基于随机搜索算法优化XGBoost的过热汽温预测模型

建立过热器汽温对象的高精度性能预测模型,是实现过热汽温智能优化控制的基础。为此,针对某600 MW超临界机组仿真系统的历史运行数据,采用机器学习中的XGBoost (eXtreme Gradient Boosting)回归模型建立过热器汽温特性的预测模型,并分别采用网格搜索算法和随机搜索算法对模型参数进行优化。通过比较两种优化模型的预测效果,结果表明:随机搜索算法可以进行多个参数组合寻优,收敛速度快,全局寻优的效果更好,优化后的过热汽温模型具有更好的预测精度和泛化能力。     

Spark框架并行度推断算法

分布式计算集群Spark宽依赖并行度取决于用户设定参数,对于不同的作业类型或数据集,硬编码的并行度参数设定难以发挥集群的最大计算能效。针对这一问题,首先对Spark作业执行方式进行深入分析,建立作业调度模型,提出宽依赖计算代价、资源空置率和溢写概率的定义;然后分析任务并行度对作业执行时间的影响,证明并行度取值具有合理区间,提出并行度推断算法的优化目标。最后根据模型定义进行目标求解,设计批处理内存计算框架的并行度推断算法（parallelism deduction algorithm,PDA）,通过构建的数据总量、执行区预留比、操作闭包集合、资源表等多个基础数据,计算符合资源需求表且具有最大资源利用率和最小开销的任务并行度;PDA算法在作业的各个Stage中迭代执行,根据计算环境优化调度方案提高性能。实验表明,PDA算法提高了Spark框架的作业执行效率,针对不同类型作业均具有良好的普适性。     

基于回归模型的Spark任务性能分析方法

为解决Spark任务运行过程中的性能评估与改进问题,本文提出一种基于启发式算法和支持向量机回归模型的Spark性能评价与分析方法.本文首先提出一种启发式性能评价算法,该方法采用Ganglia收集并处理Spark任务运行时的集群资源消耗数据,根据k-means算法划分任务类型,并根据任务类型确定启发式性能评价算法的评价指标和初始权重.然后,从Spark历史服务器中收集并处理任务运行效率数据,与集群资源消耗数据一并作为Spark任务运行时的状态数据.最后,根据状态数据迭代确定启发式性能评价算法的最终权重,以此建立Spark性能评价回归模型.本文随后提出一种基于支持向量机SVM回归算法(SVR)的Spark性能分析方法.该方法对Spark配置参数与整体性能建立回归模型,然后对该回归模型进行敏感度分析,找到能够影响Spark性能的重要参数.实验结果表明,启发式性能评价算法能够量化Spark任务资源消耗和运行效率等各方面性能,比较全面地评估任务的整体性能.基于SVR的性能分析方法能够比较有效地应用于Spark任务的实际分析中,形成初步的Spark任务性能调优建议.     

基于强化学习的模型选择和超参数优化

随着机器学习技术的不断发展,机器学习算法种类的增多以及模型复杂度提高,造成了实践应用中的两大难题:算法模型选择及模型超参数优化。为了实现模型选择和超参数优化的自动处理,该文提出了一种基于深度强化学习的优化方法。利用长短期记忆(LSTM)网络构建一个智能体(Agent),自动选择机器学习算法模型及对应的超参数组合。该智能体以最大化机器学习模型在验证数据集上的准确率为目标,利用所选择的模型在验证数据集上的准确率作为奖赏值(reward),通过强化学习算法不断学习直到找到最优的模型以及超参数组合。为了验证该方法的可行性及性能,在UCI标准数据集上将其与传统优化方法中基于树状结构Parzen的估计方法和随机搜索方法进行比较。多次实验结果证明该优化方法在稳定性、时间效率、准确度方面均具有优势。     

基于Spark优化的协同过滤推荐算法研究

推荐算法是数据挖掘中较为重要的算法之一,在如今的互联网发展中被广泛使用。而基于Spark Mllib平台上使用的ALS协同过滤算法在个性化推荐系统中发挥着重要作用,但由于Spark复杂的内核架构与其基于内存计算的特点,想通过Spark实现高性能的推荐系统,还存在着诸多问题需要研究。针对基于ALS模型的协同过滤算法及用来实现该算法的Spark计算技术进行分析与优化,经过资源优化后,缩短了推荐所用的时间,其性能提升了33.3%;在资源优化的基础上再经过Spark Shuffle优化,优化后的性能与无优化时相比,其性能提升了54.8%。     

基于EM-DRNN的风电功率预测模型

提出基于类电磁机制算法的对角递归神经网络的风电功率预测模型.对角递归神经网络属于动态递归神经网络,具有较好的动态性能;类电磁机制算法模拟电磁场中带电粒子间吸引与排斥机制,可进行全局优化,具有好的收敛性能.模型采用类电磁机制算法对对角递归神经网络进行优化,可避免使神经网络训练陷入局部最小点,提高模型的预测精度.仿真结果表明,模型可有效降低预测误差,获得满意的预测精度.     

飞蛾火焰优化算法-投影寻踪回归模型在需水预测中的应用

基于用水时间序列构建投影寻踪回归(PPR)需水预测模型。针对PPR模型矩阵参数难以确定的不足,利用一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法优化PPR模型矩阵参数,提出MFO-PPR预测模型,并构建MFO-BP模型作对比,以1980—2013年上海市需水预测为例,分别利用实例前20组和后10组数据对模型参数进行率定及预测。结果表明:MFO-PPR模型对实例后10 a需水预测的平均相对误差绝对值和最大相对误差绝对值分别为1.84%、4.20%,预测精度优于MFO-BP模型的2.06%、4.61%。MFO算法具有较好的全局寻优能力,将MFO算法应用于PPR模型参数寻优,可有效地提高PPR模型的预测精度。     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

多策略MRFO算法的卷积神经网络超参数优化

卷积神经网络的性能与超参数配置密切相关,然而最优超参数的选择耗时耗力. 为了提高超参数选择的效率,提出了一种基于多策略的蝠鲼觅食优化算法,一方面采用半数均匀初始化策略提升种群的多样性;另一方面,融合新权重因子更新策略和分裂策略,提升收敛速度和拟合精度. 根据实数编码策略将所提算法用于卷积神经网络的超参数优化研究中,用3种觅食方式进行迭代,以得到最优的超参数配置. 为了评估超参数优化的有效性,与卷积神经网络超参数优化算法在手写数字和CIFAR-10数据集上进行了对比实验,实验结果表明,所提算法可消耗较少的资源,并获得更高的准确率.     

几种智能算法与支持向量机融合模型在中长期月径流预测中的应用

通过5个典型测试函数对灰狼优化(GWO)算法、文化算法(CA)、SCE-UA算法和花授粉算法(FPA)进行仿真验证及对比分析。针对支持向量机(SVM)学习参数难以确定的不足,利用上述4种智能算法搜寻SVM的最佳学习参数,提出GWO算法、CA、SCE-UA算法和FPA与SVM相融合的预测模型,并以云南省革雷水文站的中长期月平均流量预报为例进行了实例研究。结果表明:14种算法的性能各有优劣,均具有较好的收敛速度和全局寻优能力。相对而言,GWO算法、FPA优于SCE-UA算法,SCE-UA算法优于CA。2GWO-SVM、CA-SVM、SCE-UA-SVM及PFA-SVM模型对革雷水文站2001—2005年的月平均流量预测的平均相对误差绝对值分别为2.47%、2.81%、2.67%和2.46%,均具有较好的预测效果。     

基于语义分割的沥青路面裂缝智能识别

针对传统的沥青路面人工检测效率低、缺乏客观性的弊端，提出基于语义分割的沥青路面裂缝智能识别方法.综合考虑数据集规模、算法种类、网络种类及深度、损失函数类型的影响，对22个语义分割模型开展对比研究，提出适用于较大、较小规模数据集的优选裂缝智能识别方案及对应模型.基于北京六环高速公路沥青路面，建立裂缝分割数据集R-Crack，对提出的智能识别方案进行应用检验，并自动量化裂缝参数.结果表明：检测准确率最高达到83.45%，通过对比人工及自动化检测方式获得的裂缝参数计算结果，裂缝长度和宽度平均误差分别为2.84%和2.39%，提出的智能识别方案为高速公路等场景下沥青路面裂缝的智能检测实践提供依据.     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

二维非递归的低成本FIR滤波器设计方法

为降低有限冲激响应(Finite impulse response, FIR)数字滤波器的成本,提升可综合性,提出了一种基于系数矩阵的二维非递归优化算法,并进行了仿真.首先,对现有的数字滤波器优化算法进行了调研,比较了各优化算法的优势和不足;然后,对现有的一维非递归算法进行优化,提取一维非递归算法优化后的冗余项,得到了二维非递归优化算法,并分析了算法的复杂度;最后,生成多组滤波器分别对本算法与一维非递归算法,以及本算法和现有递归算法进行仿真和对比.仿真结果表明:提出的二维非递归FIR滤波器设计方法充分利用了系数矩阵的冗余信息,保留了现有算法的最小逻辑深度特性,同时可以进一步节省中间加法器个数;相比于现有的一维非递归算法,本算法可节省10.05%(12 bit量化)和7.21%(16 bit量化)的加法器个数;在低阶滤波器的设计中,加法器使用量降低到了传统CSD表示法的30%左右,从逻辑深度和加法器个数两方面都超越了已发表的递归和非递归滤波器设计方法.     

煤-电双目标下基于有模型强化学习的回转窑工艺参数优化

基于煤-电双目标下回转窑工艺参数优化问题,提出了有模型强化学习的解决方法. 首先,以固定时间间隔为单位对历史工艺参数和运行目标进行数据处理与聚合. 其次,搭建概率神经网络建立回转窑控制参数与影响参数、运行目标值的关系模型,该模型被用作为后期强化学习框架中的奖励模型. 然后,利用基于模型的离线策略优化的强化学习算法构建控制参数推荐智能体,同时优化回转窑生产过程的煤电消耗. 最后,给出一个案例证明所提方法对回转窑工艺参数优化的适应性、高效性.     

基于WOA-LSSVM的锅炉NOx排放量预测模型

精准可靠地预测锅炉NO_x排放量对电站锅炉低氮运行有着重要意义,为了提升模型的预测效果,提出一种基于鲸鱼优化算法-最小二乘支持向量机(WOA-LSSVM)的锅炉NO_x排放量预测建模方法。首先归一化处理初始样本数据,然后通过WOA算法对LSSVM中的核函数宽度和惩罚因子两个参数进行寻优求解,建立WOA-LSSVM黑箱模型,最终得到模型输出,同时将采用果蝇优化算法(FOA)、粒子群优化算法(PSO)优化参数建立的LSSVM预测模型和单一LSSVM预测模型作为对比研究。仿真结果表明,采用WOA优化的LSSVM模型在NO_x排放量预测方面明显优于其他选定模型,具有稳定且较高精度的仿真性能。     

基于宏微观纹理特征融合的路面摩擦性能预测

通过非接触式三维激光表面测试、机器学习,开展基于宏微观纹理特征融合的路面摩擦性能智能预测模型研究. 来自俄克拉荷马州的45个测试站点被选取作现场测试平台. 利用三维激光检测车和GripTester,分别获取行车道轮迹带路面摩擦数据、宏观纹理;利用LS-40三维激光表面分析仪获取集料表面三维微观纹理数据,测算4类微观纹理参数. 利用机器学习算法,将路面摩擦与宏微观纹理特征建立联系. 综合模型训练与测试,评价路面摩擦性能预测模型的准确率. 模型的测试标准差为0.047,测试集R²为0.865. 研究结果表明,86.5%的测试数据适用于所建立的机器学习预测模型,开发的评价指标及预测模型能够较好地预测路面摩擦性能.     

基于XGBoost的隧道掘进机操作参数智能决策系统设计

为了实现隧道施工的同质化,提出基于极端梯度提升算法（XGBoost）预测模型的隧道掘进机（TBM）操作参数的智能决策方法. 定义场操作系数指数（FOI）作为替代传统场切深指数（FPI）的围岩级别特征参数,使用XGBoost算法建立预测模型以实现对FOI的预测,对围岩级别进行预测、判断. 通过对优秀司机在特定FOI下TBM操作参数的选择,建立专家模型实现FOI与特定TBM操作参数的关联,实现TBM操作参数的智能决策. 使用引松工程的现场数据进行对比实验,结果表明,设计的TBM操作参数的智能决策系统能够实现对优秀的TBM司机操作参数决策的复现,相比于以FPI为特征参数的传统智能决策系统,新系统的推进速度和刀盘转速两部分的平均相对误差分别下降8.84 %和7.97 %.     

一种智能开关控制算法及其在电阻炉微机群控系统中的应用

本文提出了一种对过程参数变化有较好适应性的智能开关控制算法，并介绍了该算法在实际电阻炉群控系统中的硬件和软件的实现。系统运行结果表明，该算法使用便利，需要整定的参数少，并有着较好的输出响应。     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

基于改进Adaboost算法的SCR脱硝系统多模型集成建模

燃煤机组选择性催化还原法(SCR)脱硝系统是复杂的多变量非线性时变系统,且运行工况多变,单一模型难以准确描述系统的多工况运行特性,因此,基于改进自适应提升算法(Adaptive Boosting,Adaboost),提出一种多模型集成建模方法。首先对Adaboost集成算法的损失函数进行优化,引入正则化因子和先验知识参数以提高模型的精确度;然后基于SCR脱硝系统的多工况运行数据,采用改进的Adaboost算法自动调整运行数据的权重,形成多个样本子集;在每个样本子集空间上,通过支持向量机(Support Vector Machine,SVM)建立SCR脱硝系统局部模型,并采用智能算法对局部模型的参数进行优化;最后基于改进的Adaboost算法集成得到SCR脱硝系统集成模型。仿真结果表明,与传统的Adaboost算法相比,改进的Adaboost算法集成的预测模型有效提高了模型预测精度,同时避免了单一模型由于样本分布的不均匀性而导致的模型工况适应性差等问题,提高了模型的复杂工况适应性能。