面向人脑功能划分的人工水母搜索优化算法

人脑功能划分是揭示人脑功能分离性的重要方式。然而,现有的大多数划分方法因不能较好地处理功能磁共振影像(fMRI)数据的高维性和低信噪比性,表现出搜索能力较弱和划分结果较差的问题。为了减轻此问题,提出一种基于人工水母搜索优化(AJSO)的人脑功能划分方法。该方法首先基于预处理的fMRI数据计算功能相关矩阵,并将其映射到低维空间。然后将食物编码为由多个功能簇中心构成的聚类解,利用改进型人工水母搜索优化算法搜索更优的食物,采用融入迭代停滞的时间控制机制调控人工水母执行主动运动或被动运动,以提高全局搜索能力;针对主动运动设计适应度引导的步长确定策略,增强人工水母搜索的科学性和针对性。最后根据最小距离原则得到相关矩阵中每行数据的簇标,并将其映射到相应的体素上。在真实fMRI数据上的实验表明:与其他一些划分方法相比,新方法不仅拥有较高的搜索能力,而且可得到具有更好空间结构和更强功能一致性的划分结果。这项研究将人工水母搜索优化算法应用于人脑功能划分,提供了一种更有效的人脑功能划分方法。

基于二次分解和JSO-TCN模型的短期光伏功率预测

针对光伏功率数据稳定性低、波动性大以及通过单一模型难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解和JSO-TCN模型的光伏预测模型。该模型首先通过自适应噪声完备集合经验模态分解(CEEMDAN)对实际光伏功率数据进行分解;然后分别计算各分量的样本熵,并通过K-means++聚类为高频、中频和低频3个分量,再利用变分模态分解(VMD)对熵值最高的模态分量进行二次分解;最终将处理后的数据输入到时序卷积网络(TCN)中并采用水母优化算法(JSO)对TCN进行参数优选。以西南地区某光伏电站为例,相比于其他模型,本模型在3类指标上均具有优势,决定系数(R 2)为98.29%、平均绝对误差(MAE)为0.481 MW、均方根误差(RMSE)为0.674 MW。由此可知,基于二次分解和JSO-TCN模型预测精度高、误差小,能够为该地区电网调度提供参考。