蝗虫优化神经网络在变压器故障诊断中的应用

针对变压器故障诊断中传统BP神经网络算法准确率低、收敛速度慢、易陷入局部极小值及对初始参数较为敏感等的不足,提出一种基于蝗虫优化（GOA）算法的BP神经网络故障诊断方法。建立以变压器故障特征气体为输入、故障类别为输出的故障诊断模型,利用GOA高效的计算性能和优良的全局搜索能力对BP神经网络的权值和阈值进行参数优化。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

基于遗传算法的BP网络在城区埋地燃气管道风险评价中的应用

将遗传算法和Bp神经网络进行融合,优化神经网络的权值和阈值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,并与纯BP神经网络进行了比较.城区埋地燃气管道的实例表明,基于遗传算法的BP神经网络不仅收敛速度快,而且易达到最优解.     

基于遗传算法:BP网络的空调水系统优化控制研究

针对BP神经网络收敛速度慢和易于陷入极小值的问题,采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了BP神经网络的计算精度和收敛速度.应用该模型对空调水系统进行了辨识,并以冷水机组和水泵能耗最小为目标进行优化,取得了满意的效果.     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于相似日和主成分分析的光伏发电系统短期出力预测

针对光伏发电功率的间歇性和波动性,提出了一种基于主成分分析(PCA)和粒子群优化(PSO)算法的BP神经网络短期发电功率预测方法。该方法先对原始输入数据进行主成分分析,再将分析结果作为BP神经网络的输入数据。由于粒子群算法搜索速度较慢,但全局搜索能力较强,而传统的BP神经网络搜索速度较快,但易陷入局部极值点,因此将两者结合起来,既弥补了各自的劣势,又避免了预测模型的失效,从而提高了预测模型的预测精度。分析结果表明,当天气类型改变时,该预测模型的有效性不变,预测误差均小于20%。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

遗传算法优化BP神经网络在大坝扬压力预测中的应用

针对BP神经网络的局部极小和收敛慢等问题,提出了利用遗传算法的选择、交叉和变异操作优化BP神经网络的权值和阈值,将优化后的BP神经网络用于预测大坝扬压力。通过实例应用,将遗传算法优化的BP神经网络与逐步回归、BP神经网络预测相对比,结果表明遗传算法优化的BP神经网络收敛快且预测结果精度高。     

基于遗传算法优化BP神经网络的管网漏失定位模型研究

针对BP神经网络用于管网漏失定位时易出现收敛速度慢及陷入局部极小值的问题,利用遗传算法对BP神经网络的权值和阈值进行优化,并以A市供水管网为例,选取各个分区的供水管段进行不同程度的漏失模拟,将模拟数据作为训练样本训练遗传算法优化的BP神经网络,得到管网漏失时压力监测点的压力变化率和漏点位置之间的非线性关系,构建基于遗传算法优化BP神经网络的管网漏失定位模型。实例应用结果表明,基于遗传算法优化BP神经网络的管网漏失定位模型的收敛速度和预测精度均优于传统BP神经网络模型,可应用于实际工程。     

基于万有引力搜索算法优化BP的尾矿坝浸润线预测

为解决BP神经网络在尾矿坝浸润线预测中易陷入局部最小值、收敛速度慢等问题,引入全局搜索能力强的万有引力搜索算法(GSA)优化BP神经网络的权值和阈值,进而构建万有引力搜索算法优化BP神经网络(GSA-BP)模型,并以西果园南峪沟尾矿坝NJRX2-4监测点的浸润线预测为例,对比分析GSA-BP模型的预测值与BP模型和PSO-BP模型的预测值。结果表明,GSA-BP模型构建合理,预测精度最高,预测值与实测值相近,验证了GSA-BP模型在西果园南峪沟尾矿坝浸润线预测中的可行性和有效性。     

基于模拟退火遗传算法的水电站优化调度研究

采用模拟退火遗传算法(SAGA)研究了水电站优化调度问题,与GA和经典的DP算法相比,结果表明该算法具有较强的局部搜索能力和较好的收敛能力,能以较快的速度找到全局最优解,是一种有效的搜索方法,可用于水电站优化调度中。     

基于PSO优化的BP神经网络在电动机绝缘剩余寿命预测中的应用

针对普通的电动机绝缘剩余寿命预测模型收敛速度慢、结果偏差大的缺陷,提出了一种基于粒子群算法(PSO)优化BP神经网络的电动机绝缘剩余寿命预测模型。首先,利用PSO算法全局随机最优解搜索的特性,对传统BP神经网络模型的权值和阈值进行优化设计。其次,为便于预测模型的运算处理,对采集的三相异步电动机的数据进行归一化处理。最后,结合经PSO算法优化的BP神经网络模型对三相异步电动机的绝缘剩余寿命进行试验预测。结果表明,基于PSO优化的BP神经网络比传统BP神经网络有更为精准的预测能力以及更快的收敛速度。     

基于GAPSO算法优化的ELM神经网络在柴油机故障诊断中的应用

针对极限学习机(ELM)神经网络初始权阈值对算法性能的影响问题,提出一种融合遗传算法(GA)与粒子群算法(PSO)的GAPSO算法,用于优化ELM神经网络初始权阈值。该算法将群组一分为二,分别采用GA和PSO算法,再将优秀个体进行合并,改善了PSO算法全局搜索能力,同时增强了GA算法的局部搜索效能。通过对柴油机故障诊断的实验证明,基于GAPSO优化初始权阈值的ELM神经网络可以有效提升故障诊断精度。     

混沌实码遗传算法在水质模型参数优选中的应用

为提高遗传算法在水质模型参数优选中的计算精度和全局优化能力,利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在实码遗传算法初始群体中引进50%的混沌变量和50%的均匀随机变量,采用混沌变异,用进化得到的优秀个体群来逐步缩小搜索空间,提出了求解水质模型参数优选的一种新方法———混沌实码遗传算法(CRGA)。应用该方法对1~10个变量的非线性、多峰值测试函数进行了仿真。在收敛速度和全局优化方面,CRGA好于现有的标准二进制编码遗传算法和改进的遗传算法。将CRGA用于求解有关河流横向扩散系数的实际水质模型的参数优选问题,与实编码遗传算法、标准二进制编码遗传算法、传统直线图解法相比,CRGA精度高、收敛速度快。     

遗传算法优化BP神经网络在求解水文地质参数中的应用

针对BP神经网络算法收敛速度慢、遗传算法搜索速度慢,两者单独求取水文地质参数效果不佳,结合两种算法的优点,采用遗传算法优化的BP神经网络方法求解水文地质参数,提高了运算速度和结果的准确性。以某抽水井为例,对比四种常见方法与本文算法的计算误差,结果显示采用遗传算法优化的BP神经网络方法求解水文地质参数误差最小,求参结果更为可靠。     

一种决策逆问题的研究方法及在防洪规划中的应用

指出了模糊优选BP神经网络模型的缺点，在模糊优选BP神经网络模型的基础上，引入加速遗传算法，提出融入遗传算法的模糊优选神经网络智能决策模型。并将其应用于某流域蓄滞洪区优选决策逆命题的目标权重计算，结果表明，该模型能够明显加快网络的收敛速度，改善网络的全局寻优能力，集成了模糊优选BP神经网络和遗传算法的优点。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

改进的混沌优化方法在电站机组负荷分配中的应用

利用搜索过程中的先验知识，提出了一种改进的变尺度混沌优化算法，对电厂机组负荷分配这一类高维、非线性问题进行寻优。该算法利用混沌运动的遍历性和随机性进行全局搜索，结合下降法思想在当前最优解的局部空间搜索，提高算法的收敛速度。通过罚函数，将非线性约束问题转化为非约束问题求解，在寻优操作过程中检验解的有效性。并采用目标函数中负荷取值区间判别方法，降低优化问题的规模，减少了计算次数。与传统遗传算法相比，改进的混沌优化算法获得了更好的效果。     

基于遗传算法及BP神经网络的混合孤岛检测方法

文章提出一种基于遗传算法及BP神经网络的混合光伏孤岛检测方法,该方法通过遗传算法优化了BP神经网络的初始权值和阈值,有效改进了BP神经网络局部最优的缺点。通过对其检测机理和在Matlab/Simulink实验结果的分析,该方法检测盲区更小,不影响系统电能质量,检测速度更快,误判率低。在DSP中进行了该算法的软硬件实现,实验结果验证了这种方法的正确性和有效性。     

应用遗传算法优化设计管壳式换热器

两级管壳式换热器优化设计是一个有约束非线性规划问题,目前还没有方法能够保证寻找到该问题的全局最优解.传统的转动坐标轴直接搜索可行方向法(DSFD方法)可以获得该问题的局部最优解,但该最优解对初始点的依赖性很大,需要多次尝试寻找"全局"最优解.应用遗传算法对两级管壳式换热器进行优化设计,优化结果与DSFD方法优化结果对比表明,遗传算法更易于寻找"全局"最优解,提高优化过程的效率.