基于遗传算法优化极限学习机的投标人画像评价研究

采用遗传算法优化极限学习机的连接权值和阈值,得到GA-ELM算法,同时选择资质信息、投标行为、技术实力、信用评价、履约表现为投标人画像评价指标,搭建用于投标人画像评价的GA-ELM模型,并将该模型应用于电网供应商画像评价中。结果表明,所搭建的GA-ELM评价模型在性能上明显优于PSO-ELM模型和ELM模型,这对投标人画像评价具有一定的实际参考价值。

基于改进遗传算法优化极限学习机的短期电力负荷预测

负荷预测效果直接影响电网的安全稳定和经济效益,是电网调度的重要组成内容。针对极限学习机随机产生输入层权值和隐含层阈值导致网络模型不稳定的问题,提出了一种基于改进遗传算法优化极限学习机的负荷预测方法。利用爬山法改进的遗传算法对极限学习机的权值和阈值进行优化,以获得稳定性强,预测精度高的优化模型。并将此模型与BP网络、极限学习机的预测结果进行对比,仿真实验结果表明,改进模型具有较快的训练速度和更为准确的预测结果,适应于影响因素众多,数据量巨大的现代短期电力负荷预测。

基于遗传算法优化极限学习机的绿色建筑投资估算方法

鉴于绿色建筑造价高于传统建筑,且易出现投资失控等问题,在综合考虑绿色建筑类型、星级、增量成本等12个特征指标的基础上,充分结合遗传算法(GA)与极限学习机(ELM)的各自优点,构建基于GA-ELM的绿色建筑投资估算模型。运用MATLAB软件进行仿真实验,对绿色建筑的投资估算进行预测研究,并将其与ELM、BP神经网络预测结果进行对比。

基于遗传算法优化极限学习机的炸弹气动参数辨识

炸弹气动参数辨识技术是飞行器气动参数辨识中的关键分支,要提高无控炸弹的命中精度,减少弹药消耗,需要对炸弹的气动参数辨识方法进行研究。针对利用一般极限学习算法进行气动参数辨识时预测精度低、预测结果易发散的问题,应用遗传(GA)算法优化极限学习机(GA-ELM)算法、极限学习(ELM)算法,GA算法优化产生ELM的输入权重和隐含层神经元阈值,可以使得输入权重和阈值包括更多的样本信息,以提高其辨识精度。仿真结果表明:利用遗传算法优化极限学习机可以有效提高辨识精度,辨识结果有较好的收敛,但是由于遗传算法的寻优时间长,整体辨识时间加长。

基于金枪鱼群算法优化极限学习机的混凝土抗压强度预测

混凝土抗压强度是建筑结构设计与评价的一个重要指标,它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高,不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题,提出一套基于新式仿生算法金枪鱼群算法优化极限学习机(TSO-ELM)的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优,有效提升了ELM的预测准确度。在仿真实验部分,通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明,该方法可以有效提高预测的速度与精准度,迭代次数更少,同时具有良好的泛化性,为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于改进野狗优化算法优化极限学习机的空调负荷预测方法

针对目前短期空调负荷预测方法预测精度低、稳定性差等问题,提出一种基于微生物遗传算法(Microbial genetic algorithm,MGA)和野狗优化算法(Dingo optimization algorithm,DOA)优化极限学习机(Extreme learning machine,ELM)的空调负荷预测模型。首先利用DOA优化ELM的输入权值和隐层阈值,建立DOA-ELM预测模型,利用MGA改进DOA-ELM模型的预测稳定性和预测精度,建立(Microbial genetic algorithm Dingo optimization algorithm-Extreme learning machine)MDOA-ELM预测模型。为降低预测模型的维度,通过灰色关联分析(GRA)筛选影响空调负荷的输入输出因素。为验证算法有效性,以某工厂中央空调系统为例进行实例分析。实验结果表明,所建负荷预测模型相较于对比模型预测精度高,稳定性好,因此可更好地满足工程实际需求。

基于改进秃鹰算法优化极限学习机的谐波发射水平估计

针对目前电力系统谐波发射水平难以直接测量的问题,提出了一种基于改进秃鹰算法(improved bald eagle search,IBES)优化极限学习机(extreme learning machine,ELM)的谐波发射水平估计方法。首先,在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子,利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次,输入公共连接点(point of common coupling,PCC)处谐波电压和谐波电流,代入IBES-ELM模型,估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析,并与其他算法的估计结果进行对比。结果表明,所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory,LSTM)、卷积神经网络(convolution neural network,CNN)、反向传播神经网络(back propagation neural network,BP)和CNN-LSTM算法模型,验证了该方法的有效性和稳定性。

基于3种新型群体智能算法优化正则化极限学习机的三峡水库入库日径流预测

准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

基于改进非洲秃鹫算法优化极限学习机的船舶运动预测

针对船舶运动预测模型精度不高而造成预测结果误差大的问题,提出一种利用改进非洲秃鹫优化算法(IAVOA)优化模型参数的极限学习机(ELM)预测模型,对船舶运动状况进行预测。在初始化种群时引入Circle混沌映射,增加种群的多样性;加入自适应算子,调整两类秃鹫对其他秃鹫的指引作用,提升算法的收敛速度和解的质量。利用IAVOA优化的ELM模型对船模水池试验运动数据进行预测,并采用均方根误差和平均绝对误差评判该预测模型,与现有其他启发式算法优化ELM模型比较,所提出的IAVOA-ELM具有更优的预测精度和泛化能力。

FOA优化极限学习机算法及模型应用研究

传统极限学习机算法输入权重和单元偏置是随机确定的,这会导致算法性能不高,因而采用果蝇优化算法进行优化。分析了果蝇优化算法的流程,并和遗传算法、粒子群算法进行对比,通过求解Schaffer函数最优化问题验证了果蝇优化算法具有良好的优化性能。在此基础上,将果蝇优化算法优化极限学习机,提出改进的极限学习机算法。将改进极限学习机算法和极限学习机算法应用于化工企业竞争力预测中,结果表明,改进极限学习机算法对化工企业竞争力预测的准确率明显高于极限学习机算法,同时运行时间相差非常小。FOA优化极限学习机模型对其他预测问题的解决提供了参考。

基于优化蝙蝠算法改进极限学习机的水库大坝变形预测方法

为提升水库大坝安全状态监测水平,针对传统大坝变形预测模型精度不足、性能不稳定的问题,提出一种基于优化蝙蝠算法改进极限学习机的大坝变形预测方法。以费县许家崖水库大坝为研究对象,采用遗传算法优化蝙蝠算法,通过优化蝙蝠算法对极限学习机随机选取的网络参数进行寻优,提升极限学习机的预测性能。结果表明:对比BA-ELM模型、GA-ELM模型,所构OBA-ELM模型预测精度和鲁棒性最高,研究结果能为水库大坝状态管理提供决策依据。

基于蝙蝠优化极限学习机的Link16在线干扰评估算法

为解决实际作战场景下通信干扰效果评估时效性差、准确率低的问题,提出一种基于蝙蝠优化极限学习机(Bat-inspired Algorithm optimized Extreme Learning Machine,BA-ELM)的在线评估算法。对通信对抗典型作战对象Link16进行分析,为了更全面地评价干扰效果,细化Link16各抗干扰动作,形成完备样本库。通过蝙蝠算法优化极限学习机参数,构建基于BA优化的干扰评估体系。与目前所提主流在线评估算法进行实验比对,验证了所提方法在时效性、准确性上的优势。

基于相空间重构和遗传算法优化的极限学习机模型预测基坑变形时序混沌特性

基坑变形是造成施工事故的主要原因之一,其变形特性具有很大不确定性及随机性。为了防止基坑变形事故的发生,实现基坑变形的准确预测,提出一种将相空间重构、遗传算法(GA)、极限学习机(ELM)相结合的基坑变形时序混沌预测模型。首先,对基坑变形量时序进行相空间重构,通过混沌理论中的G-P算法及自相关法获得重构相空间参数;然后,采用相空间重构后的变形时间序列,建立基坑变形量预测的ELM模型,同时采用GA算法对ELM模型参数进行优化。最后,训练得到最优GA-ELM模型。以某基坑为例,采用GA-ELM模型进行变形量的混沌预测。研究结果表明:GA-ELM模型的预测结果优于单一ELM模型的预测结果,预测精度较高,有利于基坑变形的长期预测。

基于改进灰狼优化核极限学习机的疾病诊断模型

为提高疾病诊断的效率,本文提出一种改进的灰狼优化算法与核极限学习机的混合模型。通过引入一种新的机制提高灰狼优化算法的探索与利用能力,改进的灰狼优化算法在进行特征选择的同时,也对核极限学习机的2个关键参数进行优化,模型在2个疾病数据集上进行实验验证。实验结果显示:提出的模型在准确率、敏感性、特异性等评价指标方面相对于其他混合模型高出约1%~2%,带特征选择的优化模型相对于没有特征选择的模型在评价指标上也高出约1%~2%。结果表明提出的模型具有一定的优势。

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

基于极限学习机模型参数优化的光伏功率区间预测技术

提出一种基于极限学习机(ELM)模型参数优化的光伏功率区间预测技术.首先,提出加权欧氏距离作为光伏功率预测区间评估指标,筛选历史样本单元并优化ELM训练集;然后,提出ELM参数混合寻优算法,利用精英保留策略遗传算法与分位数回归优化ELM模型隐层输入及输出权重与偏置参数,并采用训练后的模型预测光伏功率区间;最后,基于光伏电站与气象站历史数据构建实际算例,预测光伏功率区间,并与其他方法得到的结果进行对比.算例结果表明:所提方法在增加区间预测可信度的同时,能较大程度提高区间预测准确度.

基于混合黑猩猩优化极限学习机的电力信息物理系统虚假数据注入攻击定位检测

针对已有检测方法无法对虚假数据注入攻击(false data injection attack,FDIA)进行精确定位的问题,提出了一种基于混合黑猩猩优化极限学习机(extreme learning machine,ELM)的电力信息物理系统FDIA的定位检测方法。首先,使用ELM作为分类器,用于提取电力数据特征并检测系统各节点的异常状态。然后,采用一种具有全局搜索能力且局部收敛速度更快的混合黑猩猩优化策略,用于寻找ELM最优隐藏层神经元数量。建立基于混合黑猩猩优化ELM的检测方法,实现对FDIA的精准定位,有利于后续防御措施的实施。最后,在IEEE 14和IEEE 57节点系统中进行大量仿真对比实验。结果表明,所提方法具有更佳的准确率、查准率、查全率和F1值,对FDIA能够进行更为精准的定位检测。

基于改进遗传算法的多源数据继电保护定值优化策略

针对传统继电保护策略存在准确度差且效率低的问题,文中基于多源数据提出了一种性能更优的继电保护策略。对于多源数据一致性差、分析困难的特点,采用经验模态分解对数据进行预处理,以获得不同梯度的时域以及频域数据。同时为了增强传统遗传算法的分类性能,还引入了极限学习机对输入数据进行分类,并使用遗传算法对极限学习机的参数加以优化。所设计的模型可以对配电网发生的故障进行判定,并引导继电保护设施做出正确响应。实验结果表明,相较于对比算法,该算法具有更高的准确性及更优的效率,且优化后继电保护装置的判断综合准确率可达89%。