结合局部结构学习的Bayesian优化算法

在Bayesian优化算法中Bayesian网络的学习是算法应用的关键,而Bayesian网络学习是一个NP-hard问题,并且计算量大。为了能够快速获得较稳定的Bayesian网络,提出了一种新的学习策略,在学习Bayes-ian网络结构时采用对局部结构的贪婪算法,并结合局部搜索利用打分测度选取最优边。对所提算法进行了分析,在算法复杂度较小的情况下,所学习的Bayesian网络可靠性明显提高,算法收敛速度加快,并且避免陷入局部最优。仿真研究表明文章所提出算法寻优能力优于传统Bayesian优化算法。

基于变异的Bayesian优化算法

将变异算子与Bayesian优化算法相结合,提出了一种基于变异的Bayesian优化算法。在算法中设计了一个种群多样性函数,通过此函数引入变异算子,目的是利用变异算子的邻域搜索能力,保持种群多样性,将贝叶斯概率模型提取的全局信息与变异算子的局部信息联系起来,避免陷入局部最优。仿真研究表明基于变异的Bayesian优化算法的寻优能力比Bayesian优化算法更强。

结合先验知识的Bayesian优化算法研究与仿真

由于一般优化问题的先验知识很难获取,因此在Bayesian网络学习中结合与利用先验知识一直是一个很难突破的问题。针对Bayesian优化算法(BOA)的特点,对一般优化问题如何发现和利用先验知识进行了分析讨论,把BOA中前一代种群所提供的信息作为先验知识结合到当前代Bayesian网络的学习中,提高了所学习网络的可靠性,从而提高算法的性能。仿真结果表明所提算法比传统BOA具有更强的全局寻优能力。

基于Bayesian优化算法的防区外导弹低空突防路径规划

贝叶斯优化算法能够通过贝叶斯网络来估计候选解的节点联合分布并且用该分布来产生新的候选解,该过程反复迭代就可以求得问题的最优解。仿真实例利用基于决策图的贝叶斯优化算法(BOA)得到了防区外导弹飞行的最佳路径.证明了 BOA 是解决该类优化问题的简单、有效的进化方法.

基于Lasso-Bayesian改进的Kriging代理模型优化方法及其应用

为提高Kriging模型的性能并构建高精度代理模型,基于最小绝对收缩和选择算子(Lasso)与Bayesian算法对Kriging方法进行改进,实现了对Kriging模型的超参数调优,提出Lasso-Bayesian-Kriging代理模型的构建方法。采用Lasso正则化对模型输入进行特征选择,以降低模型复杂度,提高模型的泛化能力。使用Bayesian算法对Kriging中的相关参数、相关函数以及回归函数进行调优,得到高精度的Kriging代理模型。针对某车间加工矿用钻杆过程中的搬运桁架的实际工程问题,采用4种不同方法对桁架静力学分析进行代理建模,以桁架质量和变形量为代理对象,通过k折交叉验证,结果表明,Lasso-Bayesian-Kriging方法构建的代理模型精度最高,其交叉验证的平均决定系数R2分别为0.999、0.962。将优化算法与Lasso-Bayesian-Kriging模型相结合对桁架进行迭代优化,结果表明优化后的桁架在满足刚度的前提下实现了轻量化。

基于Bayesian模型的电力大数据在生态环境监管中的应用策略优化研究

随着社会快速发展和工业化进程加速,环境污染问题日益凸显,加强环境监管与治理刻不容缓。现有的环境监管方法难以准确及时地监测和预测环境污染情况。文章利用Bayesian模型分析排污企业用电量,以监测和预测区域环境污染情况。并选取我国西北某区域的排污企业用电数据作为研究对象开展实证分析,将预测结果与实际环境污染数据进行对比,展示了该方法在实际应用中的效果和可行性,为实现更精细化的环境保护和监管提供了一种新颖的方法和思路。

基于贝叶斯优化支持向量回归的流线型箱梁颤振气动外形优化方法

为解决风洞试验耗时费力和计算流体动力学(CFD)计算量大的问题,提出了一套新型流线型箱梁断面颤振性能气动外形优化方法.以风嘴参数为设计变量,利用CFD获取断面三分力系数,以准定常理论估算的颤振临界风速为优化目标.根据贝叶斯优化支持向量回归构建代理模型,利用混合加点法更新模型,通过寻优算法确定最优断面.以虎门大桥为例,得到桥梁在可行域内颤振性能最佳的断面方案.结果表明,风嘴升高,颤振临界风速先增后减,相对高度为0.6时整体性能较优,相对高度为0.7时可获得最优断面.底板宽增加,颤振性能显著降低,下斜腹板倾角为14°~16°时颤振性能最优.断面优化后桥梁颤振临界风速相比原始断面提升约31%.

新能源电力系统不确定优化调度方法研究现状及展望

风电场和光伏电站出力的不确定性给电力系统优化调度带来很大技术挑战。文中主要介绍了考虑新能源不确定性的电力系统优化调度方法的研究现状及后续研究方向展望。首先,重点论述了各种不确定优化调度(UOD)方法,包括随机优化方法、鲁棒优化方法、随机鲁棒优化结合方法和基于人工智能技术的方法。其中,随机优化方法包括场景法、机会约束规划法和近似动态规划法;鲁棒优化方法包括传统鲁棒优化法和分布鲁棒优化法;随机鲁棒优化结合方法包括采样鲁棒优化法和分布鲁棒机会约束规划法。然后,介绍了每一种方法的优化模型形式、模型的转化和求解原理及其优缺点。最后,对UOD的后续重点研究方向进行展望,包括兼顾多个目标的UOD问题及多目标不确定优化方法、输配系统UOD问题及分布式不确定优化方法、考虑稳定性约束的UOD问题及含常微分方程约束的不确定优化方法、考虑管道传输动态的综合能源系统UOD问题及含偏微分方程约束的不确定优化方法。

基于网侧资源协调的自储能柔性互联配电系统日前-日内优化

为优化储能型智能软开关(E-SOP)、传统网侧调控设备的运行策略,提升高渗透率光伏配电网运行水平,提出了基于网侧资源协调的自储能柔性互联配电系统日前-日内优化模型。首先,提出了“源网荷储”下多种网侧资源协调利用的多时间尺度优化控制架构;其次,在日前阶段构建计及有载调压变压器、无功补偿装置、联络开关、E-SOP和柔性负荷的长时间有功-无功联合优化模型,在日内阶段建立多目标滚动优化模型,并采用线性化方法将模型转换为混合整数线性规划模型;然后,基于KL散度构建源荷不确定性模糊集,给出日前两阶段分布鲁棒优化模型转化过程和基于列与约束生成算法的求解方法;最后,算例仿真验证所提方法的有效性。

基于贝叶斯优化LightGBM算法的主动式搜索时间调整方法

针对5G配电终端延迟波动较大导致保护闭锁的问题,提出一种基于贝叶斯优化LightGBM算法的主动式搜索时间调整方法。该方法以无线通信终端延迟波动历史数据以及温度、日期时间等特征变量为输入,对延迟进行预测并动态调整设备参数。首先,对原始特征变量进行特征工程预处理,然后同历史延迟数据一并通过LightGBM算法进行数据的拟合,在训练过程中引入贝叶斯优化算法进行参数寻优,并利用最终加权组合,结合终端实时监测延迟进行预测值的调整,最终实现5G终端延迟的高精度预测。以河北南网某5G配网试点的数据进行训练与验证,结果表明所提方法能有效实现延迟预测,较随机森林回归,XGBoost等算法有更高的预测精度。

基于改进深度Q网络的虚拟电厂实时优化调度

深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。

基于机器学习的数据库系统参数优化方法综述

参数优化是影响数据库性能和适应性的关键技术,合理的参数配置对于保障数据库系统的高效运行至关重要,但由于参数较多且参数间具有强关联性,传统参数优化方法难以在高维连续的参数空间中寻找最优配置,机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作,将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义,并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法,包括随机森林、支持向量机、决策树等,描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据,传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理,定义参数优化问题与深度强化学习模型的映射关系,比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术,描述基于深度神经网络构建和训练智能体的具体流程。最后,总结已有工作的特点,对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望,指出多粒度调优、自适应算法和自运维是未来的研究趋势。

基于改进NSGA-Ⅱ算法的梯级水库多目标优化调度

针对在时间步长较小、计算时段数目较多时,传统智能优化算法在求解梯级水库联合优化调度问题上效率低甚至无可行解的问题,提出了一种改进NSGA-Ⅱ算法。该算法基于NSGA-Ⅱ算法框架,引入参考目标值、潜力目标值、偏移度以及变异引导算子来优化种群进化过程,强化迭代中的种群质量,使获得的解集更加接近真实的Pareto前沿。福建省金溪流域梯级水库多目标优化调度实例验证结果表明,改进NSGA-Ⅱ算法相对其他算法运算效率更高,优化结果更好,具有较好的实用性。

贝叶斯优化TQWT参数在轴承故障诊断中的应用

针对可调品质因子小波变换(Tunable Q-factor wavelet trans-form,TQWT)采用网格搜索和优化算法调参存在评估计算代价高的问题,提出基于贝叶斯优化TQWT参数的故障诊断算法。通过贝叶斯优化算法在TQWT参数空间内求取熵-峭综合目标函数最优解,据此设置TQWT参数分解轴承故障信号,选择熵-峭指标最小值对应子带信号,经TQWT逆变换后进行包络解调分析,最终由重构信号包络谱判别轴承故障类型。仿真实验和实测轴承信号分析表明,该算法可以准确提取轴承故障特征频率信息,实现早期故障诊断。

改进群体智能算法的无线传感器网络覆盖优化

为解决无线传感器网络(Wireless Sensor Networks,WSN)节点分布不均和随机部署中的低覆盖率问题,该文提出一种改进群体智能算法的无线传感器网络覆盖优化算法,即改进的黑猩猩优化和哈里斯鹰优化的混合优化算法(Improved Chimp Optimization and Harris Hawk Optimization Algorithm,ICHHO).该算法首先对黑猩猩优化算法(Chimpanzee Optimization Algorithm,ChOA)进行改进,使用Levy Flight来改善其探索阶段,然后设计一个更新的公式来计算猎物逃逸能量,作为开发和探索之间的选择因素.传感器节点随机部署后,将ICHHO在传感器节点上执行,按照改进策略更新个体位置信息,计算相应的适应程度,找到最优传感器位置,并根据传感器概率模型确定网络最优覆盖率.仿真结果验证了ICHHO对于解决WSN覆盖问题的适用性,与其他优化算法的对比结果显示,ICHHO在提高覆盖率方面优于其他算法.

基于多分辨率-多边形单元建模策略的多材料结构动刚度拓扑优化方法

利用多边形有限单元的高精度求解优势,融合多分辨率拓扑优化方法,实现粗糙位移网格条件下的高分辨率构型设计,由此提出多材料结构动刚度问题的拓扑优化方法。将多边形单元(位移场求解单元)劈分为精细的小单元,构造设计变量与密度变量的重叠网格,形成多分辨率-多边形单元的优化建模策略;以平均动柔度最小化为目标和多材料的体积占比为约束,建立多材料结构的动力学拓扑优化模型,通过HHT-α方法求解结构动响应,采用伴随变量法推导目标函数和约束的灵敏度表达式,利用基于敏度分离技术的ZPR设计变量更新方案构建多区域体积约束问题的优化迭代格式;通过典型数值算例分析优化方法的可行性和动态载荷作用时间对优化结果的影响机制。

基于贝叶斯优化XGBoost的石灰窑气预测

石灰窑是碳酸钙产业的关键生产设备,窑气中的CO_(2)是生产碳酸钙的原料,CO_(2)浓度直接影响碳酸钙产量,然而石灰窑气浓度依靠产品产出后采样化验得到,存在严重的滞后性,无法作为石灰窑在线工艺参数调整的依据。因此提出一种基于贝叶斯优化的eXtreme Gradient Boosting石灰窑气浓度预测模型BO-XGBoost,根据历史数据预测1 h后的窑气浓度,为生产工艺参数的调整提供依据。该方法首先对石灰窑传感器数据集中的缺失值、异常值进行剔除、插补,然后统一窑气浓度检测历史数据的时间尺度,构成石灰窑气监测数据集,在此基础上提出针对石灰窑气的BO-XGBoost模型。模型经训练后,采用实际生产数据进行测试,并与Light Gradient Boosting Machine(Light-GBM)模型、Category Boosting(Catboost)模型预测结果进行比较,结果表明,所提模型可以实现高维数据集的超参数快速优化,且预测模型有较好的精度,均方根误差(RMSE)达到0.70,平均绝对百分比误差(MAPE)达到2.03%。

基于改进NSGA-Ⅱ算法的间歇采油制度优化

对于低渗透率油井,采用间歇采油制度能有效避免空抽磨损,并减少电能消耗量。为此通过分析沉没度和地层流压随抽油机井生产时间变化的规律,从系统节能的角度出发,建立以采油总产量最大、能耗最低为目标的间歇采油制度多目标优化模型。引入NSGA-Ⅱ并改进该算法对间歇采油制度多目标优化模型求解,运用改进算法得到的Pareto最优解的多样性和收敛性,合理优化抽油机的最优停机时间,最大效率地提升采油效率的同时,最小化电能消耗量。试验结果表明,基于Pareto多目标遗传算法的间歇采油机制优化具有明显的优势,在优化系统效率的同时能够有效减少电能消耗。研究结果可为油井间歇采油机制的改进和优化提供有力的技术支持。

计及不确定性的风光抽蓄发电系统容量优化

风光等新能源的大规模利用是实现双碳目标的重要途径,其不确定性影响电力系统稳定运行和对新能源的消纳能力。对此,本文提出了一种计及不确定性的风光抽蓄联合发电系统容量优化配置方法。首先,采用不同的随机分布函数来描述风电、光伏发电的出力特性和负荷分布情况,建立了互补发电系统数学模型;其次,构建了基于信息间隙决策理论与熵权法的双层容量优化配置模型;最后,采用多元宇宙优化算法求解容量优化配置方案。算例结果表明,投资者可以根据投资意愿,对源荷不确定性采取不同的配置策略,所得的运行结果均能很好地满足不同运行模式和多种运行场景的要求;能有效地降低综合成本、提高新能源消纳能力,并且能保持抽蓄电站的长久运行。

基于贝叶斯优化ResNet-BiLSTM的多电飞行器故障检测技术

针对多电飞行器在复杂运行模式下故障检测的精确性与实时性问题,开发了基于贝叶斯优化ResNet-BiLSTM模型的故障检测技术。首先设计以残差网络为核心的多层次特征提取模块,实现故障特征的多层次表达,以提升故障检测的实时性;接着构建以双向长短期记忆网络为核心的多尺度特征提取模块,获取长期依赖的故障特征信息,以提升故障检测的准确性;进而提出基于贝叶斯优化的超参数寻优方法,进一步提升故障特征的学习效果;最后,设计多电飞行器故障检测实验方案,并开展不同故障模式下的性能分析。结果表明,所提方法可有效实现多种故障模式下的故障诊断,并且检测准确率和实时性均优于现有方法,有助于提升多电飞行器故障检测性能,为飞行安全提供有力的技术保障。