Swarm Algorithm,CASSA),提出一种异构多核处理器任务调度算法。该算法以缩短全部任务的完成时间为目标,根据任务优先权规则设计任务分配的编码方案,利用CASSA算法中领导者的全局搜索能力和追随者的局部搜索能力,使CASSA算法在异构多核任务调度问题上有更高的收敛效率和更高质量的解。实验表明,CASSA算法的性能优良,最优解的质量高,在异构多核处理器任务调度领域中具有良好的研究意义。

基于自适应粒子群优化算法的串联复合涡轮储能优化策略

针对发动机串联复合涡轮发电系统储能困难等问题,提出了一种基于自适应粒子群优化(SAPSO)算法的最大功率点追踪(MPPT)方法,增强发电系统功率的捕获能力。此外,采用混合储能系统(HESS)替代单一蓄电池储能,实现电能的高效、稳定存储。通过Matlab/Simulink软件,建立了基于发动机串联复合涡轮发电的储能优化控制仿真模型,对比分析了不同控制方法在设定工况下的功率追踪性能以及混合储能系统的储能特性。仿真结果表明,相较于传统扰动观测法(P&O)控制方法,在所提的SAPSO-MPPT方法下,发电功率提高了190 W,响应时间缩短了0.15 s。同时,HESS能够有效追踪母线上的需求功率,电能回收效率高达95.3%。最后,基于Y24型改装发动机台架搭建了串联复合涡轮发电系统实验平台,对所提储能优化控制策略的节油潜力进行了实验验证。结果表明,SAPSO-MPPT+HESS储能优化策略能够有效提高排气能量回收效率,优化后系统总热效率比原发动机提高了提高0.53个百分点。

基于自适应差分优化算法的SQUID TEM数据电阻率-极化率多参数提取研究

超导时域电磁探测方法(Superconducting Quantum Interference Devices Time Domain Electromagnetic Method,SQUID TEM)是多金属矿探测的有效手段之一.在实际探测中超导传感器虽然可以观测到极其微弱的极化效应,但还无法同时提取电阻率和极化率信息.本文提出了基于种群个体自适应进化筛选策略的差分优化算法,分析了传统差分优化算法中突变和交叉因子均为定值时,对电阻率和极化率提取精度的影响,设计优化了突变因子随柯西分布、交叉因子随高斯分布的自适应控制方式,重构了同时包含极化率和电阻率信息的目标函数,从而实现了极化率和电阻率参数的同时提取.通过典型层状模型,对比了自适应差分优化与差分进化、线性权重粒子群算法进行电阻率和极化率参数提取的效果,自适应差分优化算法的提取结果更接近真实模型.将该新方法应用于黑龙江大兴安岭地区的SQUID TEM野外数据,实现了地下不同深度电阻率、极化率信息的提取,结果与钻孔资料一致,验证了新方法双参数提取的有效性.

基于最小二乘和自适应蛇优化算法的直驱风机LVRT特性辨识

为提高直驱风机低电压穿越LVRT(low voltage ride through)控制参数辨识精度,提出了一种基于最小二乘LS(least square)和自适应蛇优化ASO(adaptive snake optimization)算法的直驱风机LVRT特性辨识方法。首先,利用最小二乘法拟合出直驱风机LVRT待辨识参数初值,以确定待辨识参数的寻优范围;然后,分析了蛇优化SO(snake optimization)算法分阶段寻优的边界条件,设计了分阶段自适应学习因子,并引入Levy飞行策略,提出了适用于直驱风机LVRT控制参数辨识的ASO算法;最后,将ASO算法多次辨识平均值作为最终结果。结果表明,所提方法能快速、准确辨识直驱风机LVRT控制参数。

自适应优化算法在供暖锅炉控制系统中的应用

燃烧式供暖锅炉的控制过程复杂多变,系统内部的给煤、鼓风耦合性较强,作为控制对象的温度值又具有典型的非线性和滞后性,为解决供暖锅炉控制中的以上难题,自适应优化算法控制系统采用一种基于人工智能的专家系统控制方案,有效地适应锅炉各参数频繁的变化及相互的匹配,克服多回路耦合和各种介质的干扰,很好地解决了锅炉温度控制的难题。系统采用的主要技术是自适应优化算法、人工智能、专家系统,控制系统能实现全自动运行,系统的主要功能是节能增效。

基于自适应蝠鲼觅食优化算法的分布式电源选址定容

建立了考虑有功功率损耗、电压分布、污染排放、分布式电源(DG)成本以及气象条件的DG选址定容规划模型,其中选址、定容工作分别是一个离散、连续变量,是一个高度非线性、含离散优化变量的复杂模型.因此,应用自适应蝠鲼觅食优化(AMRFO)算法获取最优Pareto解集,其具有丰富多样的搜索机制,个体更新机制以及先进的Pareto解筛选机制,针对该模型能够获得更加优异的高质量解.为回避权重系数人为设置主观性带来的影响,采用基于马氏距离的理想决策点法进行Pareto最优解集决策.最后,基于IEEE 33, 69节点配电网和孤网运行的IEEE 33, 69节点配电网进行仿真分析.研究结果表明:与传统的多目标智能优化算法相比,AMRFO算法能够获得分布更加广泛、均匀的Pareto前沿,在兼顾经济性的同时,配电网的电压分布、有功功率损耗的改善效果显著优于其他算法.

基于自适应变异粒子群算法的电动汽车换电池站充电调度多目标优化

大规模电动汽车用户的无序充电行为会对电网造成"峰上加峰"等影响,因此电动汽车规模化应用迫切要求实现对充电行为的引导和调度。电动汽车换电站具有受可调度时间约束影响小等特点,与个体电动汽车相比较易实现充电调度。根据换电站的特点以换电站各时刻的充电功率为控制对象,建立多目标的调度策略数学模型,并采用自适应变异的粒子群算法求解以减小标准粒子群容易早熟对优化结果的影响,得到次日优化充电计划。基于某地区负荷曲线进行算例仿真,验证了算法的有效性,比较了单目标优化和多目标优化的调度策略对负荷曲线的影响。结果表明,换电站充电调度策略采用多目标优化时能够克服单目标优化填充"最低谷"效果差的问题,有效地降低电网峰谷差,达到平稳负荷波动的效果。

基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

基于自适应聚焦粒子群优化算法的电力系统多目标无功优化

自适应聚焦粒子群算法(adaptive focusing particle swarm optimization,AFPSO)是根据粒子群算法的全局搜索与局部搜索平衡特性,并予以改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。作者将此算法用于电力系统无功优化。该方法以最优控制原理为基础,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大的多目标无功优化模型。IEEE30节点系统仿真结果表明,AFPSO算法在实现系统经济运行的同时也增强了电网的电压稳定性,证明了AFPSO算法的有效性和优越性。

风水气互补发电优化的云模型自适应粒子群优化算法

提出一种改进的自适应粒子群优化(particle swarm optimization,PSO)算法,对基本PSO算法中的惯性权重系数作云处理。由于云模型具有随机性和稳定倾向性,使得处理后的惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高收敛速度。在对认知系数和社会系数的处理上,考虑两者的相互关联性,在坐标平面内构造收敛曲线,让两者沿收敛曲线随时间动态调整,使得算法在进化过程中既能够保证收敛,又提高了算法性能。建立了风、水、气多种清洁能源互补的发电模型。模型考虑风电预测的随机误差,以一次能源天然气的消耗量最低为目标函数,约束条件包含了风能、水能等清洁能源的完全消纳。通过云模型粒子群算法求解该模型,并与基本遗传算法和PSO算法的结果进行比较,验证了所建模型可行性和算法的有效性。

基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.

智能电网实时定价的自适应光学优化算法

为了解决传统优化算法在求解智能电网的实时电价模型过程中易陷入局部最优的不足,引入光学优化算法对实时电价模型进行求解。采用可变适应度的方法对光学优化算法求解模型过程中的不变适应度进行改进,提出自适应光学优化(Self-adaptive Optics Inspired Optimization,SAOIO)算法。根据迭代次数的变动,自适应地变动适应度从而提升收敛速度,提高求解精度。针对智能电网实时电价模型,对拉格朗日对偶算法和自适应光学优化算法进行同步仿真。结果表明自适应光学优化算法能够更好地寻得全局最优电价,提高结果精度,具有更好的实用性。