MFOA-SVM在采煤工作面瓦斯涌出量预测中的应用

针对新安煤矿采煤工作面瓦斯涌出量系统时变非线性特点,建立改进果蝇算法(MFOA)支持向量机(SVM)预测模型。利用FOA具有运算简单、收敛速度快、寻优精度高等优势来优化SVM核函数参数g、惩罚因子c和不敏感损失函数ε,但FOA也存在可能陷入局部最优的不稳定缺陷,则嵌入三维搜索、混沌优化、自适应变步长和最优保留策略进行改进,并利用Rosenbrock测试函数和采煤工作面瓦斯涌出量历史数据进行试验分析,结果表明:该模型预测平均相对误差为2.16%,比其他预测模型具有更高的预测精度、更快的收敛速度、更强的泛化能力,具有一定的实际应用价值。

最小二乘支持向量机联合改进果蝇优化算法的CFB锅炉燃烧优化

针对电厂循环流化床(CFB)锅炉降低污染物排放和提高锅炉燃烧效率的问题,本文首先应用最小二乘支持向量机(LS-SVM)建立了锅炉效率、NO_x和SO_2排放特性的软测量模型,并对比了LS-SVM和BP神经网络模型的性能;然后基于LS-SVM建立的模型,提出了3种优化策略,采用改进果蝇优化算法(MFOA)在一定范围内对CFB锅炉运行工况的可调参数进行优化。结果表明:LS-SVM模型与BP神经网络模型相比,训练时间较短,预测精度较高,泛化能力较强;CFB锅炉效率最多提高了0.61%,NO_x和SO_2排放质量浓度最多降低了7.88%和18.13%。