基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93.75%,均方误差为6.25%,预测精度显著优于其他对比模型。

基于AFOA的降噪源分离在轴承复合故障诊断中的试验研究

源分离算法的分离性能受到分离矩阵的影响,不能自适应地分离滚动轴承的复合故障特征,针对这一问题,将自适应果蝇优化算法(AFOA)与降噪源分离(DSS)相结合,提出了一种基于AFOA算法的滚动轴承复合故障降噪源分离方法。首先,利用自适应果蝇优化算法对分离矩阵进行了初步优化,再将分离矩阵作为果蝇个体,负熵作为目标函数,对目标函数最大值进行了全局寻优,进而确定了降噪源分离的最优分离矩阵;以正切函数作为降噪源分离的降噪函数,对内、外圈复合故障轴承振动信号进行了估计;最后,进行了包络分析,提取出了轴承内、外圈故障特征;此外,通过仿真和实测轴承内、外圈复合故障试验,将所提方法与基于自适应果蝇优化算法的快速独立成分分析进行了对比。研究结果表明:AFOA-DSS方法能够更精确分离滚动轴承的复合故障特征,实现对轴承复合故障的诊断;该方法的有效性和实用性得到了验证。

基于多因素特征选择与AFOA/K-means的新闻热点发现方法

【目的】研究新闻文本的特征降维方法及聚类算法,以期进一步提升热点话题发现效率及准确率。【方法】基于传统TF-IDF特征权重计算方法,引入符号、词性、位置及长度4个特征加权,实现多因素特征选择。从编码方式、适应度函数、自适应步长及群体适应度方差这4方面构造改进果蝇优化算法(AmelioratedFruitFly Optimization Algorithm, AFOA),利用AFOA优选K-means初始聚类中心,实现优化后的K-means热点话题发现。采用多因素特征选择识别热点话题,利用TOPSIS获得热点话题排名。【结果】相关实验表明,多因素特征选择及AFOA/K-means算法分别显著提高了聚类效果,验证了所提方法整体有效性。【局限】仅适用于中文新闻文本。【结论】本文方法能够为中文新闻热点发现方法研究提供一条新思路。

流域跨区污染生态补偿机制分析

本文尝试用博弈论的方法设计流域生态补偿机制以减少跨区污染。通过引入新的"生态补偿系数K"——需要通过各地区运用改进最终出价仲裁法来讨价还价确定其值,建立这个流域各地区政府参加的博弈模型;并具体分析在既定的补偿机制下,补偿主体与对象进行决策的行为过程。在既定补偿机制约束下,流域各地区可以根据本地支付函数建立优化模型,计算排污及污染转移量对本流域经济效益的影响,通过调整自身的排污量及污染转移量实现本地区的经济效益最大化,从而改善该地区生态环境。

自适应果蝇算法多峰值光伏阵列最大功率点跟踪

光伏PV(photovoltaic)阵列在实际应用中常存在遮挡现象,与光照均匀时的单峰特性不同,遮挡情况下的PV输出曲线呈多峰特性,常规的最大功率点跟踪方法大多寻找到第1个峰值点即停止搜索,易使光伏阵列因陷入局部极值点的跟踪而失效。提出一种基于自适应的果蝇优化算法AFOA(adaptive fruit fly optimization algorithm),对原有果蝇算法的初始值设定及寻优步长进行改进,并定时与扰动观察法P&O(perturb&observe)相结合,增强寻优算法的实时性。通过Matlab仿真,分别在光照均匀和遮挡情况下,与扰动观察法和粒子群优化PSO(particle swarm optimization)算法的跟踪效果进行了比较,仿真结果表明,无论有无遮挡现象,AFOA算法都可准确跟踪到系统的全局最大功率点,提高了系统输出功率的稳定性及发电效率。