基于动态模态分解-自适应变步长油浸式电力变压器绕组瞬态温升快速计算方法

为了改善当前油浸式电力变压器绕组瞬态温升计算过慢的问题,该文结合动态模态分解法和自适应变步长法提出了一种动态模态分解(DMD)-自适应变步长(ATS)快速计算方法。首先,该方法引入了动态模态分解算法,利用动态系统中前若干时步提取得到的变化特征,近似拟合其后一段时间内的系统变化,并通过选取主模态降低计算时间。其次,为了提高DMD算法性能,进一步提出结合ATS方法,通过自适应调整计算步长,提高瞬态计算效率;为了验证算法的计算精度和效率,建立了八分区分匝绕组数值传热模型并在此基础上将该文所提算法与仿真软件Fluent的计算结果进行对比,结果表明,在计算精度方面,二者结果几乎一致,计算误差最大不超过0.3 K;对于计算效率,该文算法的总计算时间为5.99 s,仅为Fluent总计算时间的1/89,且算法时间步数仅为Fluent的4.7%。最后,为了验证DMD-ATS算法的工程实用性,基于产品级油浸式电力变压器绕组结构搭建温升实验平台,并将所提算法计算结果与实验结果进行对比,结果表明所提算法在各测量线饼的误差均处在可接受的范围内,最大误差仅为4.57 K,且包含预处理时间在内的计算时间仅为69.14 s,计算时步仅需17步,较当前主流的计算方法效率有明显提高。综合算法的精度和效率,充分说明所提算法具有一定工程价值。

基于适应性动态步长的变异果蝇优化算法

针对基本果蝇优化算法(FOA)容易陷入局部最优值、后期收敛速度变慢和收敛精度较低的缺点,提出了一种基于适应性动态步长的变异果蝇优化算法(MFOAADS)。首先,利用佳点集法选取种群初始位置,降低算法初始点选取的随机性和陷入局部最优值的概率;然后,采用适应性动态步长优化策略,提高收敛速度和求解精度;最后,若算法陷入了早熟,则对种群最优个体按一定概率执行柯西变异扰动,赋予其跳出局部最优的能力。经5个经典函数测试表明,固定迭代次数时MFOAADS的收敛精度与收敛速度明显优于FOA;固定目标精度时,MFOAADS相对于FOA平均迭代次数有着大幅下降且成功率达97%以上。实验结果表明,所提算法求解精度、运行效率以及可靠性相对于基本FOA算法都有着显著提高。

基于自适应步长的天然气管网动态仿真

根据天然气在管道内部流动缓慢时,压力变化小,反之压力变化大这一特点,提出一种步长依据流量值自适应调整的天然气管网动态仿真方法。该方法通过将管道各点的流量值与基准值进行比较来调整各点步长,然后采用直线法求解天然气流动的动态模型。实例仿真表明:自适应步长法在相同的计算精度下,相比固定步长法具有较高的计算速度。

基于动态平衡因子自适应步长的布谷鸟搜索算法

针对标准布谷鸟搜索算法依赖Lévy飞行的游走导致整个搜索过程步长具有随机性的问题,提出一种基于动态平衡因子自适应步长的布谷鸟搜索算法。通过对标准布谷鸟搜索算法中参数偏度动态自适应取值来实现算法对步长的动态自适应,同时引入动态平衡因子以调节全局适应度和当前迭代次数所占的比重,从而实现布谷鸟搜索算法收敛速度和搜索精度的平衡。测试仿真实验结果表明,与标准布谷鸟搜索算法相比,提出的算法收敛速度显著提升;与单纯依赖迭代次数自适应步长的布谷鸟算法相比,提出的算法避免了为追求收敛速度而造成的算法早熟现象。

一种自适应变步长迭代动态规划方法研究

针对传统迭代动态规划方法计算效率低的缺点,提出了一种改进的自适应变步长迭代动态规划方法,在求解中引入Runge-Kutta-Fehlberg自适应变步长方法来提高寻优精度和求解效率。以经典的间歇反应过程动态优化问题作为研究实例,研究结果表明:所提出的自适应变步长迭代动态规划方法,在保留传统的迭代动态规划方法有效寻找全局最优优点的同时,能够进一步提高寻优精度,而且优化效率也较高。

一种基于自适应步长及动态修剪的Apriori改进算法

首先分析了Apriori算法的特点、缺陷,其次探讨了如何提高Apriori算法的有效性,然后提出一种利用自适应步长跃进、动态修剪候选项集技术的改进算法U-Apriori,并通过实验进行对比,证明了对算法改进的有效性。

一种基于动态步长的AAPF-RRT*移动机器人路径规划新算法

针对改进快速搜索随机树(rapidly-exploring random tree,RRT*)算法中节点盲目扩展和收敛速率慢的问题,提出了一种基于RRT*的路径规划新算法。首先,通过改进相对距离势场法,提出了自适应人工势场(adaptive artificial potential field,AAPF)法,既克服了相对距离势场法中引力与斥力过大的问题,又解决了目标点不可达的问题。然后,将RRT*算法与AAPF法相结合,并将固定步长改为动态步长,从而既克服了RRT*算法中节点盲目扩展的问题,又显著提高了移动机器人路径规划效率和避障灵活性,同时兼顾路径平滑性。最后,基于MATLAB进行仿真,验证了所提算法的有效性和实用性。

自适应步长布谷鸟搜索算法

布谷鸟搜索算法(CSA)是一种新颖且简单、高效的生物启发式算法。针对标准算法存在后期收敛速度慢、易陷入局部最优等问题,提出了一种新的自适应步长布谷鸟搜索算法(ASCSA)。通过自适应调整莱维飞行步长使算法在前期拥有较大的寻优空间,提高全局搜索能力;步长随迭代自适应减小,算法的局部开发能力增强。针对偏好随机游动,引入动态惯性权重和记忆策略后,算法能够充分利用历史经验,稳定性得到提高。实验结果表明,改进后的布谷鸟搜索算法的各方面性能较标准算法及相关改进版本都有显著提高。

基于模糊控制与自适应步长相结合的光伏发电系统最大功率点跟踪研究

光伏发电已逐渐得到人们的重视和使用,根据光伏电池输出特性非线性的特点,采用了模糊控制的方法来进行最大功率点的跟踪。本文搭建了光伏发电系统的仿真模型,设计了模糊控制器,并为了弥补传统步长算法在光伏发电系统最大功率点跟踪上的缺陷,采用了自适应步长调整法来自动调整被控量。通过与传统定步长、变步长的仿真结果进行比较,得出了基于模糊控制的自适应步长调整法,可以快速实现光伏发电系统的最大功率点的跟踪控制,并使输出一直维持在稳定值。

基于动态规划的机动目标加权自适应相参积累方法

针对机动目标径向速度变化和距离徙动与多普勒扩展的耦合关系,该文提出一种基于动态规划的加权自适应相参积累(DPWACI)方法。该方法能够沿着目标运动轨迹进行高效能量积累。首先,加权的动态规划过程能够精确搜索目标各时刻的位置与速度;其次,改进的相参积累能够对整个过程中的相位扩展进行多普勒校正;最后,自适应步长能够在不同速度搜索通道采用相应的相参积累时间。该算法无需估计具体运动参数,适用于任意机动方式。仿真结果和性能对比展示了该算法的估计精确性以及相较于传统算法的优越性。

基于自适应变步长蚁群算法的路径规划研究

针对移动机器人路径规划避障问题,提出了一种基于自适应变步长的改进蚁群算法。该算法采用栅格法建模,在静态规划部分通过调整信息素更新规则以解决传统蚁群算法收敛速度慢、易陷入局部最优等缺陷,然后通过基于中心点思想的平滑策略进行平滑操作。在动态障碍物环境下,根据蚁群算法全局静态环境先验知识,通过障碍物栅格个数占视野范围内所有栅格个数的比例即占空比策略选择下一步移动栅格,从而在成功避障的前提下降低路径长度,增强路径平滑度。仿真实验表明,自适应变步长蚁群算法在动态障碍物环境下能够很好的完成避障任务,具有很强的可行性和时效性。

融合鸟巢扰动与动态惯性步长的布谷鸟算法

针对布谷鸟算法(CS)寻优精度低、易陷入局部最优解的问题,提出一种融合鸟巢扰动与动态惯性步长的布谷鸟优化算法(CMCS)。首先,通过引入Logistic算子优化初始种群,提高种群多样性;其次,对发现概率和Levy飞行引入动态函数,平衡算法全局搜索和局部搜索并提高算法搜索精度;再次,引入动态扰动策略,对陷入局部最优解的种群进行扰动,进一步提高算法跳出局部最优解的能力。最后,采用8个测试函数与其它改进算法比较,结果表明,改进的布谷鸟算法在收敛精度,跳出局部最优解方面优于其它算法。

自适应调整的布谷鸟搜索K-均值聚类算法

针对布谷鸟搜索(CS)算法后期收敛速度慢,传统K-均值算法对初始簇中心选择比较敏感,提出了一种自适应调整的布谷鸟搜索及优化初始K-均值聚类算法(CSSA-OIKM)。首先,由集群度与距离均衡优化选择初始簇中心;其次,融合粒子群算法思想,遵循自适应优化学习策略以均衡CS算法全局与局部精细搜索能力;最后,在改进CS算法的基础上引入自适应度调节步长因子与动态变化发现概率,增强算法收敛性能。通过对经典数据集的仿真实验分析,相比K-均值算法、PSO-K-均值算法及CS-K-均值算法来说,提出的CSSA-OIKM算法能有效提高聚类精确性,且算法稳定性好。

动态步长FOA的PID参数整定方法研究

为了解决基本果蝇优化算法(FOA)因固定搜索步长而对比例积分微分(PID)参数整定收敛精度不高且搜寻效率低的问题,将Logistic(t)的变换函数lgt(t)引入FOA中。由该变换函数确定自适应步长,提出一种动态步长果蝇优化算法(DSFOA)。DSFOA中果蝇个体搜索步长会随着迭代次数的增加而动态地变化。该算法在迭代前期使用大步长,具有更高的全局搜索效率;在迭代后期使用小步长,具有较强的局部寻优能力。这可以提高收敛精度,实现对全局搜索和局部搜索过程的优化。二阶系统仿真测试结果表明,相比于FOA,DSFOA寻优过程产生的PID参数使系统性能更优,能快速、有效地搜索到PID最优参数且鲁棒性好。该结果验证了DSFOA的有效性与合理性。

基于自适应步长搜索的弱估计器算法

强估计器,即依据收敛概率为1的稳定估计方法,因其优秀的计算特性已经成功地应用于多种应用领域。但此类方法的优点基于一个假设,即所接收的数据需要保持分布不变。随着计算能力的提升、需要解决的问题日趋复杂、处理的数据日益庞大多变,单纯地将问题抽象为使用底层分布稳定的数据流已难以满足日常应用的需要。弱估计器在强估计器的基础上,放宽了对底层分布的限制,使其可以估计动态变化的目标参数。而目标参数的动态变化要求弱估计器可以迅速地反应、快速地追踪。为了提高弱估计器应对目标参数的动态追踪能力,本文提出了基于自适应步长搜索(ASS)的弱估计器方法,实验表明本文提出的算法显著地提高了弱估计器的性能,并有效地平衡了参数的追踪速度与估计精度。

引入动态因子的改进MLMS谐波检测算法

针对原始加入动量项最小均方MLMS(momentum least mean square)算法在低信噪比情况下,容易产生稳态失调,提出一种引入动态因子的改进MLMS算法。该算法采用动态因子来控制步长对瞬时误差信号的敏感性,并且采用当前误差信号e(n)和上一次误差信号e(n-1)的自相关估计来调整步长迭代,增强了算法对噪声的抗干扰性,提高了谐波检测的精度。该算法在稳态精度上优于原始算法,MATLAB仿真结果验证了该算法的有效性和可行性。

基于混沌和自适应搜索策略的GSO算法分析与优化

针对基本萤火虫群算法在全局优化问题求解过程中存在的求解精度偏低、易陷入局部最优、收敛速度较慢等问题,提出一种基于混沌和自适应搜索策略的萤火虫优化算法(CSAGSO)。利用混沌搜索技术对萤火虫种群进行初始化以得到分布更为均匀、合理的较优初始解;运用混沌扰动优化策略对每一代适应度较差的部分萤火虫个体进行混沌扰动以增强种群多样性和提高全局搜索能力。采用动态步长的自适应搜索策略,并对寻优过程中静止不动的萤火虫个体位置进行更新,加快了算法前期收敛速度,减少了后期震荡现象发生。仿真实验结果表明,优化后的萤火虫算法参数较少并具有较好稳定性,同时在求解精度和收敛速度上都明显优于基本萤火虫群算法。

基于ASGSO-ENN算法的瓦斯涌出量动态预测模型

针对煤矿瓦斯涌出量的多影响因素预测问题,引入荧光因子以自适应调整搜索步长,用于改善基本萤火虫算法后期收敛速度慢及容易陷入局部最优的缺陷。将改进后的自适应步长萤火虫算法与Elman动态反馈神经网络相结合,用于辨识瓦斯涌出非线性系统。通过实时对网络的权值、阈值进行全局寻优,建立基于ASGSO-ENN耦合算法的绝对瓦斯涌出量预测模型。利用矿井监测到的各项历史数据进行实验,结果表明,该模型的预测均方根误差为0.103 4,平均相对变动值为0.000 387。相比于其他工程常用的预测模型,具备更高的预测精度与更强的泛化能力。

动态环境下带有非线性效应的复合粒子群优化算法

针对粒子群优化算法在求解动态优化问题存在多样性缺失,寻优速度慢等缺陷,借鉴物理学中的非线性复合效应,本文提出带有非线性效应的复合粒子群优化算法,该算法利用复合材料的相乘效应根据粒子的相似性,基于"最坏优先"规则将种群划分成若干复合粒子.为使种群迅速地在动态环境中找到最优解,利用复合材料的共振效应,成员粒子通过自适应异速度映射机制整合有价值信息.为提高种群的多样性,利用复合材料的诱导效应,引入复合粒子的整体运动策略.最后通过动态标准测试问题实验对相关参数设置进行了分析,并与其他几种粒子群算法相比较,验证了该算法在动态环境中的有效性.

瓦斯浓度动态在线预测模型

为有效预测采煤工作面的瓦斯浓度,针对具有高度非线性、不确定性、时变性及复杂性的瓦斯浓度序列,提出在线序贯极限学习机理论的瓦斯浓度动态预测模型,该模型可以实时更新监测信息,并根据历史数据和当前数据进行模型的离线训练和在线学习以完成对未来时刻瓦斯浓度的动态预测.同时,引入自适应萤火虫算法优化预测模型参数.实验结果表明:该方法通过实时更新样本数据,降低了复杂度,耗时小,学习影射能力强.该模型的预测误差比BPNN和ELM网络模型低,具备良好的预测精度与更强的泛化能力.