基于模拟退火算法的智能有轨制导车辆的调度优化模型研究

为了解决单、双工序系统作业问题,基于启发式算法中的模拟退火算法来求解RGV(有轨制导车辆)的最优路径.通过模拟真实的系统作业场景,增强了RGV调度策略的稳定性,并构建了带有故障处理机制的RGV调度优化模型.研究结果表明,基于模拟退火算法的智能RGV调度优化模型能够有效满足预期工况下的目标需求.

高校大学生心理健康评价指标体系与仿真技术研究——基于神经网络优化算法

本文以促进大学生心理良性发展为导向,以大学生心理健康问题的诱因为切入点,确定大学生心理健康评价指标体系。从分类问题和回归问题角度出发,在分类问题中使用有监督分类学习器对大学生心理健康评价体系进行建模,在回归问题中使用神经网络类学习器进行分析。使用SOM聚类算法验证大学生心理健康评价指标体系的稳健性,并基于神经网络学习器进行模型训练,针对最优权重以及阈值的选择问题使用遗传算法进行优化。

基于智能融合算法的冷热电联供系统灵活性运行优化研究

为了进一步提高燃气轮机仿真模型的模拟精度,在建立燃气轮机机理仿真模型和BP仿真模型基础上,基于模型替代技术、BP神经网络算法以及最优加权法、动态权重分配法,分别建立了3种燃气轮机串联智能融合仿真模型和2种并联智能融合仿真模型;通过将上述仿真模型的模拟结果与实际运行数据进行对比分析,遴选出模拟效果最优的仿真模型;以燃气轮机智能融合仿真模型作为燃气轮机的出力约束,建立了考虑热电解耦技术的冷热电联供系统灵活性运行优化仿真模型。结果表明:该模型不仅可以提高仿真结果的模拟精度,而且通过对出力设备的灵活性调整,可有效应对负荷侧能源需求量的动态变化,避免出现能源浪费现象,提升系统的经济效益。

基于改进蝗虫优化算法的智能组卷策略

针对传统组卷策略组卷时间长、试卷质量低等问题,本文提出了一种基于改进蝗虫优化算法的智能组卷策略。首先,综合知识点覆盖率、难度系数等因素,建立多目标评价模型;其次,将试题组合方案编码为蝗虫个体,通过蝗虫优化算法寻找最优组合方案,引入最优导向与随机竞争策略更新个体位置,以增强算法全局搜索能力;结合模拟退火思想,以使算法有能力跳出局部最优;引入余弦自适应函数调整搜索步长,以提升算法收敛速度。根据最优试题组合方案,生成一套高质量的试卷。实验结果表明,基于改进蝗虫优化算法的智能组卷策略与PSO-GA相比,组卷时间降低了52%,适应度提升了19%;与传统蝗虫优化算法相比,组卷时间降低了30%,适应度提升了14%。

飞行模拟机智能控制洗出算法优化及仿真

为提高飞行模拟机逼真度和响应速度,同时避免滤波器参数选取受经验限制,提出基于遗传算法优化的模糊智能复合控制洗出算法。结合人体感知评价系统,利用模糊仿人控制器将输出信号分别补偿给高通加速度通道和旋转角速度通道;利用遗传算法优化高通滤波器参数。仿真结果表明,同一运动信号,优化后的模糊仿人智能洗出算法响应快速性有明显提高,回稳时间相比参数优化前快1.9 s,相比经典洗出算法快2.7 s;优化后模拟机纵向利用率提高到60.59%,动作更加逼真。结合人体评价系统感知模型得到的感知加速度曲线分析得出;优化后的模拟机动作更加逼真。优化后所提算法感知加速度更逼近真实洗出加速度,降低了体感误差,提高了模拟逼真度。

模拟退火智能优化算法的评价指标

以模拟退火、遗传和各类“群”算法为代表的智能优化算法是解决优化问题的重要方法,在路径规划、任务调度等领域发挥了重要作用。但是在实际操作中,如何选择算法、确定流程、调整参数,并没有统一的标准,导致问题的求解过程存在一定的盲目性。为此,我们定义了局部优化能力、全局搜索能力和随机冗余程度三个智能优化算法的评价指标,为该类算法的评价和优化提供参照。

基于多目标优化的变电站消防资源配置算法

针对变电站消防资源分配与分布不均匀的问题,提出了一种基于多目标优化的变电站消防资源配置算法。该算法采用电力生产场所的道路网作为变电站消防责任区划分的依据,并结合各划分区域的消防需求构建消防资源配置模型。根据该模型的特点,在帕累托最优解的约束下提出了一种基于模拟退火的多目标优化算法,来求解该消防资源配置模型。仿真与实验结果表明,所提出的消防资源配置模型更符合实际变电站各场所分布的特点,且所提出的多目标优化算法得到的消防资源分配结果能在消防资源有限的条件下,实现最大的配置效益和快速的消防响应。

快速公交线路组合频率优化的禁忌模拟退火算法仿真

针对快速公交(BRT)线路组合的频率优化目标,建立了兼顾公交运营效益和乘客服务要求的BRT运营作业安排数学模型。根据问题的特点,将禁忌算法与模拟退火算法相结合,对BRT线路组合的频率进行优化。多次仿真运算结果及分析表明,该算法具有比禁忌算法、模拟退火算法都更好的效率,是解决该类问题的一个有效途径。

利用智能型模拟退火算法进行开关磁阻电机磁极几何形状的优化

通过对模拟退火算法(简称SA算法)进行深入研究发现,SA算法在寻优过程中随机产生的新点仅与当前状态有关,而与已搜索过空间的状态及其目标函数值毫无关系,这就浪费了大量有用的信息,因而SA算法最大的缺点是在搜索寻优过程中存在较大的盲目性。为此,该文将模糊推理技术用于SA寻优过程,可利用已搜索过的空间信息确定全局最优点所在的区间,从而缩小搜索范围使算法迅速收敛于全局最优点;并可自动去除不可行解,避免了电磁场逆问题计算中大量不必要的磁场计算。应用电磁场逆问题的分析方法,对开关磁阻电动机转子磁极几何形状进行了全局优化设计,在电机主要尺寸不变的条件下,显著地提高了样机的静态转矩。

基于粒子群算法的精轧AGC系统智能参数优化及实验设计

将经典粒子群(particleswarmoptimization,PSO)算法和4种不同改进形式的PSO算法应用于精轧自动厚度控制(automatic gauge control,简称AGC)系统PI控制参数的优化整定,设计了基于PSO-PI控制策略的精轧AGC智能优化控制系统。在控制参数的整定过程中,通过加权系数法将控制精度、动态响应特性等多项性能指标的优化问题转化为单目标优化问题,并通过仿真实验研究了各项控制指标权重系数对控制效果的影响。最后,基于PSO算法研究成果构建了精轧AGC智能优化控制虚拟仿真实验系统,为学生解决冶金自动化领域复杂工程问题能力培养提供了有力支撑。

飞行模拟器洗出算法优化设计及仿真

飞行模拟器逼真度的关键在于洗出算法的优劣,经典洗出算法的参数调整方便、反馈速度和执行速度迅速而被广泛应用,但在结构设计上仍然存在一定缺陷,导致洗出算法相位延迟误差和虚假暗示过大,造成飞行模拟器动感逼真度的下降。根据前庭感知系统对经典洗出算法的结构进行重新设计,使用补偿理论减小算法的相位延迟和虚假暗示。在MATLAB/SIMULINK中对一组实际飞行数据进行仿真验证,并给出优化后洗出算法的最佳参数值范围。仿真结果表明,优化后的洗出算法在最佳参数值范围内能够提升运动平台的利用率和减小虚假暗示,提高飞行模拟器的动感逼真度。

基于最优邻域搜索改进模拟退火的多雷达优化布站

针对多雷达组网探测系统,首先建立以空域覆盖率为优化目标、以多雷达位置为优化变量的数学模型,将多雷达布站建模为一个离散优化问题,从而筹划形成最优的多雷达部署方案.其次提出一种基于最优邻域搜索的改进模拟退火算法,通过在历史全局最优解的邻域范围内搜索产生新解来提升算法收敛速度;为确保算法的有效性,利用多项复杂性能测试函数对改进算法进行全面的性能分析.最后,在典型的仿真场景中,设定6部雷达、2个高度层的环境条件,对提出的算法进行验证.仿真结果表明,基于最优邻域搜索的改进模拟退火算法在收敛速度上表现优异,且以此为基础得到的多雷达布站方案能够满足任务需求,确保空域覆盖率的最大化.

基于改进粒子群算法的湿法冶金技术优化控制

分析了湿法冶金技术的关键工艺,构建了优化控制模型,并利用自适应惯性权重和模拟退火算子对粒子群算法进行改进,对湿法冶金技术进行优化控制。仿真试验结果显示:在A风力发电场优化数据集中测试中,AIW-SAO-PSO算法迭代225次时趋于稳定,适应度值约为0.165,且迭代100次时,算法的均方根误差、平均绝对误差、相对标准偏差分别为0.0080,0.0045和0.971%;在湿法冶金技术优化控制模型的寻优求解中,得到的综合效益值为1.9×10^(5)元/h,与目标期待值的绝对误差约为0.1×10^(4)元/h。实现了湿法冶金技术的优化控制,并为同类型优化控制提供理论支持。

基于仿真技术的空调室内机风道优化设计与性能评估

该研究以先进的仿真技术为基础,以空调室内机风道设计为优化对象,对其性能进行评价。首先通过对仿真技术应用于空调设计及优点进行深入分析,阐明研究的意义与必要性。第二,研究重点围绕空调室内机风道参数设定及优化设计展开,利用智能优化算法迭代优化关键参数,通过仿真实验设计和结果分析深入探究参数设定对其性能的作用机理。最后搭建性能评估指标体系进行实验验证,保证仿真结果准确可靠,综合评价优化设计性能。该研究不但是空调室内机风道设计的一种有效工具与手段,而且对提高空调产品性能与效率具有强有力的支撑作用。

智能优化算法案例介绍分析

自然界蕴含着无穷无尽的奥秘,精密且有规律的运行给人类带来许多智慧的灵感。其中智能优化算法就是通过模拟某一自然现象或过程建立起来的,为各种优化问题提供了新的途径。智能算法注重逻辑思维能力以及推理能力,而这两种能力是中学生培养良好的科学精神不可缺少要素之一,故本文以粒子群算法、模拟退火算法和禁忌搜索算法为例,通过文字、图示的形式介绍算法的基本思想、算法流程以及应用案例,体现出模仿自然的数学其趣味性和智能优化算法的巧妙思想,以此诱发中学生对自然探秘以及数学探究的浓厚兴趣,帮助中学生发展良好的科学精神及培养核心素养能力。

新型群智能算法在求解聚类问题上的对比研究

为更好地解决kmeans聚类算法对初始聚类中心敏感的问题,选取了最近几年比较典型的5种群智能算法,如蝙蝠算法、磷虾算法、灰狼算法、鲸鱼算法和麻雀算法等,对Kmeans算法在初始聚类中心的选择上进行优化,然后通过6个UCI中典型的数据集进行聚类仿真,并分别从算法的求解精度、稳定性、收敛速度和聚类性能等方面对比分析了各算法的性能。仿真结果表明,灰狼算法在求解聚类问题时效果最佳,能够在较短的时间内有效地对聚类中心进行优化,并且具有较高的精度和稳定性,可有效地解决kmeans算法对初始聚类中心敏感的问题。

基于模拟退火高斯扰动的蝙蝠优化算法

蝙蝠算法(bat algorithm,BA)是一类新型的搜索全局最优解的随机优化技术。为了提高BA算法的搜索效果,把模拟退火的思想引入到蝙蝠优化算法中,并对蝙蝠算法的某些个体进行高斯扰动,提出了一种基于模拟退火的高斯扰动蝙蝠优化算法(SAGBA)。分别将蝙蝠优化算法、模拟退火粒子群算法、SAGBA在20个典型的基准测试函数中进行仿真对比,结果表明SAGBA不仅增加了全局收敛性,而且在收敛速度和精度方面均优于其他两种算法。

智能电网环境下空调系统多目标优化控制算法

提出了一种居民用户空调系统运行控制算法。该算法根据室外温度的预测值和电力公司发布的电价信号对空调系统的运行进行控制。为此,在用电费用指标的基础上,引入了定量反映用户舒适度的指标,建立了同时优化用电费用指标和用户舒适度指标的多目标优化模型。建模过程中采用蒙特卡洛仿真法和情景消减技术来处理室外温度预测误差带来的不确定性。采用改进的粒子群算法对模型进行求解。对提出的算法进行了仿真实验,并与传统的恒温控制模式和以最小化用电费用为目的的单目标优化控制算法进行了对比。实验结果表明,多目标优化算法能更好地兼顾用户的经济需求和舒适度需求,从而验证了该算法的有效性。

基于遗传算法的渔情预报HSI建模与智能优化

鱼类栖息地适宜性指数模型(HSI)基于鱼类分布与海洋环境之间存在的非线性关系而构建。然而,海洋环境因子之间存在着传统方法无法消除的相关性,导致获取的HSI参数较难准确表达环境因子与渔场之间的复杂关系。基于遗传算法(GA),自动消除海洋环境因子之间的相关性,构建了一种通用的鱼类HSI建模与智能优化框架(GeneHSI)。GeneHSI框架的核心是HSI建模空间向遗传算法空间的映射以及GA适应度函数的构建。该函数构建的思想是HSI预测的渔场概率与商业捕捞获取的渔场概率之间的累计误差值达到最小化。GeneHSI由待解问题构建、GA初始化和GA优化策略3部分组成。利用随机生成的标准化海洋环境数据与渔场概率数据,验证了GeneHSI模型框架的有效性。研究表明,GeneHSI能够有效优化HSI的建模并能自动获取HSI参数。不同限制条件下,遗传算法获取的HSI具有较大的差异,其中一般优化策略下获取的HSI参数最差;不等式、等式和上下界条件下,GeneHSI优化过程显著地更加合理,因此获取的HSI参数也更准确。此外,100、1000、5000和10000样本量下的优化建模表明,GeneHSI具有处理海量样本数据的能力。

模拟进化优化方法及其应用——遗传算法

在本世纪六十年代中期,美国、德国等国家的一些科学家开始研究用模仿生物和人类进化的方法求解复杂的优化问题的方法,这里我们统称之为模拟进化优化方法(optimi:ation method by simulatedevolution)。但这些方法在六十年代和七十年代并未受到普遍的重视,一是因为当时这些方法还不成熟,二是当时计算机发展水平低,容量小,计算速度慢,这些方法又需要较大的计算量,难以实际应用。但在这期间有一些科学家一直在进行不懈的努力.代表性人物之一为美国的著名科学家J.H.Holland,他和他的学生甲直在对他所提出的一种模拟进化优化方法—遗传算法(Genetic Algorithm,GA)进行理论研究并开拓其应用领域。八十年代初期,伴随着人工神经元网络理论和机器学习理论的发展以及计算机容量和计算速度的不断提高,遗传算法的研究也越来越受到重视而逐步成熟起来,并日益受到各学科研究人员的普遍重视。自八十年代中期开始,这种方法除了在人工智能领域。