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SAPSO-BP的CO_(2)相变致裂效果预测及敏感度分析

液态CO_(2)相变致裂效果受很多因素影响,针对BP神经网络收敛速度慢且易陷入局部最优解的问题,为提高模型的预测精度和泛化能力,采用SAPSO算法优化BP神经网络的权值和阈值,并采用MATLAB软件编写构建了SAPSO-BP算法,基于仿真得到的35组数据,使用SAPSO-BP,PSO-BP,BP模型以及多元线性回归模型对致裂效果进行预测,其平均相对误差分别为2.73%、7.1%、14.6%、13.9%。平均绝对误差分别为0.068、0.169、0.239、0.314 m。表明:SAPSO-BP算法预测精度最高,提高了BP模型的预测精度,其精度满足工程实际需要。并采用Sobol指数法探究了相关影响因素对有效致裂半径的敏感度,表明:敏感度由高到低依次为地应力、弹性模量、瓦斯压力、泄放压力、致裂器间距、钻孔直径、抗拉强度,可为CO_(2)相变致裂的工程设计提供理论支持。

基于AHP和SAPSO的伸缩装置技术状况评定权重系数计算

在伸缩装置技术状况评估过程中,权重系数的研究一直是非常重要的环节。本文提出了一种基于层次分析法(AHP)和改进的模拟退火粒子群算法(SAPSO)的公路桥梁伸缩装置技术状况评定权重系数计算方法。首先,把伸缩装置技术状况评估中AHP过程的判断矩阵一致性检验和判断矩阵权重系数计算归结为非线性优化问题;然后,在SAPSO算法的惯性权重中引入双曲正切函数(HTF)来改善算法的局部寻优性能,采用改进后的HTF-SAPSO算法来计算AHP中的判断矩阵权重系数值;随后,基于AHP构建了公路桥梁伸缩装置技术状况评定的层次结构;最后,以板式橡胶伸缩缝为例进行了权重系数的计算,并和均方根法计算结果进行了比较。

基于SAPSO-BP神经网络的井下自适应定位算法

针对基于传统BP神经网络的井下定位算法存在收敛速度慢、易形成局部极值、在煤矿井下强时变性电磁环境中定位误差大等问题,提出了一种基于模拟退火思想的粒子群优化算法加BP神经网络(SAPSO-BP)的井下自适应定位算法。采用SAPSO算法优化BP神经网络的初始权值和阈值,以加快训练收敛速度,使之到达全局最优;通过安装在井下巷道中的无线校准器采集目标点接收信号强度指示(RSSI)值,采用自适应动态校准方法对RSSI值进行实时校准,以减小强时变性电磁环境对定位精度的影响;最后利用SAPSO-BP神经网络估算出目标点位置坐标。实验结果表明,该算法的定位误差在2m内的置信概率为77.54%,平均误差为1.53m,定位性能优于未校准SAPSO-BP神经网络算法、PSO-BP神经网络算法、BP神经网络算法。

SAPSO算法在梯级水电站日优化调度中的应用

针对传统的动态规划方法求解水库优化调度问题存在的"维数灾"问题,提出一种全局随机优化算法[1]——SAPSO算法及其在水库日优化调度问题中的应用。相对于动态规划,该算法原理简单,易编程实现,占用计算机内存少,能以较快的速度收敛到全局最优解,从而为分时电价环境下的水电站日优化调度问题提供了一种有效的解决办法。

基于SAPSO-BP的薄壁件侧铣加工变形预测方法研究

针对薄壁件在侧铣加工过程中容易产生让刀变形的问题,为实现薄壁件侧铣加工方式下变形量的预测,提出了一种基于SAPSO-BP神经网络技术预测薄壁件侧铣加工变形的方法。通过建立T型薄壁件侧铣加工仿真模型,并用实验验证其有效性,为后续神经网络提供训练样本;再引入模拟退火粒子群算法(SAPSO),优化BP神经网络的初始权值与阈值,建立基于SAPSO-BP的薄壁件侧铣加工变形预测模型,并验证分析了其可行性。

基于SAPSO的梯级水电站中长期优化调度

针对粒子群算法存在早熟收敛现象和后期振荡现象,给出一种动态改变惯性权的自适应粒子群算法[1]。该算法原理简单,易编程实现,占用计算机内存少,能以较快的速度收敛到全局最优解,从而为梯级水电站中长期优化调度问题提供了一种有效的解决办法。

基于SAPSO算法的非线性预测控制方法研究

神经网络模型在非线性系统预测控制中得到广泛地应用,但是存在预测控制律难以求取的问题,文章提出模拟退火粒子群优化(SAPSO)算法来进行优化求解。在对PSO算法与SAPSO算法进行分析的基础上,采用SAPSO优化算法对神经网络预测控制策略进行了优化,再通过仿真实验对PSO算法与SAPSO算法的预测性能进行了比较。仿真结果表明SAPSO优化算法能有效减少迭代次数、提高收敛精度。

基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。

基于SAPSO优化的小波神经网络在焊缝跟踪随动系统中的应用

针对焊接动态过程中焊缝跟踪控制的非线性、强干扰、高维数、不确定性、难建模等难点问题,提出一种基于模拟退火粒子群算法(SAPS0)优化小波神经网络来进行焊缝跟踪的新方法。并将该小波神经网络成功地应用于焊缝跟踪。实验结果表明,该小波神经网络控制器的动态响应快、超调量小、稳态精度高、抗干扰能力强,能够满足焊缝跟踪的要求。

基于SAPSO-BP网络模型的海洋平台落物碰撞损伤分析

为了确保海洋平台作业过程中落物坠落对甲板撞击后的结构安全,对坠落立管撞击海洋平台甲板的过程进行了非线性仿真分析。运用ANSYS/LS-DYNA建立有限元模型,对坠落立管不同撞击角度撞击海洋平台甲板进行模拟计算,得到甲板在不同工况下的损伤情况。运用1种自适应性变异的粒子群优化算法SAPSO与BP神经网络结合[1],对海洋平台进行落物碰撞损伤分析。研究结果表明:落物与垂直方向偏离5°～10°为坠落时最危险的工况。SAPSO-BP提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度,验证了SAPSO-BP网络模型的实用性和可靠性。综合考虑制定适用于海洋平台落物安全的工作程序和平台及设备的防护措施,为海洋平台作业中落物风险评估和海洋平台作业安全保障提供参考。

基于SAPSO-LSSVM的蛋白质模型质量评估

针对传统蛋白质模型质量评估没有考虑同源信息的问题,提出了一种基于LS-SVM评估蛋白质模型质量的方法。综合模拟退火(simulated annealing,SA)算法跳出局部最优解和粒子群(particle swarm optimization,PSO)算法收敛速度快的特点,提出了模拟退火粒子群(SAPSO)算法。利用SAPSO算法来优化LS-SVM参数C和γ,最后得到最优模型来评估蛋白质模型质量。实验结果表明,经SAPSO优化LS-SVM参数所得到的模型评估预测误差较小,且预测值更稳定。

基于SAPSO算法的群桥水域航路规划

针对群桥水域航路规划问题,分析群桥水域特征,建立群桥水域航路代价模型,运用模拟退火粒子算法(Simulated Annealing Particle Swarm Optimization,SAPSO)对不同维数的航路规划模型进行求解,证明SAPSO算法在解决群桥水域航路规划问题方面的适应性。对比分析不同维数模型的求解精度、收敛速度及其航海实践意义,结果表明:在维数较低的情况下,规划航路精度相对欠佳,但能运用于航海实践;在维数较高的情况下,规划航路精度较高,但仍需对规划结果作进一步优化。

基于SAPSO-ELM的瓦斯涌出量分源预测及应用

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素的多重相关性、复杂性等问题,结合主成分分析法和分源预测理论,对开采层、邻近层、采空区的瓦斯涌出量数据分别进行主成分分析降维,得到预测指标。针对极限学习机(ELM)存在的输入权值矩阵与隐含层阈值随机生成的问题,利用模拟退火粒子群算法(SAPSO)对极限学习机的参数寻优,将新疆某煤矿回采工作面瓦斯涌出量及影响因素作为SAPSO-ELM模型的输入进行训练,再利用训练好的SAPSO-ELM模型对陕西某煤矿回采工作面的瓦斯涌出量进行验证预测,并对比原始ELM模型的预测结果。结果表明,SAPSO-ELM模型的平均相对误差为3.45%,ELM模型的平均相对误差为8.81%,与ELM模型相比,SAPSO-ELM模型预测精度及效率均优于原始ELM模型。分源预测理论和主成分分析法的结合有效解决了多因素间的多重相关性并降低了预测模型的复杂度,SAPSO-ELM预测模型实现了瓦斯涌出量的快速精准预测,对预防瓦斯事故发生和保障煤矿安全高效开采具有较好的指导作用。

基于SAPSO-ELM的边坡稳定性预测

为解决边坡稳定性问题,提出了基于SAPSO-ELM的边坡稳定性预测模型。首先,在统计分析大量工程实例的基础上,选取孔隙水压力、黏聚力、边坡高度、内摩擦角、岩石重度、边坡角作为主要判别指标;然后,利用因子分析模型对数据进行属性约简,提取公共因子,减少判别指标之间信息交互;最后,为避免极限学习机(ELM)隐层参数随机生成导致的网络结构不稳定问题,利用模拟退火粒子群算法(SAPSO)对极限学习机的参数寻优,将约简集作为SAPSO-ELM模型的输入进行训练,利用训练好的SAPSO-ELM模型预测样本,并对比其他模型的预测结果。结果表明:利用因子分析提取的公共因子包含原变量因素中绝大部分信息,能减少信息冗余,SAPSO-ELM模型可有效避免PSO在寻优过程中易陷入局部极值及ELM受参数随机性影响的问题,提高了收敛速度和预测精度,可实现对边坡稳定性的有效预测。

基于自适应变异SAPSO-LSSVM的磨煤机一次风量预测

针对磨煤机一次风量的预测问题,建立了以磨煤机系统运行中与一次风量主要相关的参数作为输入变量的最小二乘支持向量机(LSSVM)模型。采用自适应变异的模拟退火粒子群算法(AMSAPSO)对建立的LSSVM模型的参数进行优化,建立了基于自适应变异的模拟退火粒子群优化算法的最小二乘支持向量机(AMSAPSO-LSSVM)预测模型。利用某600 MW机组磨煤机一次风系统运行数据对该模型进行了验证。结果表明,采用自适应变异模拟退火粒子群算法对LSSVM进行寻优,有效避免了搜索盲目性和早熟收敛的问题,提高了模型的泛化能力。采用AMSAPSO-LSSVM预测模型可以对磨煤机一次风量进行较高精度的预测。

基于SAPSO优化灰色神经网络的空中目标威胁估计

针对目标威胁估计有很多不确定性的特点,分析了传统目标威胁估计方法和灰色神经网络初始参数随机选择的不足。采用模拟退火改进的粒子群算法代替梯度修正法,对网络参数初始值进行寻优,并通过该方法搜寻到的最优粒子,建立了基于模拟退火粒子群算法优化的灰色神经网络模型,以提高预测模型的稳健性和精确度。与灰色神经网络和没有改进的粒子群灰色神经网络等方法进行比较,仿真实验结果表明,模拟退火粒子群优化的灰色神经网络具有很好的预测能力,可以准确地完成空中目标威胁估计。

基于SAPSO-Elman的网络安全态势预测研究

针对现有网络安全态势预测精度不高,对初始训练数据依赖较强的问题,结合Elman网络基本原理,从网络激活函数、网络结构、网络参数三方面进行改进,建立基于改进Elman网络的网络安全态势预测模型。仿真结果表明,该研究算法在平均相对误差和均方根误差指标上表现良好,具有更好的预测效果。

基于SAPSO-ELM的纳米铁粉分解炉温度预测

为实现纳米铁粉分解炉温度的精准预测,提出了一种基于自适应粒子群优化算法(SAPSO)和极限学习机(ELM)的分解炉温度预测模型。采用现场数据,选取相关因素,利用ELM建立了对应的模型,并针对ELM输入权值矩阵和隐含层阈值选取的随机性,采用SAPSO对其进行动态寻优。通过仿真分析,分解炉温度预测误差达到0.039 2%,验证了模型的准确性。设置不同SAPSO参数进行试验,验证了模型的稳定性。设置不同神经元数目,与普通ELM的对比试验表明,SAPSO-ELM温度预测模型具有更好的泛化性。

基于SAPSO算法的单目视觉标定与测量

针对双目立体视觉测量存在视场小、特征点匹配困难的缺陷,分析摄像机非线性模型的畸变影响,利用模拟退火粒子群优化(SAPSO)算法在解空间的搜索能力,建立摄像机标定适应度函数实现精确标定,借助激光测距实现单目立体测量。实验结果表明,该方法具有较好的标定结果和较高的测量精度。