基于MISSA-CNN-BiLSTM模型的尾矿坝位移预测

为应对尾矿坝位移预测所面临的复杂情况和精度要求,提出一种基于多算法耦合的尾矿坝位移动态预测模型。首先,基于时间序列分解模型将累计位移分为趋势项和周期项,利用高斯回归时间序列预测模型预测趋势项位移;然后,运用不同Copula函数研究诱发因素与周期项位移的整体相关性,鉴于周期项位移影响因素多样性与强非线性的特点,采用多策略融合的改进麻雀搜索算法改进麻雀搜索算法(MISSA)-卷积神经网络(CNN)-双向长短期记忆(BiLSTM)模型预测周期项位移;最后,将高斯回归趋势项位移预测值和MISSA-CNN-BiLSTM周期项位移预测值叠加。结果表明:尾矿坝累积位移预测值与实测值基本一致,预测结果相关性系数R为0.996,均方根误差(RMSE)为0.13 mm,建立的MISSA-CNN-BiLSTM多算法耦合模型预测精度较高,且能较好地预测尾矿坝位移的阶跃型变化。

基于SSA-BiLSTM-AT的短期风电功率预测

针对短期风电功率的复杂性与多样性,提出一种含注意力机制的双向长短期记忆网络(BiLSTM)神经网络和麻雀算法(SSA)调参的短期风电功率预测模型,SSA-BiLSTM-AT。首先对输入数据进行异常值处理和归一化,采用Pearson相关系数法分析风电功率和各特征之间的关系,剔除数据中的相关度较低的特征,以提高模型的预测精度;针对BiLSTM超参数选择困难的问题,利用麻雀算法对BiLSTM中学习率、迭代次数、第1和第2隐含层节点数4个重要参数进行智能迭代优化,得到最优参数后利用BiLSTM进行预测;最后引入注意力机制,通过注意力权重突出关键因素的影响,挖掘风电数据的内部规律。以新疆某风电站的历史数据作为实际算例,验证了所提模型线性回归拟合能力的稳定性和提升预测精度的有效性。

基于改进BiLSTM的多工序产品质量预测研究

针对多工序产品制造过程的复杂性,为了解决多工序产品生产过程中影响产品质量问题的不确定因素,同时提高生产工序的生产能力,保证生产的稳定性,提出了一种基于核主成分分析和改进麻雀搜索算法优化BILSTM的多工序产品质量预测模型。利用KPCA对数据预处理,主成分分析的基础上结合核方法建立核函数,降维去除冗余特征,引入改进的高斯变异和均匀变异算子η改进麻雀搜索算法;将改进的麻雀搜索算法引入双向长短期记忆网络中,将降维处理后的数据导入ISSA-BiLSTM模型中实现多工序产品的质量预测;以TFT-LCD制造过程为例进行案例分析,并与现有方法比较分析。实验结果表明:该预测模型具有较好的预测精度,且均方根误差值小于10%,有效地提高了多工序产品质量的预测精度。

基于麻雀搜索优化的Attention-BiLSTM短期电力负荷预测

为了提高电力负荷预测精度,在双向长短期记忆(BiLSTM)神经网络中加入注意力机制。通过对网络的隐含状态赋予不同的权重,减少历史信息的损失,增强重要信息的影响,提高准确性。针对BiLSTM参数选取随机性大且困难的问题,提出了一种利用麻雀搜索算法(SSA)优化的Attention-BiLSTM模型,并通过历史用电负荷数据以及相关影响因素数据进行短期电力负荷预测。首先,对用电负荷数据、气象数据进行预处理。其次,将处理好的数据训练模型,借助SSA对BiLSTM的参数进行寻优,使输入数据与网络结构更好地进行匹配。最后,进行负荷预测。试验结果表明,所构建模型拟合优度达0.9966,有效提高了预测精度且在进行短期负荷预测时具有有效性。

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题,提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线,使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线;利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解,减少数据波动所带来的预测误差;建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型,并使用改进麻雀搜索算法(ISSA)优化网络参数,再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明,所提预测模型的预测精度相比其他对比模型更高,且有着更好的泛化能力。

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree,RRT*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。

基于融合A^(*)-蚁群优化算法的移动机器人全局优化

针对传统蚁群算法在室内移动机器人全局路径规划中,存在的搜索效率低下、路径不够平滑、易陷入局部最优及死锁状况等问题,设计出一种融合改进A^(*)算法的双向搜索蚁群优化算法。首先利用改进A^(*)算法在栅格环境中快速收敛得到初始路径,构建初始信息素矩阵,并引入障碍物因子来减少蚂蚁死锁状况的发生;其次设定双向搜索蚁群优化算法规则,并改进双向搜索中的启发函数模型,引入精英蚂蚁搜索策略和自适应信息素挥发因子策略;最后利用三阶贝塞尔曲线对路径进行平滑处理。通过Pycharm平台仿真结果表明,该算法融合了A^(*)算法全局搜索能力强及蚁群算法正反馈的特性,使得融合改进后算法比传统蚁群算法和麻雀算法在路径长度上优化12.85%和7.76%,搜索时间上优化38.17%和23.46%,迭代次数上优化67.71%和54.41%,全局路径优化效果较明显。

跳点搜索融合双向并行蚁群算法的AGV路径规划研究

在静态栅格地图中,针对传统蚁群算法进行AGV(Automated Guided Vehicle,自动引导车)路径规划收敛慢且搜索结果容易陷入局部最优的问题,提出一种融合跳点搜索(Jump Point Search,JPS)和双向并行蚁群搜索的改进算法.首先,对实际研究环境进行栅格化建模,使用改进的跳点搜索算法生成双向搜索的初始次优路径,为双向蚁群搜索提供初始搜索方向参考.其次,在双向并行蚁群搜索过程中采用改进的转移概率启发函数,该函数在确定下一个转移节点时考虑了避免AGV与障碍物碰撞的因素,同时通过设计信息素共享机制并结合改进的信息素增量及浓度两种融合模型,共享和更新全局信息素浓度,以更好地探索和优化路径,保证双向路径连结.最后,与传统蚁群算法进行实验结果对比,验证了改进算法的全局搜索能力、效率和安全性.

物理引导的SSA-BiGRU输电线路覆冰厚度预测模型

针对输电线路覆冰厚度预测精度不高的问题,在以微气象因素为特征进行覆冰预测的基础上,采用物理引导(PG)的神经网络,对输电导线进行受力分析。建立导线所受综合荷载计算模型,分析得出覆冰厚度、风偏角、综合荷载的变化规律。根据该变化规律构建模型损失函数,对模型的训练过程进行引导。使用双向门控循环(BiGRU)神经网络建立覆冰厚度预测模型,并采用麻雀搜索算法(SSA)对BiGRU超参数进行优化。采用某监测站覆冰数据进行实验。实验表明,该模型的平均绝对误差、均方根误差为0.052 2、0.069 4,物理非一致性为6.80%。相比LSSVM、BP、RNN、BiGRU、SSA-Bi GRU等模型,该模型准确度更高。

基于改进A*算法的海上物资投送路径规划

在广阔海域使用传统A*算法为船舶进行物资投送路径规划时,会出现由于栅格地图节点过多而导致的搜索速度慢,路径转折点过多等问题,通过优化搜索策略和使用路径平滑操作对传统A*算法进行了改进。使用基于节点距离大小的子节点拓展方式进行双向搜索,减少无用节点的搜索,加快搜索速度;通过使用基于相邻路径向量夹角的路径平滑处理操作,降低一次改进A*算法所增加的路径冗余转折点的开销,从而减少了船舶的转弯次数和路径长度。仿真对比实验表明,在200*200的小粒度、多节点栅格地图中,所提二次改进A*算法相较于传统A*算法在路径搜索时间上缩短了约96%,转折点个数和路径节点总数分别减少了约74%和96%,对船舶的全局路径规划有更好的效果。

铁路顺层路堑边坡稳定性分析方法研究

研究目的:铁路岩质边坡稳定性分析一直是山区铁路工程建设最为关心的难点问题之一。近年来,顺层岩质路堑边坡失稳造成的工程事故屡有发生,滑动面的位置往往不能够准确定位,缺乏一套科学合理的评价方法。为此,提出一种能够考虑滑体沿不同岩层界面及纵向裂隙发生滑动的稳定性分析方法。研究结论:采用一种基于平面坐标系统的双向滑动面搜索模式,该模型考虑了铁路路堑边坡的多级平台几何特征和岩层产状,逐一对潜在的滑动体进行分析,可实现对顺层岩质边坡最小安全系数的搜索过程。同时,为提高铁路路基工程技术人员对岩质路堑边坡稳定性的分析效率,采用C#作为开发工具,编制稳定性分析的相关软件,首次实现顺层岩质边坡双向结构面自动搜索的功能。

一种改进的三维递归搜索视频去隔行算法

提出了一种改进的三维递归搜索(3DRS)视频去隔行算法,该算法使用双向参考运动估计,消除了原始算法中的误差传递现象,并采用多分辨率分析的思想,根据视频内容自适应的调节误差匹配块尺寸,提高了运动估计的准确度。实验结果表明,对于大多数测试序列,该算法在实验效果上取得了优于原始的3DRS算法的性能。

基于蛙跳算法的新型机器人路径规划算法

为了提高机器人路径规划的速度,提出一种全新的机器人路径规划算法.算法中,青蛙以随机方式和启发方式两种策略从可选栅格集中选择栅格.子蛙群进行更新时,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格更新路径.为了进一步提高搜索速度,算法中引入评分法,只对得分小于阈值的青蛙进行更新,同时采用双种群双向搜索的方法.大量仿真实验结果表明,该算法比同类算法的收敛速度提高数十倍以上,能在复杂的静态障碍环境中,迅速规划出一条安全避碰的优化路径.

基于三维递归搜索的多级运动估计视频帧率上转换算法

运动补偿插帧是目前主要的帧率上转换方法。为减小内插帧中的"块效应",并降低运算量以满足实时高清视频应用,该文提出了一种基于3维递归搜索(3-D Recursive Search,3-D RS)的多级块匹配运动估计视频帧率上转换算法。该算法将3-D RS与双向运动估计相结合,首先对序列中相邻帧进行"由粗到精"的三级运动估计,再利用简化的中值滤波器平滑运动矢量场,最后通过线性插值补偿得到内插帧。实验结果表明,与现有的运动补偿插帧算法相比,该算法内插帧的主、客观质量都有所提高,且算法复杂度低,有很强的实用性。

一种基于中值滤波的运动补偿去隔行算法

提出了一种有效的基于中值滤波的运动补偿去隔行算法 .该算法首先使用新三步搜索( NTSS)的方法对图像序列中的运动部分进行估计 ,然后通过一种中值滤波的方法改善去隔行处理的效果 ,这不仅提高了图像的画质 ,而且能有效地防止因运动估计失效在运动补偿时的影响 .实验结果表明 。

多群落双向驱动协作搜索算法

针对复杂优化问题中数据混杂多变的特点,提出一种能够根据环境变化不断优化种群适应度的多群落双向驱动协作搜索算法。该算法在分析微粒群落特性的基础上,基于无向加权图建立了多群落协作网演化模型,该模型依据群落适应值的优劣程度对群落类型进行划分,并根据不同群落间的协作权重和群落节点响应度评估群落节点强度,由节点强度最大的群落引导整个协作网进化,改进传统群集智能算法面对复杂优化问题中环境变化的自适应性能缺陷;构建了一种多群落双向驱动的进化新模式,给出了多群落协作的异步并行搜索算法,实现了不同环境下群落内部与群落之间的并行进化,降低了数据分析中巨大的计算时空开销。实验结果表明,该方法面向混杂多变数据不断优化种群适应度,能够较快地适应环境变化,并在可接受的时间内得到精确解,为复杂优化问题的求解提供了有效手段。

一种基于模糊Petri网的双向并行推理算法

基于模糊Petri网的并行推理算法的矩阵维数越大,其算法的时间复杂度也就越高。针对反向搜索压缩模糊Petri网模型的相关理论和并行推理算法的特点,结合矩阵命令提出一种实现双向推理的矩阵运算机制,以及其对应的基于模糊Petri网的双向并行推理算法。在使用一般模糊推理算法的过程中,推理矩阵为(11×8)维的模糊Petri网模型,而使用改进算法进行双向推理时所涉及的推理矩阵阶数仅为(7×6)。实验结果表明,与一般的模糊推理算法和反向搜索算法相比,该算法能够提高整个推理过程的并行度,降低算法的时间复杂度,从而提高推理效率。

车辆导航中一种改进的路径优化算法

针对车辆定位与导航系统中的最优路径规划中存在的问题,研究了最短路径搜索算法的快速实现技术,提出了一种启发式快速最优路径规划算法。在分析经典迪杰斯特拉最短路径搜索算法和A*启发式搜索算法的基础上,利用双向A*算法和地图分层搜索技术减小搜索空间,采用二叉堆结构来实现路径计算过程中优先级队列的一系列操作,从而提高了算法的执行效率。仿真试验的结果证明了该算法的优异性能。

基于扇形领域扩展的同步双向A^(*)算法

为提高航空器飞行的安全性和平滑性,解决传统A^(*)算法拐弯角度过大、搜索路径节点过多等问题,提出一种基于扇形领域扩展的同步双向A^(*)搜索算法。首先,根据栅格图法扩展危险区域边界;其次,设计了基于同步双向搜索的A^(*)算法,动态定义正反向搜索的目标节点。针对搜索角度有限问题,提出了在5×5领域内的扇形领域扩展策略,并设计了含有双重权重参数的评价函数以减少冗余点的产生。为验证改进算法的有效性,选取方形和不规则形状危险区进行仿真。结果表明改进的同步双向搜索算法搜索的路径更平滑;与传统双向A^(*)算法的结果相比,在不同形状的危险区域下,搜索路径长度分别减少了1.65%、13.16%,搜索路径节点个数减少了42.6%、46.81%,具有较强的搜索效率。

路径搜索策略研究

针对城市道路网车辆导航系统中经典Dijkstra最短路径搜索算法中存在的计算效率问题，研究基于启发式策略和双向搜索策略的双向启发式优化搜索算法，并探讨路网的分层搜索策略．采用启发信息减少搜索范围、双向搜索分解搜索空间，从而提高了算法的执行效率．实际路网仿真结果表明：相比经典Dijkstra算法，启发式策略搜索效率可提升70％～80％，双向搜索策略在不损失搜索精度下进一步提高搜索效率5％～10％，而分层搜索策略可以极大提高大规模路网车辆导航长距离下路径搜索效率．