混沌粒子群鸡群融合算法的云计算资源调度

为了提高云计算资源调度性能,提出了基于混沌粒子群鸡群融合算法的云计算资源调度策略。使用混沌系统对粒子群算法进行优化,包括粒子初始位置和速度的混沌设置、粒子最优位置的混沌优化;使用鸡群算法继续优化,将粒子群分为若干小组,组内粒子进行最优位置搜索,小组间进行最优位置交流,提出了基于混合粒子群鸡群融合算法的云计算资源调度;经仿真验证,此算法在耗时、耗能和负载均衡度上均有优势,且任务量越大耗时耗能优势越明显。

基于融合算法优化的卷积神经网络预测方法

由于不同气象条件会影响太阳辐照度的有效利用,这制约了太阳能的应用和发展.为了基于不同站点不同采样时刻的气象属性预测中尺度站的太阳能辐照度,依据传统卷积神经网络的框架,建立了一种新型的卷积神经网络结构并用于太阳能辐照度预测.为了缓解新型网络由超参数选取不当导致预测性能差的问题,利用融合算法对新型网络的超参数进行优化.为了提高融合优化算法的全局搜索能力,引入帐篷映射对粒子的初始位置和初始速度进行混沌初始化.首先,导入训练集更新新型卷积神经网络框架,训练结束后导入验证集检验当前模型参数下新型卷积框架的性能.其次,混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型的超参数多次检验,直至最优的预测模型在验证集上的性能趋于收敛.最后,输出模型的最优超参数,建立太阳能辐照度预测模型.基于气象实测数据建立太阳能辐照度预测实验,引入其他两种预测方法进行对比仿真研究,并尽可能复现了Eustaquio and Titericz团队的预测方法(GBRT)作为太阳能辐照度预测性能的评估基准.实验数据表明:混沌融合算法可以有效地提高新型卷积神经网络的预测性能,所提出预测方法的全年太阳能辐照度的均方误差较GBRT降低25.9%,绝对平均误差较GBRT降低了10.7%;全年太阳能辐照度平均误差率降低了18.4%,误差率小于0.1的样本量增加了21.1%.

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。

物联网架构下风电机组远程状态监测仿真

研究物联网框架下风电机组远程状态精确监控。物联网框架下的风电机组中形成设备互动,由于频繁互动会对各种远程信号状态带来干扰,造成状态信号发生非规则形变,提取信号失真。传统的监控方法在信号形变的情况下很难有效对其特征进行提取,造成监控不准。提出混沌粒子融合算法的物联网架构下风电机组远程状态监控方法。建立集成监测模型,将风电机组监控信号输入到该模型中,提取与风电机组状态相关的信号,将其作为风电机组远程状态监测的依据。将混沌粒子群算法与信号融合算法相结合,从而对失真信号进行补偿。在物联网架构下利用改进算法对风电机组远程状态进行监测,将监测数据传输到控制端。实验结果表明,利用改进算法进行物联网架构下风电机组远程检测,能够监测风电机组的运行状态,从而保障风电机组的正常运行。