基于PSO-SA算法的源项反演方法研究

针对大气污染事故突发时,事故发生点无法确定或人员不能接近的情况,研究了基于环境监测数据源项反演以获取事故源项数据的技术,设计实现了一种基于粒子群-模拟退火源项反演方法。采用自适应方法调整惯性权重系数,与高斯烟羽扩散模型结合,对事故源项数据进行反演。实验结果显示:在所选监测点监测数据的反演实验中,基于粒子群-模拟退火算法(PSO-SA)结合了两种算法的优势,能够获得与期望值较为符合的反演结果。进一步分析了监测点数据误差及监测点数量对反演结果的影响,并将文中方法与粒子群算法(PSO)进行对比,同等条件下,较粒子群算法精度提高了8%,能够快速实现对大气污染源强和位置的准确估计。

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度,提出一种采用遗传模拟退火算法混合优化支持向量机(SVM)参数的瓦斯含量预测模型(GRA-GASA-SVM模型)。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数,以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析(GRA)压缩数据集维度,建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明:SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型,GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。

基于NSA/SA双模技术的锚点与非锚点精准切换对比

在5G基站的高层覆盖场景中,锚点与非锚点的切换是关键问题。锚点是提供稳定服务的主要基站,非锚点则是附近的辅助基站。通过设计优化算法来实现锚点与非锚点的切换可以提高网络资源利用效率和用户体验,进一步增强网络容量和性能。选择NSA/SA双模共享技术方案,确定5G基站高层覆盖场景部署情况,自行选择单锚点或双锚点共享载波方式。在移动性管理中获取5G基站高层覆盖场景,根据分流形式等特征定义锚点与非锚点的切换容量,以更新路径为前提设计切换流程。实验结果表明,在所提算法下可以保证锚点与非锚点的切换时延,且数据传输的丢包率可以控制在8%以内。

Solving algorithm for TA optimization model based on ACO-SA

An ant colony optimization (ACO)-simulated annealing (SA)-based algorithm is developed for the target assignment problem (TAP) in the air defense (AD) command and control (C2) system of surface to air missile (SAM) tactical unit.The accomplishment process of target assignment (TA) task is analyzed.A firing advantage degree (FAD) concept of fire unit (FU) intercepting targets is put forward and its evaluation model is established by using a linear weighted synthetic method.A TA optimization model is presented and its solving algorithms are designed respectively based on ACO and SA.A hybrid optimization strategy is presented and developed synthesizing the merits of ACO and SA.The simulation examples show that the model and algorithms can meet the solving requirement of TAP in AD combat.

基于GASA-BP-BiLSTM的轴承故障预测研究

基于BP神经网络收敛速度慢,在预测时易陷入局部极小值陷阱的问题,提出一种基于GASA-BP的预测方法,GA和SA协同优化BP神经网络,使得GASA-BP预测模型同时具备较强的全局搜索能力和跳出局部最优解的能力。BiLSTM是LSTM的一种特殊形式,BiLSTM充分考虑了时间序列数据前后节点之间的相关性,有效提取信号中的时间特征,具有更优秀的分类能力。基于此,提出一种基于GASA-BP-BiLSTM的故障预测模型,并应用于轴承的故障预测中,该模型不仅能够预测出轴承中是否存在故障,还能检测出潜在的故障类型,兼具了预测和故障诊断的优点。

基于SAPSO算法的集成型三端口变换器回流功率优化

占空比加双重移相控制下的交错并联Buck-Boost和双有源全桥集成的三端口变换器功率密度高、工作方式灵活、应用广泛,但是由于控制方式较为复杂,回流功率高也成为其发展的瓶颈。针对该集成型三端口变换器工作过程中存在的功率回流问题,分析了回流功率产生原理,建立了此变换器传输功率与回流功率数学模型,得到了回流功率与占空比和移相占空比的关系方程;基于此方程,采用模拟退火粒子群算法对占空比与移相角进行优化。通过运行工况为输入电压100 V、输出电压48 V、开关频率20 kHz的仿真与实验结果表明:所提方法可以实现减小回流功率的目标回流功率减少近13%,与模拟退火算法相比,该方法使集成型三端口变换器的回流功率明显降低。

基于深度学习的GRU-GA-SA冷水机组故障诊断模型研究

空调系统能耗占建筑总能耗的50%左右,而冷水机组作为空调系统能耗最大的单体设备,故障状态运行将导致额外能源损耗,影响系统的经济效益和安全性。针对现有故障诊断方法依赖专家经验多、对混合故障诊断效果不好、对不同类型故障诊断能力不均衡等不足,结合冷水机组机构复杂、部件关联性强的结构特点和非高斯性、强耦合的数据特性,基于门控循环单元(GRU)和自注意力机制(SA)的融合深度学习算法,引入遗传算法(GA)进行特征选择,建立了冷水机组故障诊断融合模型GRU-GA-SA。采用ASHRAE研究项目RP-1043数据集对7种典型故障混合样本进行测试,相较于其他方法,GRU-GA-SA模型故障诊断精度达到92.7%,对混合样本中单一故障的识别更加均衡。此外原始数据特征数量由64维减少至30维,在保证模型诊断性能的同时,降低了模型运算时间和采集所需传感器数量,使模型更加贴近实际工况,提升了方法的实用性。

SA-APSO算法及其在变压器油中局部放电超声定位中的应用

针对基本粒子群算法(particle swarm optimization algorithm,PSO)局部寻优能力差及易早熟收敛的情况,提出一种融入模拟退火思路的自适应粒子群混合算法(simulated annealing-adaptive particle swarmoptimization algorithm,SA-APSO),在惯性权重变化-自适应粒子群基础上融入退火思想,以一定的随机概率接收最优值,能有效提升全局寻优能力并克服早熟收敛现象。利用测试函数进行的仿真结果表明SA-APSO算法在结果精度及稳定度上明显优于基本PSO。并将其应用于变压器油中局部放电的定位计算,将结果与基本PSO及自适应粒子群进行比较,结果表明基于SA-APSO的变压器油中局部放电超声定位方法能够实现全局精确定位,且结果稳定,综合误差小于3.7 mm。

基于SA算法的无绝缘轨道电路故障综合检测方法

针对遗传算法对无绝缘轨道电路进行故障综合检测时,存在检测结果精度低、耗时长以及实用性差等缺点,提出基于模拟退火算法的无绝缘轨道电路故障检测方法。建立以补偿电容为分界点,分段划分道砟区段的分路状态模型,运用该模型分析道砟电阻、补偿电容与分段分路电流幅值包络之间的关系,在上述分析的基础上,从发送端到接收端,依次对每一段电流幅值包络利用模拟退火算法求得与之相对应的道砟电阻值和补偿电容值,实现轨道电路故障的综合检测。实验表明,本文所提出的故障检测方法能够准确检测多个电容故障,并反映出道砟电阻分段波动的情况。与遗传算法相比,该方法检测精度高、耗时短、实用性强,更加适合于无绝缘轨道电路故障综合检测。

基于改进离散模拟退火遗传算法的雷达网协同干扰资源分配模型

针对分布式干扰机掩护目标突防雷达网背景下的干扰资源分配问题,提出了一种引入随机密钥的改进离散模拟退火遗传算法(improved discrete simulated annealing genetic algorithm,IDSA-GA)对资源分配过程进行优化。基于雷达网融合检测概率构建干扰效果评估函数,利用IDSA-GA对函数寻优求解。IDSA-GA在模拟退火遗传算法(simulated annealing genetic algorithm,SA-GA)的基础上引入随机密钥,完成算法的离散化;并在迭代的过程中增加记忆功能,克服了过早收敛的现象。仿真结果表明,与GA相比,提出的IDSA-GA收敛迅速,寻优能力强,能有效解决干扰资源优化分配问题。

基于SA算法的灰色Verhulst模型在软土路基沉降预测中的应用

公路软土路基在施工完成后会产生较大的工后沉降,对后期的车辆通行有一定的影响,因此对软土路基的沉降预测进行了研究。根据实际工程中所测得的沉降数据,利用python编程语言的科学计算库,建立了非等时距灰色Verhulst模型。采用SA算法(模拟退火算法)对模型进行优化,求得模型参数的最优解和最终沉降量,给出了路基随时间变化的沉降预测曲线,并与传统非等间隔灰色Verhulst模型曲线进行了对比和误差分析。结果表明:经SA算法优化后的模型能更好地反映软土路基的沉降规律,可较好地应用于软土路基的沉降预测研究中。

基于灰色关联分析与SA-PSO-Elman结合的地震直接经济损失评估

对地震灾害造成的损失进行评估是国家采取应急救援和灾后援建工作的重要依据。为快速评估地震灾害引起的直接经济损失,提出一种基于灰色关联分析与模拟退火-粒子群-Elman神经网络(SA-PSO-Elman)结合的地震灾害直接经济损失评估模型。该模型先采用灰色关联分析方法客观地选出地震灾害直接经济损失的主要影响因素,即为Elman神经网络的输入,然后将全局寻优能力强及收敛速度快的粒子群算法与能跳出局部极值的模拟退火算法相结合来优化Elman神经网络的权值和阀值,最后将训练好的Elman神经网络运用到地震灾害直接经济损失评估中。通过仿真试验结果表明:该混合算法优化的Elman神经网络模型比Elman神经网络模型和PSOElman神经网络模型具有更高的预测精度和收敛速度。

基于SA-MCMC算法的非线性测量误差模型数据删除影响

为了研究非线性测量误差模型强影响点的识别问题,首先将非线性测量误差模型中存在误差的不可观测的数据当作缺失数据,利用SA-MCMC算法求得模型参数的最大似然估计,然后用Q函数代替可观测数据的对数似然函数进行影响分析,得到了建立在Q函数基础上的广义Cook距离及其一步近似,最后通过算例说明了诊断统计量的有效性.

基于SAS算法的飞行器低空突防三维航路规划研究

SAS算法的各个主要搜索参数对飞行器航路规划的结果影响关系复杂,论文在对低空突防三维航路规划进行仿真实现的基础上,对最小步长搜索步长、扩展节点数、代价函数权重、最大飞行高度、最大转弯角等主要搜索参数进行了多组数据仿真对比,分析了各个参数对低空突防航路规划结果的影响关系,对于基于SAS算法进行飞行器航路规划的改进和优化具有参考意义。

基于SA-MCMC算法的非线性测量误差模型的影响分析

研究了非线性测量误差模型的影响分析.首先把模型中有误差的不可观测的数据当作是缺失数据,接着用SA-MCMC算法得到了模型参数的最大似然估计,然后考虑用Q函数代替可观测数据的对数似然函数来进行影响分析,得到了建立在Q函数上的局部影响分析的诊断统计量.最后用具体的例子说明了诊断统计量的有效性.

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SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。

基于蚁群算法优化SA的WMN路由设计与仿真

针对现有的无线网状网(WMN)路由协议在实际无线信道环境下性能降低的问题,提出了一种基于蚁群模拟退火(ASA)算法的WMN的路由算法。该算法吸收了蚁群算法的适应性、鲁棒性及本质上并行性的优点,并利用模拟退火(SA)算法调整路由的搜索方向,使蚁群算法的早熟现象和收敛速度得到了改善。对该算法进行仿真研究,结果表明:该算法在数据包的转发率、端到端延时数据丢失率和归一化路由开销等方面要比常规路由协议优秀很多,大大提高了系统的可靠性、鲁棒性,增强了通信网络的自适应能力。该算法用于WMN路由协议是可行的、有效的。

一种基于GA-SA-TS算法的车间调度方法的研究

运用现代优化算法来解决车间调度这类NP完全问题是现在普遍使用的方法。本文将模拟退火算法和禁忌搜索算法的思想与遗传算法相结合,改善了传统遗传算法中单一的交叉和变异机制,提出了模拟退火-交叉机制和禁忌搜索-变异机制,最终形成了一种适用于解决车间调度方面问题的GA-SA-TS混合遗传算法。三种算法取长补短,避免了遗传算法局部搜索能力差和易早熟的缺点。同时运用GA-SA-TS算法,针对实际车间调度问题进行了仿真。通过该仿真结果可以看出,GA-SA-TS混合遗传算法对于解决车间调度问题是可行的,且在解的质量方面有所提高。

基于LSSVRM和SA算法的软件失效模型

针对软件失效数据的特点,提出将最小二乘支持向量回归机(LSSVRM)用于软件可靠性失效模型的构造。利用LSSVRM对小样本失效数据构造拟合模型,使用模拟退火(SA)算法对LSSVRM的参数进行优化,得到基于SA的LSSVRM,实现对拟合模型的进一步改进。通过与常用的NHPP类软件失效模型对比表明,利用LSSVRM和SA算法可以构造拟合精度更高的失效模型。