基于BFGS方法的列车速度预测控制研究

列车速度控制是轨道交通发展领域的重要基础问题。面向真实列车速度控制应用场景的列车动力学模型及其控制器设计更具挑战性。一方面,传统基于反馈的无模型控制策略存在收敛速度慢、参数要求高、环境变化敏感等问题,目前难以从优化角度设计控制器且应对复杂系统的约束。另一方面,传统的列车单质点动力学模型很难解决高速列车运行过程中的非线性特性。针对上述瓶颈,首先对列车各节车厢进行受力分析,且考虑车厢间的安全距离,将相对位置和相对速度作为可变状态构建列车多质点模型。然后采用模型预测控制策略,综合考虑列车速度控制的非线性成本函数,处理列车运行过程中的复杂约束,预测控制系统的未来动态行为。然后,针对列车预测控制中的复杂动态约束非线性优化问题,设计对数障碍函数处理不等式约束,进而从拟牛顿法角度设计一种具有稳定收敛性的基于BFGS方法的列车速度预测控制算法,完成列车速度的精准跟踪控制。最后,以国内某线站间列车运行数据为例,与其他先进控制方法进行对比实验,以验证所提出的BFGS列车速度预测控制算法的优越性能。实验结果表明,本文所设计的基于BFGS方法的列车速度预测控制算法能够有效地减小列车速度跟踪误差和位移误差,提升列车速度跟踪精度,有利于保障列车的安全、准点、高效、平稳运行,为轨道交通列车速度控制技术发展提供新思路。

模拟退火算法和BFGS算法联合反演的多光谱辐射测温方法研究

多光谱辐射测温法是一种非接触的测温方法,在众多工业领域中应用极为广泛。但是,由于波长、被测物体的温度、材料组分和材料表面状态等因素的共同影响,难以获得被测物体准确的温度。针对以上问题,提出一种SA-BFGS多光谱辐射测温算法。首先,根据多光谱辐射测温原理,建立数学模型,将多光谱辐射测温问题转化为非线性优化问题;然后,利用Wolfe线搜索法求解BFGS算法的最优步长;之后,针对BFGS算法初值选择不当极易陷入局部最优甚至不能收敛的缺陷,利用模拟退火(SA)算法近似求出目标函数的最优解当作改进后的BFGS算法的初始值。最终得到被测物体真实温度和光谱发射率。仿真结果表明:该方法测温的相对误差小于2.5%,验证了SA-BFGS算法的有效性。

一种复杂曲面无基准轮廓度的ER-BFGS评定方法

针对大量测点导致曲面轮廓度计算耗时倍增的问题,提出一种基于熵正则化和BFGS算法的曲面轮廓度评定方法。该方法在点到曲面的最小距离函数的基础上,通过熵正则化原理将轮廓度最小区域评定模型的极大极小问题转化为无约束可微优化问题,并利用快速收敛的BFGS算法进行求解,实现了复杂曲面无基准轮廓度的快速评定。实验表明该方法在计算耗时方面比序列二次规划方法缩短约5%~19%,能有效提高在机测量效率。

一类改进的BFGS拟牛顿法及与其他几种拟牛顿法的比较研究

拟牛顿法是最优化中一种重要的求解无约束问题的方法,对拟牛顿算法的改进是一个重点研究内容。基于新拟牛顿方程B_(k+1)·s^((k))=(y^((k)))^(*)提出一个新的改进的BFGS算法,结合以往几种改进的BFGS算法,采用Wolfe线搜索准则对迭代步长进行搜索,并通过选取一些测试函数利用MATLAB工具对这几种改进的BFGS拟牛顿法的收敛效果进行对比分析。实验结果表明,提出的改进的BFGS算法相较于以往几种改进的BFGS算法,收敛效果更好。

基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型,为了强化预测效果,选取BFGS算法对BP神经网络模型进行优化。选取应力系数σ_(θ)/σ_(c)、脆性系数σ_(c)/σ_(t)和弹性能量指数W_(et)作为预测指标,国内外46组案例作为样本库,分别建立BFGS-BP神经网络模型和传统BP神经网络模型,对比验证其优化效果,将建好的模型用于锦屏二级水电站和秦岭隧道加以检验,得到一种有应用前景的机器学习预测模型。

求解非凸正则化问题的L-BFGS算法

该文提出一种求解大规模l_(1)、平滑剪切绝对偏差(SCAD)和极小极大凹罚(MCP)问题的有限内存拟牛顿方法(L-BFGS)算法.算法在积极集集合上的搜索方向与文献[1]的方向相同,在自由空间集合上使用了有限内存L-BFGS的搜索方向.在适当的条件下,证明了使用非单调技术的算法是全局收敛的.数值实验证明所提出的算法是有效的.

基于BFGS法融合InSAR和GPS技术监测地表三维形变

虽然InSAR技术具有高精度、大范围和高空间分辨率等优点,但只能监测雷达视线方向上的一维地表形变;而GPS技术虽可以监测地表的三维形变,但其空间分辨率很低.本文针对融合InSAR和GPS技术监测地表高空间分辨率三维形变展开研究.首先证明了简单的局部最优化迭代算法就能求得综合InSAR和GPS监测地表形变速率的能量函数模型的全局最优估值.随后提出了利用BFGS局部最优算法反演最优的地表三维形变速率.该方法既能避免全局最优化算法计算复杂且难以收敛的问题,又能克服传统的解析法中数值计算不稳定的缺点.最后,通过模拟实验和美国南加州真实数据实验表明,该方法能够得到高精度的地表三维形变速率场.而且当观测或插值误差导致解析法误差较大时,BFGS方法仍能得到高精度、稳定的全局最优解.

基于BFGS信赖域算法的孤岛微电网潮流计算

分散下垂控制策略的孤岛微电网,系统中没有平衡节点,多个下垂控制的分布式电源(distributed generator,DG)装置参与系统频率的调节并达到新的频率稳态值,传统配电网潮流计算方法将不再适用。针对分散下垂控制策略的孤岛微电网潮流计算,提出基于BFGS信赖域算法的潮流计算新方法。把DG装置处理为PQ节点、PV节点和下垂节点3种类型,建立下垂节点潮流计算模型;分析非线性节点功率方程组的求解,并将其转化为无约束最优化问题,再采用带BFGS修正的信赖域算法进行求解,得到系统稳态频率及各节点电压。对改造后的37节点孤岛微电网系统应用提出的方法进行潮流计算,验证了算法的正确性和有效性。

基于混沌优化和BFGS方法的最优潮流算法

将混沌优化与拟牛顿法中的 BFGS方法相结合 ,提出了一种新的混合优化算法 ,并应用该方法进行电力系统最优潮流的计算。混沌优化方法利用混沌运动内在的遍历性、随机性和规律性等特点 ,跳出局部最优解 ,接近最优点 ;同时 ,利用 BFGS方法在最优点的邻域内局部寻优 ,提高了收敛速度和求解精度。通过对 IEEE 1 4,30和 5 7节点试验电力系统的数值计算 。

求解非线性方程组的BFGS差分进化算法

针对差分进化算法进化后期收敛缓慢和稳定性不强的缺陷,将BFGS算法插入差分进化算法当中,提出了一种BFGS差分进化算法,用来求解非线性方程组。通过5个非线性方程组和一个工程实例的实验,说明:算法收敛精度较高、收敛速度较快、鲁棒性强、收敛成功率高,是一种较好的解决非线性方程组的方法。

几何约束求解的BFGS-混沌混合算法

为了提高约束求解的效率和鲁棒性,提出了一个将混沌方法嵌入BFGS算法的约束求解混和算法.将约束求解问题转化为优化问题,并对多变量函数求全局极值,用混沌算法跳过局部搜索陷阱.算法分析确定几何元素的初始搜索范围,并利用BFGS方法的超线性收敛速度和混沌优化方法的内在特点进行求解.对Camel函数极值和正五边形约束求解的实验结果表明,该混合算法能够处理欠/过约束问题,有效克服BFGS算法容易陷入局部最优以及无法越过临界点的情况,可以高效鲁棒地进行约束求解.

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合 GN( Gauss- Newton) - BFGS( Broyden- Fletcher- Goldfarb- Shanno)法进行RBF(径向基函数 )神经网络学习的算法。这种方法结合 GN法与 BFGS法的特点 ,既尽可能地利用了问题本身的特殊结构 ,又能取得超线性甚至二次渐近收敛率 ,因此有效地提高了学习效率。在学习过程中 ,利用该方法能够区分零残量和非零残量 ,并利用这种特点进行隐层神经元数目的自动调整 ,从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明 ,该方法同神经网络的其他算法相比 ,具有训练时间短。

最优化问题全局寻优的PSO-BFGS混合算法

针对利用粒子群优化算法进行多极值函数优化时存在早熟收敛和搜索效率低的问题,提出混合的PSO-BFGS算法,并增强了混合算法的变异能力使算法能逃出局部极值点。通过对三种Benchmark函数的测试结果表明,PSO-BFGS算法不仅具有有效的全局收敛性能,而且还具有较快的收敛速度,是求解最优化问题的一种有效算法。

起伏地形下大地电磁L-BFGS三维反演方法

为推进大地电磁三维反演的实用化,本文实现了基于L-BFGS算法的带地形大地电磁三维反演.首先推导了大地电磁法三维反演的Tikhonov正则化目标函数以及Hessian矩阵逆矩阵近似表达式和计算方法,然后设计了一种既能保证空气电阻率固定不变又能保证模型平滑约束的协方差矩阵统一表达式,解决带地形反演问题.在反演算法中采用正则化因子冷却法以及基于Wolf条件的步长搜索策略,提升了反演的稳定性.利用开发的算法对多个带地形地电模型(山峰地形下的单个异常模型、峰-谷地形下的棋盘模型)的合成数据进行了三维反演,并与已有大地电磁三维反演程序(ModEM)进行对比,验证了本文开发的三维反演算法的正确性和可靠性.最后,利用该算法反演了华南某山区大地电磁实测数据,得到该区三维电性结构,揭示了研究区以高阻介质为基底,中间以低阻不整合面和相对低阻介质连续分布,浅部覆盖高阻介质的电性结构特征,进一步验证了本文算法的实用性.

基于BFGS-NARX神经网络的农产品价格预测方法

文章提出了基于BFGS前馈方式的NARX神经网络农产品价格时间序列预测方法。方法有效利用BFGS拟牛顿法的全局收敛性和NARX神经网络良好的非线性性能,并通过构造历史数据间的映射关系,来建立神经网络训练模型,进而对农产品价格进行预测。

求无约束优化问题的混合谱尺度BFGS算法

依据BFGS算法、MBFGS算法、CBFGS算法及谱尺度BFGS算法,提出了一类混合谱尺度BFGS算法;同时,在Armijo线性搜索和Wolf-Powell线性搜索下对所提出的混合谱尺度BFGS算法证明了其全局收敛性,并通过数值实验测试了该算法的数值表现,实验结果表明混合谱尺度BFGS算法具有较好的数值效果。

基于BFGS拟牛顿法的压缩感知SL0重构算法

平滑l0范数(SL0)算法是一种基于近似l0范数的压缩感知信号重构算法,采用最速下降法和梯度投影原理,通过选择一个递减序列来逐步逼近最优解,具有匹配度高、计算量低、不需要已知信号稀疏度等优点。但是,其迭代方向为负梯度方向,使得在迭代过程中产生"锯齿现象",导致在最优解附近收敛速度较慢。牛顿法具有较快的收敛速度,但是对初值的要求较高,并且需要计算Hesse矩阵。拟牛顿法则克服了这个缺点,利用BFGS公式计算Hesse矩阵的近似矩阵,只需要计算1阶导数信息。该文在SL0算法的基础上,结合BFGS拟牛顿法,提出一种改进的压缩感知信号重构算法。首先采用最速下降法迭代得到信号的某个估计值,然后将此估计值作为拟牛顿法的初值继续迭代,直至得到最优解。计算机仿真结果表明,在相同的条件下,该算法在重构精度、峰值信噪比和重建匹配度等方面均有较大提高。

解非线性对称方程组问题的近似高斯-牛顿基础BFGS方法(英文)

给出一个解非线性对称方程组问题的近似高斯 -牛顿基础 BFGS方法 .该方法无论使用何种线性搜索 ,此方法产生的方向总是下降的 .证明在适当的条件下 ,该方法的全局收敛性和超线性收敛性 。

非凸函数极小问题的BFGS算法

本文对于非凸函数的无约束优化问题,给出一类修正的BFGS算法。算法的思想是对非凸函数的近似Hesse矩阵进行修正,得到下降方向,并且保证拟牛顿条件成立,当步长采用线性搜索一般模型时,证明了该算法的局部收敛性。

基于L-BFGS算法和同时激发震源的频率多尺度全波形反演

全波形反演可以利用叠前地震波场的运动学和动力学信息重建地下速度结构,具有揭示复杂地质背景下构造与岩性细节信息的潜力。然而,庞大的计算量和存储空间需求,限制了全波形反演的发展。在频率多尺度全波形反演中将L-BFGS数值优化算法与同时激发震源技术相结合的方法来改善这一现状。首先,对Marmousi模型进行了速度反演:在计算过程中明显发现对计算机内存的占用减少,最终反演结果与实际Marmousi模型的拟合误差为0.095 9,较小;采用10个频带单炮震源正演384炮所需时间约为32 640s,而采用同时激发震源(384炮)正演一次所需时间仅约为700s。然后,基于高速楔形体模型进行了抗噪能力研究:原始含噪地震记录信噪比为11.147 3dB;对反演得到的速度模型进行正演,其地震记录信噪比为22.251 8dB。最后,基于逆冲断层模型进行了反演速度扰动能力研究,反演得到的最终模型很清晰,与具有速度扰动特性的实际模型非常接近,拟合误差仅为0.036 0。数值模拟试验结果表明:此方法反演精度高,内存开销较小,能够显著提高计算效率,并且具有良好的抗噪能力,能够反演出具有速度扰动特性的介质。