基于集成改进蚁群算法的作战环推荐方法

作战环推荐是依靠优化算法从作战网络中为指挥员推荐最优的作战环,以对目标形成高质量打击。未来作战中的作战环推荐面临体系规模大、决策节奏快的特点。对此,提出了一种集成改进的蚁群算法,能够实现高效、高质的作战环推荐优化求解。首先,将作战环推荐问题转换为一种基于多仓库路径规划的数学模型。然后,针对原始蚁群算法前期收敛速度慢、算法参数对结果影响大和容易陷入局部最优的问题分别提出了3种改进策略:基于边权重信息的信息素初始化、基于差分进化的蚁群算法参数自适应优化和基于遗传算子的全局搜索能力提升,并进行了集成改进。最后,在案例分析中对集成改进蚁群算法进行了分析和对比,验证了所提算法在不需要大幅提高耗时的情况下,优化结果要优于未集成改进的蚁群算法,且相比于原始蚁群算法提升效果显著。

基于Stacking算法集成学习的页岩油储层总有机碳含量评价方法

总有机碳含量(TOC)是页岩油储层评价的重要参数,而传统总有机碳含量测井评价方法精度较低且普适性较差,机器学习模型在一定程度上提高了总有机碳含量预测精度,但结果存在不稳定性。为了进一步提高页岩油储层总有机碳含量预测精度,基于有机质岩石物理特征和不同总有机碳含量测井响应特征的深入分析,优选出深侧向电阻率、声波时差、补偿中子和密度测井曲线作为总有机碳含量的敏感测井响应,并将其作为输入特征,以岩心分析总有机碳含量作为期望输出值,分别建立了决策树模型、支持向量回归机模型、BP(Back Propagation)神经网络模型,并建立了以决策树模型为基模型、支持向量回归机模型为元模型的Stacking算法集成学习模型。利用B油田A区块的岩心样本数据和实际井数据对不同模型预测总有机碳含量结果进行了验证,结果表明,基于Stacking算法的集成学习模型的总有机碳含量预测精度最高,相较于决策树模型、支持向量回归机模型、BP神经网络模型和改进的ΔlgR法,预测精度有较大提高。因此,基于Stacking算法的集成学习模型为该研究区最有效的总有机碳含量计算方法,这为准确地评估页岩油储层的生烃潜力、确保页岩油储层的高效开采及资源利用奠定了基础。

基于Stacking集成算法的抛石护岸水毁破坏预测研究

抛石护岸在顶冲等极端情况下易发生水毁破坏,给人民的生命财产带来威胁。通过水槽试验获取496组样本数据,利用互信息(MI)筛选出6个关键特征属性,并采用支持向量机(SVR)、广义回归神经网络(GRNN)和随机森林(RF)等机器学习算法构建多个预测模型。然后,将这些模型作为基学习器,结合BP神经网络(BPNN)作为元学习器,采用Stacking集成学习方法构建抛石护岸破坏程度预测模型。最后,通过决定系数(R^(2))、均方根误差(R_(RMSE))及平均绝对误差(M_(MAE))等评价指标对模型性能进行评估。结果表明,Stacking模型在抛石护岸破坏高度、长度、范围上的平均R^(2)为0.98、RRMSE为0.02、M_(MAE)为0.03,相较于单一模型(SVR、GRNN、RF),Stacking模型的R_(RMSE)、M_(MAE)皆为最小,R2最高。在抛石护岸水毁破坏程度的预测中,融合的Stacking模型展现出更高的准确性与稳定性。

基于集成算法的腐蚀管道失效压力预测研究

为了提高腐蚀管道剩余强度的预测精度、解决单一预测模型易受训练数据的质量影响而发生运行及预测输出不稳定的问题,引入两种集成模型方法。首先对于串行结构集成方法,以支持向量回归(SVR)融合正余弦策略改进的黑猩猩优化算法(IChOA)为基础建立AdaBoost-IChOA-SVR模型;其次对于双层并行结构方法,根据预测问题筛选出相关性低且学习效果良好的预测算法作为第一层基预测器,调节新数据集形成方式及相关参数设置,建立Stacking堆叠集成模型。以含腐蚀缺陷管道失效压力爆破数据为例,利用MATLAB分别进行仿真模拟,与基础SVR和PSO-ELM模型的预测结果及评价指标进行对比分析。研究结果表明:集成预测模型具有更好的预测输出性能,且串行结构的AdaBoost集成学习模型的构造流程较为简洁,运行速度及精度更高;该模型对腐蚀缺陷管道失效压力预测问题的拟合度可达0.996,相对误差均值可达3.69%,可为后续腐蚀管道相关预测模型建立和防护维修策略制定提供参考。

基于响应面法与MOGA算法的竹集成材榫接合椅子节点力学分析及优化

竹集成材是符合“双碳”目标的可持续发展绿色材料,具有“以竹代木”的巨大潜力。本研究借助竹集成材优良材料性能,基于榫卯结构特性,以竹集成材榫接合椅子为例,运用有限元法(FEM)进行椅子静载荷及耐久性分析,探究竹集成材榫接合椅子及榫接合节点力学特性,搭建响应面模型求解竹集成材T型椭圆榫接合节点榫卯尺寸与其最大等效应力、总形变和最小安全系数的关系,并运用MOGA多目标遗传算法以形变最小化、安全系数最大化为优化目标,进行榫卯尺寸优化。结果表明:竹集成材榫接合椅子静载荷分析所得椅子最大等效应力为6.818 MPa,位于座面大边与椅后腿榫接合节点;最大等效应变值为4.245×10^(-3),位于椅子扶手与椅后腿榫接合节点;椅子发生的最大形变为4.433 mm,分布在椅子靠背位置。椅子耐久性分析所得最大等效应力及最大等效应变均位于椅子扶手与椅后腿榫接合节点,分别为4.999 MPa和3.113×10^(-3);椅子整体发生的最大形变为3.251 mm,位于椅子靠背上端。由竹集成材T型榫接合节点响应面分析可知,椭圆榫接合节点的最大等效应力及最大形变随着榫头厚度a及榫头长度l的增大而减小,安全系数随之增大,榫卯尺寸对T型榫接合节点力学强度的影响以榫头厚度a和榫头长度l为主,榫头宽度b影响不显著。运用MOGA算法优化竹集成材椭圆榫尺寸,优化结果与实际试验结果的相对误差为3.93%,相对误差较小,证明优化方法及结果有效。本研究为竹集成材椭圆榫的加工生产提供参考,并为竹集成材榫接合椅子的榫卯尺寸设计提供科学优化方法。

混合三维分布估计算法求解分布式加工装配和车辆配送集成调度问题

本文针对一类广泛存在的分布式加工装配和车辆配送集成调度问题(Integrated Scheduling Problem of Distributed Production Assembly and Vehicle Delivery,ISP_DPAVD),以最小化运输和延迟惩罚总成本为优化目标,提出一种混合三维分布估计算法(Hybrid three-Dimensional Estimation of Distribution Algorithm,H3DEDA)进行求解.ISP_DPAVD包含两个耦合的子问题,即加工装配阶段子问题(子问题1)和车辆配送阶段子问题(子问题2).由于每个子问题1的解(部分解1)均会确定1个具体的子问题2,故ISP_DPAVD的解空间非常庞大.根据这一特点,在H3DEDA中,先设计结合邻域变换的启发式规则来快速获取子问题2的优良解,以实现子问题间的部分解耦并明显缩减搜索空间,再设计三维EDA引导的全局搜索和变邻域驱动的局部搜索来获取ISP_DPAVD的高质量解.通过在不同规模测试问题上的仿真实验和算法比较,验证了H3DEDA求解ISP_DPAVD的有效性.

基于融合集成算法的配电网负荷预测研究

配电网的负荷预测在电力运行状态监测中尤为重要。负荷预测的精度提升为电网的安全、稳定运行提供了保障。通过对融合集成算法的研究,提出了一种基于关联特征选择的融合集成算法。在数据集的选择上,使用相关系数和灰色关联算法综合对样本中负荷影响较小的特征进行剔除,使得样本数据集的相关性更高;同时,对传统Stacking集成学习的输入和输出特征进行优化,提高了模型的预测效果。试验结果表明,基于融合集成算法的配电网负荷预测模型与传统的Stacking集成算法、XGBoost、灰狼优化-反向传播算法相比,负荷预测的精度提升了3.07%。该模型总体性能表现较好。该研究结果有效地支撑了配电网的负荷监测和规划,也为电力系统故障诊断提供了参考。

基于集成学习算法的可持续模块划分方法

随着客户对可持续产品需求的增加,针对产品功能和结构属性的传统模块化设计,正逐步转向可持续模块化设计。然而当前的模块划分方法更注重于对模块化指数的优化迭代,忽略了产品多组件间的信息传递和反馈。为此,提出一种集成学习算法的可持续模块划分方法。首先,面向组件间的回收性、材料和寿命因素,构建产品的综合DSM模型。其次,提出集成学习算法的弱分类器构建规则和强分类器结合策略。最后,通过颚式破碎机案例验证了所提模块划分方法的可行性,集成学习算法同直接聚类和遗传算法的模块划分结果对比,表明所提方法各模块组件更接近DSM的对角线。

改进蜉蝣算法求解工艺规划与调度集成问题

针对工艺规划与调度集成问题(IPPS),基于AND/OR析取图和“组合”的概念以最小化最大完工时间为优化目标建立数学模型;设计一种整数编码方案,该方案无需预先为工件生成加工路径,可同时处理工艺规划与调度问题,由于初始解对算法的寻优能力的影响,在种群初始化时考虑机器的负荷以提高初始种群的质量;解码时采用插空的方法生成活跃调度,以缩短工件整体的加工时间;离散蜉蝣算法实现求解IPPS,采用Metropolis准则接收较差的解,引入自适应因子提高算法的收敛速度,设计局部搜索算法提高算法的精度。最后通过大规模基准算例进行实验并与其他算法对比分析,验证该算法有较好寻优性能。

基于联邦集成算法对不同脱敏数据的研究

针对联邦学习中存在梯度更新导致本地数据可能泄露的问题,提出基于本地脱敏数据上的联邦集成算法。该算法用变异率与适应度阈值的不同取值对原始数据进行脱敏,且使用不同类型的模型在经不同程度脱敏的数据上进行本地模型训练,以确定适合的联邦集成算法参数。实验结果表明,与联邦平均算法和传统集中式训练相比,stacking联邦集成算法与voting联邦集成算法的准确率要优于基线准确率。在实际应用中,可根据不同的需求设置不同的脱敏参数来保护数据,以此提升数据的安全性。

基于Prophet算法和Blending集成学习的实时负荷中期预测

目前的中期负荷预测一般未考虑负荷实时状态,而负荷数据的非线性、季节性、随机性、时序性特征将影响实时负荷的中期预测。构建一个实时负荷中期预测的框架,采用Prophet算法提取负荷数据的季节性部分,采用Blending集成学习对负荷数据的非季节部分进行滚动预测,将季节性部分和非季节性部分合成中期负荷实时数据。爱尔兰电力系统的算例结果验证了模型的有效性和稳定性。

基于ROS与改进机器学习算法集成权重岩体质量评价方法

如何准确对岩体分级是深埋地下工程的一个难题。针对单一岩体评价模型存在误判的问题,提出了Random Over Sampler (ROS)改进机器学习算法集成权重岩体质量评价方法。采用ROS算法对类别非均衡样本进行采样处理,经SVM、KNN、NB、DT、RBF、RF、LDA、LightGBM、XGBoost和GradientBoosting计算得到初步分级结果。将每一个分类器作为一个指标,确定每一个分类器的权重,建立ROS与机器学习算法的集成权重岩体质量评价模型,得到综合判别结果,大大降低了单一模型误判率。基于ROS改进机器学习算法集成权重提高了岩体质量评价模型的准确率,为岩体质量评价提供一种新的方法。

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

基于多模型集成算法的光纤陀螺温度补偿及实现

为降低光纤陀螺因温度效应产生的零偏漂移,以基于最小二乘法的多项式补偿模型和经遗传算法优化后的BP神经网络模型(GA-BP)为基学习器,通过集成学习算法建立了光纤陀螺的温度补偿模型,并对补偿后的光纤陀螺进行在线温度补偿实验。实验结果表明,该模型在-40~+60℃温变环境下将光纤陀螺的全过程零偏漂移降低了85%以上,且补偿后的启动段零偏输出均值更接近零位。

基于集成学习算法的5G用户流失预警方法研究

随着5G技术的发展,5G用户的流失预警已成为移动运营商的重要任务。然而,传统的用户流失预警方法在5G营销领域存在准确性和可靠性不高的问题。为了解决5G用户流失预测问题,文章将集成九大机器学习算法,结合5G降档以及离网用户的标签数据和消费行为,构建一个基于集成学习算法的用户流失预警模型。研究结果表明,基于集成学习算法的5G用户流失预警方法具有较高的准确率、实时性和可靠性,可以有效地提高5G用户流失预警的效率。

基于集成学习算法提升方法的贷款违约预测模型选择

机器学习的集成算法具有重要的应用价值,其实际数据分析效果较好。本文在对信贷违约数据进行数据清洗后,分别使用AdaBoost、XGBoost、LightGBM三种集成提升方法对贷款违约情况进行预测分析,构建了相应的违约预测模型。预测结果显示XGBoost与LightGBM的预测效果略优于AdaBoost方法,LightGBM的计算效率最高。

基于Stacking集成算法的混凝土28d抗压强度预测

为实现混凝土28d抗压强度的精准预测并解决不同机器学习模型间相互独立不能优势互补的问题。本研究通过357组混凝土配合比数据构建数据库,并采用Stacking集成方法对3个单一机器学习模型(KNN、XGBoost和RF)进行集成预测研究。首先通过随机抽样方法将数据库划分为训练集和测试集,然后分别进行了单一机器学习模型和集成模型的训练和测试集预测,最后采用平均绝对误差指标(MAE)、均方根误差指标(RMSE)和确定系数(R2)对模型的预测结果进行评价。结果表明,RF模型在三个单一机器学习模型(KNN、XGBoost和RF)中表现最好(MAE=3.0705,RMSE=4.1847,R^(2)=0.8817);此外,Stacking集成模型的预测性能优于任意单一模型,相较于单一模型中表现较好的RF模型,其预测性能实现了显著提升(MAE下降2.6%,RMSE下降9.8%,R2提升2.5%)。

基于改进遗传算法对LIRP问题集成优化研究

在物流系统优化中,物流节点的选址、库存控制及运输路径优化是进行物流系统规划最重要的模块,三个方面相互关联相互制约,在企业物流系统运作中缺一不可,也是当今企业降低成本提高利润的大势所趋.就选址、库存、车辆路径三个要素进行探讨,构建在需求不确定情形下的LIRP集成优化模型,解决分销中心的选址、库存、分销中心到需求门店的路径优化、需求门店的库存优化问题,充分将物流配送选址、库存控制、车辆路径三个方面进行有效集成,采用改进的遗传算法对模型的求解,并以连锁食品R公司为算例,编写程序代码,借助Matlab计算工具求解,最后将求解的结果进行优化对比分析,节约了R公司总里程3964 km,车辆减少36辆,总物流成本减少2.85万元,并验证了算法的有效性.

基于组合遗传算法的电力科技创新成果多agent集成仿真

电力科技成果普遍交叉,为了降低集成电力科技创新成果耗时与能量损耗,研究基于组合遗传算法的电力科技创新成果多agent集成仿真。将底层数据库中电力科技创新资源经多种接口调配至关联库、综合评价以及专家评价三大agent模块,通过结合遗传算法与蚁群算法优点的组合遗传算法,优化解决多agent集成任务分配问题,实现电力科技创新成果高效集成。实验表明,该算法的寻优能力高、求解速度快;可规范化、结构化地集成电力科技创新成果信息;具有耗时少、能量损耗低优势。为科技创新和成果转化提供新思路。

基于集成算法的工业增加值预测模型研究

我国工业经济的快速发展使得对工业增加值的准确预测成为至关重要的任务,工业增加值在经济中起着举重若轻的作用,其有效的现时预测有助于及时分析宏观经济走向。研究通过应用粒子群优化算法(PSO)对梯度提升决策树(GBDT)、随机森林回归(RFR)、LightGBM、Adaboost、XGBoost和CatBoost等六种集成算法的关键参数进行调整,以提高这些算法在工业增加值预测中的性能,并选取MSE、MAE、精度作为模型评价指标。实验结果显示:对比粒子群优化后的模型指标,依据模型预测性能的优劣情况将其排序:XGBoost>AadBoost>CatBoost>RFR>LightGBM>GBDT。基于粒子群优化算法的XGBoost模型在工业增加值预测中表现出更好的预测效果,为提高工业经济预测的准确性提供了有力支持。