基于遗传模拟退火算法的最大功率点跟踪研究

通过分析太阳能光伏发电系统的工作特征和现有的最大功率点跟踪(MPPT)方法,提出了一种基于遗传模拟退火算法的光伏发电系统MPPT方法.该算法将遗传算法和模拟退火算法相结合,通过将局部搜索过程引入遗传算法,从而使两种算法的搜索能力得到互相补充.针对某光伏发电系统的MPPT问题,通过仿真,将遗传模拟退火算法和遗传算法进行比较.仿真结果显示,遗传模拟退火算法和传统的遗传算法相比,能更快速、精确地跟踪到光伏系统的最大功率点.     

改进自适应遗传模拟退火算法的结构优化设计

为提高遗传算法的收敛性,避免发生早熟收敛,对遗传算法进行改进.引入一种基于个体适应度值的自适应遗传算法,并将遗传算法和模拟退火算法结合形成一种混合算法,从而提高算法的运行效率和计算精度.算例表明改进的自适应遗传模拟退火混合算法较基本遗传算法更加有效.     

基于距离测度的实数编码自适应遗传退火算法

提出一种基于距离测度的实数编码自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.空间距离密集度越高的个体,其交叉概率和变异概率也越高.算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明该算法有效.     

遗传模拟退火算法在结构优化设计中的应用

遗传算法、模拟退火算法都是随机搜索方法,在处理全局优化、离散变量、多连通可行区等困难问题中,具有传统结构优化算法不可比拟的优势.笔者针对遗传算法和模拟退火算法的特点,取长补短,结合成一种混合遗传算法—遗传模拟退火混合算法.经改进后的混合算法既发挥了遗传算法全局搜索能力强的特点,又保留了模拟退火算法局部寻优效果好的优点.     

动态环境下自主式移动机器人的路径规划研究

首先建立了超声传感器预测模型,然后基于多传感器融合的方法获取准确的动态环境信息,最后在利用遗传算法进行路径规划的基础上,引入模拟退火算法,形成一种遗传模拟退火算法来寻求全局最优路径.仿真结果表明,该算法是正确和有效的.     

遗传模拟退火算法用于浅海声速反演的仿真研究

研究了浅海声速反演中经验正交函数的参数寻优算法.通过数值仿真分析了模拟退火算法和遗传算法的优缺点,并在此基础上,提出了将二者相联合而得到遗传模拟退火算法,数值算例验证了该算法兼备二者的优点,克服了它们的缺点.以射线理论为基础,应用遗传模拟退火算法,仿真计算了浅海2种声速分布下的声速反演问题,取得了较好的结果.该方法具有不依赖初始条件且解为收敛等特点.     

基于小波变换及外因响应的滑坡位移预测

分析了一种结合小波变换、粗糙集算法和支持向量回归机的滑坡位移预测方法.该方法依据白家包滑坡位移监测数据,利用小波变换将典型监测点的累计位移分解为趋势项位移和周期项位移,通过曲线拟合获得趋势项位移预测函数,使用粗糙集算法筛选滑坡位移影响因子集,将挑选出来的因子集作为支持向量回归机的输入因子集,从而得到滑坡位移预测结果.应用结果显示:预测平均绝对误差及相对误差分别为3.56cm和5.5%,均方差为1.58cm,相关系数为0.97,表明该预测方法的预测结果能够很好地体现滑坡位移的发展变化趋势,具有较强的预测能力,是一种精确、有效、实用的滑坡位移预测方法.     

基于遗传模拟退火算法的钢桁架结构优化设计

将遗传算法(GA)的全局寻优性能好和模拟退火算法(SA)的局部搜索能力强的优点相结合,提出了用于钢桁架结构离散变量优化设计的遗传模拟退火算法(SAGA).以十杆桁架为例对此算法进行了数值实验,并将实验结果与其他优化方法相比较.算例结果表明,遗传模拟退火算法的寻优概率是100%,平均进化代数为35代,其稳定性和求解效率均高于改进的遗传算法.实验结果显示,遗传模拟退火算法在整体搜索同时,采用退火操作进行局部搜索,提高了算法的局部搜索能力,有效克服了遗传算法迭代缓慢的缺点,把遗传模拟退火算法用于钢桁架离散变量的优化设计中是行之有效的.     

基于遗传模拟退火算法的QoS组播路由问题求解

提出了一种基于遗传模拟退火算法的带宽时延约束费用最小组播路由选择方法,该方法针对遗传算法的局限性,采用基于备选路径集的整数序列编码机制,对适应度函数进行了调整,改进了交叉和变异操作,并结合了模拟退火算法.实验表明,该算法能够有效地提高收敛速度,避免早熟收敛,能够满足多媒体网络对相应QoS的需求.     

基于遗传模拟退火算法的水下机器人路径规划

全局路径规划是智能水下机器人(AUV)研究领域中的一个重要课题,在一定程度上它标志着水下机器人智能水平的高低,它的目标是在已知障碍物的环境中为水下机器人寻找一条从起始状态到达目标状态的无碰路径.文中提出一种基于区域分层模型的遗传模拟退火算法的全局路径规划方法,解决了在大范围海洋环境下水下机器人的路径规划问题,详细介绍了区域分层模型和遗传模拟退火算法的实现,仿真的结果证明了该算法的有效性.     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

基于混沌时间序列的黄土滑坡变形预测方法及应用

采用GNSS技术进行滑坡变形监测时,由于多路径等观测误差的存在,直接使用GNSS监测结果进行变形预测会影响预测结果的精度。为了探讨GNSS测量误差对变形预测结果的影响程度,考虑到滑坡系统的混沌特性,采用混沌理论对陕西泾阳地区庙店滑坡GNSS变形监测结果抑噪处理前后的时间序列进行了对比分析。首先,采用互信息量法确定监测序列的时间延迟、用改进的虚假邻近点法(Cao算法)确定嵌入维数,获取相空间重构参数; 然后使用最大Lyapunov指数对两种变形监测序列进行混沌特性识别; 最后,分别使用加权一阶局域预测方法、最大Lyapunov指数预测方法和BP神经网络预测方法对滑坡变形监测结果进行预测。结果表明:GNSS滑坡变形监测结果抑噪处理前后的时间序列满足混沌特性,说明滑坡系统具有混沌特性; 在3种混沌时间序列预测方法中,BP神经网络预测方法的效果较好,且该方法预测结果的平均绝对误差(MAE)和平均相对误差(MRE)分别为0.4 mm和11.9%,经过S-变换抑噪处理后,预测结果的平均绝对误差和平均相对误差分别为0.1 mm和4.1%,预测效果有明显改善。     

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法（sparrow search algorithm,SSA）优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了 0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。     

基于灰狼支持向量机的非等时距滑坡位移预测

以三峡库区白水河滑坡为例,针对滑坡位移监测数据的非等距性和复杂性,结合非等距时间序列分析法、灰狼优化算法（GWO）和支持向量回归机（SVR）模型,提出新型非等距位移时序预测模型.利用自然三次样条插值法对滑坡位移数据进行等时距处理,基于时间序列分析理论将位移数据中的趋势成分和周期成分剥离,采用基于稳健最小二乘法的三次多项式拟合和GWO-SVR耦合模型分别对这两者进行预测,利用时间序列加法模型得到滑坡累计位移的预测值.研究表明,基于灰狼支持向量机的非等时距滑坡位移预测模型不仅预测精度高,预测误差较小,且寻优参数设置简单,计算收敛迅速.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于智能处理的融合定位解算算法

对基于数据融合的定位解算算法进行了研究,在将遗传算法、模拟退火算法和经典的Chan氏算法性能比较的基础上,将遗传算法与模拟退火算法相结合,提出了基于数据融合的定位解算算法。仿真结果表明：融合算法的定位精度优于非融合算法,且运算量较小。     

基于ABC-BP模型的基坑地表沉降预测

目前基坑工程普遍仅关心地表沉降值是否超出监测预警值,缺乏对基坑地表沉降短期实时预测的有效方法,降低了基坑安全性。利用人工蜂群算法优化BP神经网络的组合模型可合理预测基坑地表沉降。首先,结合灰色相关度理论,对输入变量进行筛选,提高网络结构的高效性;接着,利用人工蜂群算法优化BP神经网络初始值,实现对地表沉降累计最大值及位置的预测;最后,将ABC-BP模型与其他常见神经网络预测模型对比,验证模型有效性。从预测和对比结果中可知,ABC-BP模型训练及预测结果的平均相对误差为3.27%,均方根误差为3.87,验证模型有效。     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.