基于量子蜂群聚类的T-S模糊建模在智能发电运行控制中应用

建立发电机组在大范围变工况下的精确模型是智能发电运行控制中最为基础也是至关重要的环节。为提高建模过程的快速性以及所得模型的精确性和通用性,本文提出了一种基于量子蜂群聚类的新型T-S模糊建模方法。该方法首先将量子蜂群作为聚类算法进行前提部分辨识,不仅通过量子概念的引入提高了聚类速度,而且通过决策常数和数据空间约束消除了聚类过程中人为设定聚类个数的主观性。其次基于前提部分辨识结果,在结论部分辨识中通过指数加权最小二乘法保证了局部模型参数辨识过程的简便性和精确性。最后以超超临界机组协调控制系统的建模为例,探讨了所提出算法在智能发电运行控制系统发电机组建模中的应用。仿真结果表明,该算法不仅保证了建模过程的快速性,还使得辨识所得模型在机组大范围变工况下始终保持较高精度,表现出良好的通用性和适应性。

基于Delaunay图和蜂群聚类的矿区GIS索引优化

在矿区环境可持续发展决策支持系统的后台矿区GIS索引优化的研究中,通过对数值分析、图形学和数据挖掘的研究,采用Delaunay图预处理技术及蜂群聚类算法优化矿区GIS索引分裂算法,优化后的算法能减少矿区GIS索引分裂重插产生的重叠。通过仿真实验表明,优化方案是可行有效的,同时提高了矿区GIS数据库的查询性能。

基于Boltzmann选择的改进ABFM算法

模糊C-均值(FCM)聚类算法是数据挖掘中应用广泛的一种方法,但还存在容易陷入局部极小值和对初始值敏感的缺点,为此提出了一种基于Boltzmann选择机制的改进人工蜂群的模糊C-均值聚类算法(BABFM)。该算法引入了Boltzmann选择机制代替轮盘赌的选择方式,采用小区间生成法使初始群体均匀化,使得该算法的全局寻优能力更强,有效克服了FCM算法的缺点。实验结果表明,新算法与FCM和ABFM聚类算法相比聚类效果更准确,效率更高,迭代次数更少。