多分支混沌变异的头脑风暴优化算法

头脑风暴优化算法是一种受人类群体行为启发的新型群智能优化算法。该算法通过模拟人类使用头脑风暴创造性解决问题的行为,在解空间中分析个体分布,并使用变异生成新个体,多次迭代求得最优解,具有较高的鲁棒性和自适应能力。针对头脑风暴优化算法精度较差、易陷入局部最优导致早熟收敛的缺陷,提出了一种多分支混沌变异的头脑风暴优化算法。该算法选取8种混沌映射,设计了一种多分支混沌变异算子。当原始算法陷入局部最优时,使用多分支混沌变异生成新个体,利用多种混沌运动的遍历性、随机性和多样性,扩大了混沌空间的范围,增强了算法全局搜索的能力。对10个经典测试函数的10、20、30维问题进行测试,并与原始头脑风暴优化算法、粒子群优化算法、遗传算法和布谷鸟搜索算法进行对比,实验结果表明,所提出的算法可以有效避免陷入局部最优,具有更高的稳定性和全局搜索能力。     

基于TSF与模糊开关角的SRM建模与控制系统仿真研究

开关磁阻电机(SRM)的模型直接影响电机性能分析以及控制效果,虽然SRM结构简单,但开关磁阻电机双凸结构和磁路的严重饱和,使其精确建模十分困难。针对这一问题,提出一种基于BP神经网络建立开关磁阻电机电流、转矩模型的查表方法。利用有限元软件得到的样本数据对BP神经网络进行离线训练,输出期望数据,用于查表法的SRM非线性模型。利用转矩分配控制和模糊开关角控制可有效抑制SRM的转矩脉动。仿真实验结果表明,所提方法转矩计算速度快、计算精度高,可以满足实时控制的要求,有效地减小了电机的转矩脉动。     

采用Hull树的贪婪地理位置路由算法的设计

地理位置路由算法是指借助节点获得的地理位置信息进行无线传感网络中的路由发现与数据转发工作。本文提出一种基于Hull树的贪婪地理位置路由算法——Greedy Hull Tree Geographic Routing(GHTGR)。通过图形学中凸包的概念,在网络初始阶段分布式地在各节点上建立Hull树以探查网络局部拓扑结构;同时在数据分组的路由转发阶段,通过Hull树内的搜索,寻找下一跳转发节点,完成数据分组的转发传输。通过仿真实验表明,与现有地理位置路由算法相比,该算法能够正确地寻找数据转发路径,有效地减少网络能耗,提高网络传输性能。     

具有加权特性的弹性网络聚类算法研究

聚类分析是数据挖掘中重要内容之一,也是人们分析数据的重要工具。针对聚类分析中存在易受噪声干扰、高维数据聚类结果不佳等问题,对弹性网络进行了加权聚类方向的研究。该算法考虑到数据集中各特征属性在聚类过程中不同的重要程度,重新构造关联数据点、聚类中心点的能量函数,利用弹性网络算法的求解模式,结合极大熵原理、模拟退火思想,提出一种具有加权特性的弹性网络聚类算法。该算法无需人工指导训练,便可以自学习地求解出高质量的聚类结果。通过不同维度、不同数量级的随机数据集和UCI真实数据集仿真实验,验证了算法的有效性和稳定性。相较于传统聚类算法,该算法显著提高了聚类质量。     

具有中心移动特性的弹性网络聚类算法研究

运用神经网络算法求解聚类问题是近年来的研究热点。弹性网络算法（ENA）是一种强大的神经网络算法,但其主要用于旅行商问题,很少用于求解聚类问题。面向聚类问题的特点,调整并优化了弹性网络的结构,提出了具有中心移动特性的弹性网络聚类算法（CMENA）。该算法依据聚类的目标调整并优化了弹性网络的能量函数,通过新能量函数的最小化,控制聚类中心神经元的移动,得到聚类结果,具有聚类过程可跟踪,聚类结果稳定等优点。通过大量实验证明,该算法聚类结果统一,与其他常用聚类算法相比,聚类效果显著提高。     

面向聚类分析的自适应弹性网络算法研究

弹性网络算法是一种启发式算法,最初被提出是用来解决TSP（Traveling Salesman Problem）问题的,现如今,被广泛应用于聚类问题中,尤其对于高维空间数据聚类方面,有很大的优势。提出了一种新的自适应弹性网络算法（Adaptive Elastic Net,AEN）解决聚类问题,该算法利用弹性网络算法得到的[K]个中心点作为聚类初始中心点,并利用局部搜索择优算法在每次迭代中更新中心点。以聚类完成后每一簇的中心点到该簇元素的距离之和作为聚类质量评价标准,分别对随机生成的不同维度的50,100,300,500,1?000个数据点的数据集和UCI中多个标准数据集进行聚类,并将结果与传统聚类算法的聚类结果进行比较。实验表明：相较于传统的聚类算法,该算法可以有效地提高聚类质量。     

具有动态特性的聚类弹性网络算法研究

聚类分析是一种非常重要的聚类工具，被广泛应用在各科学领域的聚类问题中。其中，弹性网络是一种较好的聚类分析算法，尤其在高维空间有很大优势。提出了一种新的聚类弹性网络算法CENA（Clustering Elastic Net Algorithm）。该算法将一个面向聚类的描述数据点与弹性节点关系的能量函数用于ENA（Elastic Net Algorithm）求解模式中，结合极大熵原理，计算得到自由能函数。当自由能函数达到全局极小时，即可获得弹性网络的聚类解。通过大量实验证明，提出的CENA算法运行结果稳定，可以有效提升算法空间搜索能力，节省运行时间开销，规避参数调节问题。该算法相较于经典划分聚类算法，大大提高了聚类质量。     

基于迭代辨识方法的含风电多干扰电力系统阻尼控制

风电接入电力系统后的低频振荡控制是保证电网稳定运行的关键。随着风电场联网规模的不断扩大,当风电接入由于电网结构、负荷潮流、发电机励磁控制等因素导致的阻尼不足形成的多干扰环境下电力系统后,模型辨识误差因素给电力系统的辨识与阻尼控制带来了很大的难题,常常会恶化阻尼控制效果。针对此问题,首先以风电功率波动信号作为辨识信号,建立风电接入多干扰环境下电力系统闭环模型;然后基于递推最小二乘法和Vinnicombe距离理论,提出一种迭代辨识方法,并给出方法实现的整个步骤,该方法充分考虑辨识误差因素,可以实时辨识出电力系统最优电力系统模型和最优阻尼控制器模型;最后,以风电接入四机两区域间降阶模型为例,采用提出的方法进行仿真,并与传统迭代辨识方法进行了对比。仿真结果表明,所提方法可以有效抑制风电接入下多干扰电力系统的低频振荡,实现稳定的阻尼控制。