基于自寻优和交叉寻优的量子优化算法

为提高群智能优化算法的搜索能力,提出了一种量子优化算法。该算法基于量子位Bloch坐标,将种群分为最优个体和普通个体两部分并进行不同处理,对于最优个体,通过使所有量子比特在Bloch球面上绕着坐标轴多次旋转,生成多个新个体,并采用贪婪搜索策略选择最优个体;对于普通个体,将当前个体的量子比特向着随机交叉确定的目标位置旋转,生成新个体,并在当前个体和新个体之间通过贪婪选择以实现当前个体的交叉寻优。函数极值优化的仿真结果表明,所提算法在优化能力上,优于简单量子遗传算法、普通遗传算法和人工鱼群算法,从而验证了算法的有效性。该算法在高维能很好地避免陷入局部最优值,具有快速收敛性和良好的全局搜索能力,实验结果揭示出采用量子计算设计优化算法进而提升搜索能力的研究思路是可行的。

基于交叉验证网格寻优的GBDT-LSTM水产养殖溶解氧预测

为了进一步提高水产养殖溶解氧的预测精度,提出了基于交叉验证网格寻优的GBDT-LSTM溶解氧预测模型。通过梯度提升决策树(GBDT)选取对溶解氧影响度较高的特征因子;在Keras深度学习框架的基础上搭建长短时记忆神经网络(LSTM),使用交叉验证网格寻优算法对LSTM参数进行优化;将本模型运用到江苏省金坛市渔业基地一标准池塘进行溶解氧预测。试验表明:该模型的评价指标均方根误差(R_(MSE))、平均绝对误差(M_(AE))、平均绝对百分误差(M_(APE))分别为0.208,0.158,2.635,其评价指标均优于其他对比预测模型。表明该模型具有较好的预测能力和泛化能力,能够满足现代化水产养殖的实际需求。

多尺度稀疏电能质量扰动识别方法

针对传统电能质量扰动识别中存在数据量大、扰动特征依赖主观选择的问题,提出一种多尺度稀疏电能质量扰动深度识别方法.首先,构建电能质量的多尺度稀疏模型,通过对扰动信号平稳小波多尺度变换获得扰动的低高频信息;然后,对其压缩采样获得降维的测量数据,并在此基础之上,应用正交匹配追踪算法求取各层稀疏系数组成稀疏向量,将稀疏向量输入深度置信网络,实现扰动的智能识别;同时,为进一步提高网络识别的准确性,采用交叉熵算法完成对网络隐含层数、学习率等参数寻优;最后,为验证所述方法的有效性,针对几类典型的单一扰动和复合扰动信号进行大量仿真试验.结果表明:在理想环境和噪声环境下,针对七类典型单一扰动,平均识别率达到99.0%和96.71%以上;针对13类多重扰动,平均识别到达97.69%和94.62%以上.

双圆心拟合与网格逼近的圆柱度误差评定算法

针对细长轴或深孔空间圆柱度误差精确评定问题,结合圆度与直线度误差评定方法,提出了运用双圆心拟合和端面网格搜索的交叉寻优算法;建立了满足最小条件原则的细长轴圆柱度误差的数学模型,以消除传统网格寻优算法中,因中心偏移而使网格逐次逼近难以得到最优解的缺陷,同时运用坐标变换,直观计算搜索基面;双向网格均匀扩展能很好摆脱圆柱度误差评定时陷入局部最优解的不足,经实验数据检测与其它文献比较,证明了本算法的有效性。