基于GA优化BP神经网络算法的10kV主动配电网优化调度研究

由于主动配电网负荷和实际出力具有波动性,导致主动配电网运行成本控制难度较大,为此,提出基于GA优化BP神经网络算法的10kV主动配电网优化调度研究。在考虑柔性负荷需求的因素以及实际输出波动性的基础上,记住波动系数来描述发电机和柔性负荷的实际输出与计划输出之间的偏差,将最小化运行成本作为最终的目标函数,设置遗传粒子作为BP神经网络的输入参数,适应值最高的结果作为调度方案。在测试结果中,测试周期内配电网的运行成本不仅始终表现出较高的稳定性,且具体水平始终稳定在0.6万元以下。

基于种群熵的GA-BP混合优化算法及其应用

文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。

基于GA-BP模型的混合制冷剂天然气液化装置运行参数优化分析

天然气液化装置的制造及施工通常无法与设计参数保持完全一致,这些偏差的累积可能导致装置实际运行状态偏离于设计的最优工况。本文根据混合制冷剂天然气液化装置的实际历史运行数据,通过选择合理的节点,建立了基于BP神经网络的天然气液化装置比功耗预测模型;为了提高模型预测的准确性,利用遗传算法(GA)对神经网络的初始权值进行优化,形成了GA-BP模型。根据GA-BP模型,以天然气液化装置的比功耗最小化为目标,对该装置的主要操作参数进行了优化。结果表明,与原设计最优工况下的实测结果相比,采用优化后参数运行的混合制冷剂天然气液化装置比功耗比减小了4.3%,提高了整个装置的运行效率。本文研究的基于GA-BP模型的优化方法可为天然气液化装置的工艺设计与高效运行提供参考。

基于GA优化BP神经网络的机床转台定位误差分析

为了提高数控机床转台误差补偿效果,设计了一种通过遗传算法(GA)来完成BP神经网络优化过程,并加入坐标参数、运动速度指标建立了转台定位误差模型。通过Matlab软件构建GA优化BP模型,得到优化权值与阈值后,将结果移植至DSP内开展建模与预测,促进预测速率的大幅提升。研究结果表明:机床转台处于各空间位置与速率下形成了不同定位误差,总体呈现较为复杂的变化特征采用GA优化BP神经网络构建的模型预测时达到了更高精度,误差残差范围在-0.5~0.5μm,满足实际需求。该研究有助于提高机床转台定位精度,增强加工精度。

基于GA-ABC算法的多目标优化约束应用研究

引言.近年来,多目标优化约束问题在多个领域受到广泛关注,因其涉及多个冲突目标的最优化及约束条件。传统优化算法在解决这类问题时存在诸多局限。因此,本文采用基于遗传算法(Genetic Algorithm,GA)和人工蜂群算法(Artificial Bee Colony,ABC)的混合优化算法--GA-ABC解决多目标优化约束问题[1-2]。GA模拟自然进化,ABC模拟蜜蜂觅食行为,两者结合可提升求解效率和精度[3]。

运用GA-BP算法的BKlob模型优化分析

为了进一步提升北斗卫星导航系统(BDS)克洛步伽(Klobuchar)电离层模型(BKlob)在亚太以外区域的服务性能,提出利用遗传算法(GA)优化反向传播神经网络(BP)对BKlob模型进行改进:对BKlob模型残差进行相关性分析和周期性检测;然后采用遗传算法优化BP神经网络(GA-BP)算法对模型残差进行7、30和150 d的预测,以实现对BKlob模型的改进;最后,分别以全球电离层格网图(GIM)产品为参考和单频单点定位精度提升,评估改正精度。实验结果表明:BKlob模型残差不同格网点处具有较强的相关性,且受地理纬度影响较大,受地理经度影响较小;改进的BKlob模型改正性能有明显提升,在高纬度地区和全球范围,改正率可提升50.0%、30.0%以上;采用改进的BKlob模型进行伪距单点定位(SPP)解算,三维方向均方根误差(RMSE)可提升14.84%,北(N)、天(U)方向定位精度明显提升。

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习 .利用遗传算法的全局最优性在大范围内搜索可能的极值 ,而用BP算法的误差梯度下降特性在极值点附近快速搜索 ,从而达到了全局最优与快速搜索的有机结合 .仿真结果表明 。

集成GASA混合学习策略的BP神经网络优化研究

针对BP算法易于陷入局部极小值且收敛速度慢的缺陷,在BP神经网络训练过程中集合GA并行化群体搜索的特点和SA在局部极小处发生概率突跳的特性.基于GASA混合学习策略对BP神经网络进行优化.优化后的BP神经网络被应用在农作物虫情预测中,实验结果表明能够较大幅度提高网络学习的收敛性能和收敛速度,并一定程度上减少了算法的复杂性.

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。

一种基于GA-BP混合算法的模糊神经网络控制器

提出一种用于优化模糊神经网络控制器参数的 GA-BP 混合算法,该算法一方面由遗传算法保证学习的全局收敛性,克服梯度法对初始值的依赖性和局部收敛问题;另一方面,与"精确的"梯度学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题,有助于提高它的搜索效率。仿真结果证明了算法的有效性。

基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究

针对无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题;在基于蚁群优化算法的基础上,提出一种BP神经网络的RPROP混合算法;该方法通过在建立系统构架及信息服务点基础上,能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗;仿真结果显示,与普通的蚁群算法相比,该混合算法在训练过程中迭代次数改善明显,解决了BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率;具有一定的实用价值,从而完全能够满足日益增长的无线互联网终端的运行需要。

基于混合采样和CAWOA-BP的变压器故障诊断

为提高变压器故障诊断准确率,提出了基于混合采样技术的数据处理方法和改进鲸鱼算法优化BP神经网络的故障诊断模型。首先通过Tomek links和SMOTE对原始数据进行去噪处理及少数类数据样本合成,然后采用Cubic map混沌映射及自适应权重调整策略改进鲸鱼算法(WOA),利用改进后的鲸鱼算法优化BP神经网络参数;最后,利用混合采样前后的数据对传统BP神经网络、WOA-BP、CAWOA-BP三种模型进行对比仿真试验。结果表明,使用混合采样后的数据训练模型会使模型故障诊断准确率提高,且CAWOA-BP模型的表现优于传统BP神经网络和WOA-BP模型。

基于优化算法的天然气脱硫单元能耗优化

针对天然气净化厂脱硫单元能耗较高的问题,对天然气净化厂脱硫单元能耗优化方法进行研究。基于ASPEN HYSYS软件,建立天然气净化厂脱硫单元数值模拟模型,利用现场数据验证模型的准确性。通过单因素分析确定了胺液循环量、贫胺液进料温度及原料气温度对能耗的影响最大,将其作为优化参数建立天然气净化厂脱硫单元能耗最优化模型,采用BP神经网络及GA遗传算法相结合的方法进行优化计算。结果表明,经BP神经网络及GA遗传算法相结合的算法进行优化后,胺液循环量、贫胺液进料温度及原料气温度3个运行参数均得到了优化,将优化后的运行参数运用于现场实际生产后,工艺总能耗由10614.99 kW下降至8297.59 kW,能耗降低了21.83%。

基于混合混沌优化法的BP神经网络算法

运用混合混沌优化法训练BP神经网络,构造了基于混合混沌优化法的BP神经网络训练算法,实例说明具有较高非线性逼近能力和应用价值。

基于BP-GA算法的汽车线束盖冲压工艺优化

针对冲压成形过程中回弹和减薄率的问题,选择对汽车线束盖有显著影响的3个因素:压边力F、摩擦系数f和模具零件间隙a,分别进行单因素试验、正交试验设计、BP神经网络和遗传算法设计分析,以最大法向回弹量和最大减薄率为评价指标,设计综合目标函数,对汽车线束盖件冲压成形进行工艺参数优化,得到汽车线束盖成形的最优工艺参数组合。结果表明:优化后的工艺参数对工件成形质量有较大的改善,可为拉深工艺优化设计提供一定的参考。

基于混合粒子群算法优化BP神经网络的机床热误差建模

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明:采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.

车辆路径问题的混合优化算法

讨论了一类车辆路径调度问题(VRP)及其数学模型,并且分析了以遗传算法求解该类问题时的染色体表示和有关遗传操作,然后结合2-opt局部优化算法提出了GAwith2-opt算法来求解VRP问题,试验结果说明了该算法的有效性和可行性。

基于BP-HGA的起重机刚性支腿动态优化设计

针对门式起重机刚性支腿结构动态特性的复杂性和非线性,利用参数化有限元模型和BP神经网络,建立刚性支腿设计变量和最大动应力、弯曲动刚度及顶部最大动位移之间的映射关系.对于建立的神经网络模型,采用混合遗传算法(HGA)构造基于模糊动态罚函数的适应度函数引导遗传算法的搜索方向,寻求刚性支腿隔板、侧板的布置及尺寸最优化,并满足低应力、高固有频率及轻量化的要求.开发了某型号门式起重机刚性支腿多目标动态优化设计系统.应用结果表明,采用该优化方法能够有效地实现起重机刚性支腿的动态结构优化,显著提高了设计质量和效率.

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。

基于粒子群BP网络混合算法的边坡稳定性评价

边坡稳定性评价与预测具有高度非线性和不确定性特征,难以用准确的数学模型表达。选取多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、黏聚力、坡角、坡高、孔隙压力比6个主要影响因素作为土坡稳定性的评价判别指标;然后采用粒子群算法优化BP神经网络模型,实现混合算法,在保持BP网络算法误差反向传播修正权值特点的同时,将网络权值和阈值粒子化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而加快收敛速度和提高收敛精度,避免传统粒子群结合BP网络算法的"早熟"现象;通过与其他算法进行边坡稳定性评价的比较分析,表明了本文研究算法的可行性与合理性。