基于WPSO-BP和L-MBWO的多翼离心风机优化研究

针对多翼离心风机气动性能、噪声情况难以同时改进的问题,提出了一种基于变权重粒子群优化算法的反向传播神经网络风机性能预测模型(WPSO-BP),以及一种基于逻辑混沌初始化的多目标白鲸优化算法(L-MBWO),并将二者应用于多翼离心风机的优化设计中。首先,选取了叶片进出口角、倾斜蜗舌的最大蜗舌半径、叶片切除角度作为设计变量,把风机的全压、效率、声压级作为优化目标;然后,构建了WPSO-BP预测模型,以反映设计变量与优化目标之间的关系,定量分析对比了该模型与BP神经网络预测模型,预测值用于风机的性能优化;接着,将逻辑混沌初始化引入到白鲸优化算法(BWO),基于第三代非支配排序遗传算法(NSGA-Ⅲ)构建了L-MBWO优化算法;最后,在实验验证仿真可靠的前提下,将提出的预测模型和优化算法应用于风机优化,并对优化效果进行了综合分析。研究结果表明:优化后的风机全压增加了34.79 Pa,效率提高了0.67%,噪声降低了1.73 dB,实现了多个优化目标之间的平衡,有效改善了风机的综合性能,为多翼离心风机的优化设计提供了一种新思路。

基于夹角余弦的混沌局域加权线性预测算法

针对基于欧氏距离的混沌局域预测算法在高嵌入维情况下预测精度迅速下降的问题,提出了基于夹角余弦的局域加权线性预测算法。该算法使用夹角余弦取代欧氏距离作为判别相点间相关性的标准;同时将相点间相关性大小通过加权的方式作用于预测模型;并将相点视为向量,以向量的模和夹角为优化目标,进行预测参数识别。在详细论述改进算法理论基础的同时,使用南方某城市电力负荷进行了算例验证。算例结果表明,改进算法的预测精度明显优于原算法,验证了改进算法的有效性。

加权Internet访问直径短期及长期预测行为分析

Internet物理特征量短期及长期预测是一个重要课题,为此,首先定义了加权Internet网络,然后形式化定义表征加权Internet的物理参量———加权Internet访问直径,接下来根据海量数据变化特点,提出了基于Logistic模型的、以正余弦函数模拟振荡变化的数学模型,使用浮点型遗传算法分别进行拟合实验,并通过实验结果对上述模型进行了评价和选优·由于加权访问直径演化极为复杂,传统的一维数学模型在长期预测中已不适用·因此,在长期预测方面,首先计算得到加权Internet访问直径的关联维数,证实其演化过程为混沌现象,存在奇异吸引子·最后根据关联维数及奇异吸引子相近空间混沌轨道运动特性,提出了基于四维微分方程组的加权访问直径长期预测的形式模型·

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。

基于多变量加权一阶局域混沌预测模型优化及应用

鉴于实际应用中多变量因素对混沌预测的影响,提出了多变量时间序列相空间重构方法,以此为基础建立多变量加权一阶局域混沌预测模型。引入等概率符号化极大联合熵求取延迟时间、最小香农熵法求取嵌入维数,实现多变量混沌预测模型子序列重构;对实际序列采用区间邻近点法确定预测中心点的邻近点,避免产生伪邻近点;最后用关联分析确定观测变量。将该模型应用于短期电力负荷预测,分析气温等影响因素与电力负荷的相关程度,引入气温时间序列作为另一观测变量,实验证明相对于单变量预测方法提高了预测精度。

基于关联度网络流量预测的加权局域线性模型

用来预测混沌时间序列的传统加权局域模型一般用空间距离来定义邻近点的权重,当重构相空间嵌入维数增大时预测效果不是很理想。考虑了关联度对预测中心动力学行为的影响,提出用关联度来定义权重的方法,建立了一个用来预测网络流量新型的加权局域线性模型。模拟试验结果表明,和传统加权模型相比,当嵌入维数较高的时候,该模型能在较大程度上提高网络流量的预测精度。

网络流量行为分析的小波加权混沌局域模型

结合小波变换和混沌局域模型的各自优势,提出一种网络流量的预测模型。首先,将网络流量时间序列进行小波分解得到高频信号序列和低频信号序列,再用加权混沌局域模型对每一成分的信号序列分别进行预测,对所有的预测分量进行小波重构就可以实现对网络流量的预测。用实际网络流量对该模型进行验证,实验结果表明,该模型具有较高的预测效果。

融合混沌与模拟退火PSO的BP神经网络模型研究

考虑到BP神经网络模型和PSO粒子群优化算法存在有的收敛速度慢及陷入局部最优的问题,给出了基于融合混沌(Chaos)模型和模拟退火(SA)算法而设计的PSO-BP神经网络模型。将混沌模型和SA算法的优点进行融合并对PSO算法加以改进,防止PSO算法因“早熟”而处于局部最优,从而得出BP神经网络模型的权值与阈值集合。实例验证结果表明,CSAPSO-BP神经网络模型的收敛性高于PSO-BP神经网络模型与SAPSO-BP神经网络模型,其平均绝对百分比误差分别比后两者低25.23%和14.19%。

基于改进加权一阶局域预测模型的负荷预测方法研究

针对混沌时间序列预测中用加权一阶局域法单步预测模型进行多步预测时计算量大,且存在误差累积效应的不足,本文提出了基于相空间重构技术的加权一阶局域法多步预测模型,通过实际算例分析显示,本文方法较改进前有较好的适应能力和预测精度。

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.

基于改进的加权一阶局域预测模型的风电功率预测

为提高风电功率预测精度,将混沌时间序列分析应用于风电序列,研究风电数据混沌特性以及混沌时间序列加权一阶局域多步预测法(AOLMM).针对高维相空间中相点间的相关性大小不能被欧式距离精确反映的问题,利用灰色关联度和相点间的距离确定邻近点的权重大小,同时将中心点与邻近点延迟矢量最后一个分量的强相关性考虑在内,改进了预测方法.对风电功率预测分析可见,改进的方法具有较好的适应能力和预测精度.