一种新型灰色预测模型在陀螺漂移预测中的应用研究

针对某型导弹的陀螺漂移趋势预测问题,提出1种基于经验模态分解（EMD）的新型灰色支持向量回归预测模型。该模型通过运用经验模态分解算法将陀螺漂移数据趋势项和随机项进行分离,然后分别运用灰色GM（1,1）和支持向量回归算法对这2种数据进行预测,最后将预测结果进行重构得出最终的预测值。给出了这种算法的具体步骤并将其应用到某型导弹陀螺漂移的预测中,仿真试验结果表明这种预测模型的有效性和可行性。     

灰色二层多目标线性规划问题及其解法

针对二层多目标线性规划问题,结合灰色系统的特性,提出了一般灰色二层多目标线性规划问题,并给出了模型的相关定义和定理.针对漂移型灰色二层多目标线性规划问题,提出一种具有全局收敛性质的求解算法.首先通过线性加权模理想点法把多目标转化为单目标;然后当可行域为非空紧集时,利用库恩塔克条件把双层转化为单层,再利用粒子群算法搜索单目标单层线性规划即可得到原问题的解;最后通过算例表明了该算法的有效性.     

不完备灰色信息系统属性约简

在研究分析灰色信息系统中灰数、灰相似度的基础上,定义了改进型灰色相似关系,建立了灰色粗糙集模型的一种扩展模型,给出了不完备灰色信息系统的处理过程和对象数据筛选算法,提出了一种灰色信息系统的属性约简算法,并通过算例进行了验证分析。     

软件开发项目中任务调度的混沌遗传算法

考虑了软件开发任务的可拆分特性，针对其调度问题提出了最小化项目总周期的优化模型，并提出了一种混沌遗传算法用于求解该模型,该算法的变异算子采用一维Logistic映射作为混沌变异模型，利用混沌系统的漂移特性改善种群的多样性,给出了算法基于任务优先级的编码方案、任务单元解码规则以及遗传算子的设计方法．通过仿真实例验证了模型和算法的有效性．     

基于三维依赖矩阵的故障预测策略设计

针对不同基于状态监测的故障预测方法难以在一个平台下集成和组合的问题,设计了基于故障、测试、衰退信息三维依赖矩阵的故障预测策略设计框架,在框架内给出了故障预测需求设计和预测用测试选择的基本方法,并在灰色预测和支持向量回归预测的基础上,通过融合粒子群和声算法给出了一种灰色支持向量回归智能组合衰退趋势预测分析方法,结合故障预测实例验证了所给方法的有效性和准确性.     

混沌海豚群优化灰色神经网络的空中目标威胁评估

分析空中目标威胁评估特点,综合考虑威胁价值、威胁能力和威胁程度,建立空中目标威胁评估框架;针对海豚群算法易陷入局部最优和早熟收敛等问题,提出一种混沌海豚群算法,将混沌搜索策略引入海豚群算法,通过混沌初始化、动态分群和早熟优化机制,提高算法的全局寻优能力;利用混沌海豚群算法对灰色神经网络的初始参数寻优,通过搜索到的最优解建立基于混沌海豚群算法优化的灰色神经网络模型,并用于空中目标威胁评估.仿真实验表明,混沌海豚群算法优化的灰色神经网络在保证一定收敛速度的基础上,能够提升寻优精度,对测试集的预测效果优于传统灰色神经网络和基本海豚群优化的灰色神经网络,验证了所提算法模型在空中目标威胁评估中的有效性.     

基于时滞效应的多变量离散灰色预测模型

针对多变量灰色模型存在驱动项时滞效应作用机制不明确和模型精度不高的问题,分析传统多变量灰色模型的缺陷,通过引入滞后系数控制驱动项,提出考虑时滞累积效应的多变量离散灰色预测模型,讨论模型参数估计的求解方法;从白化信息充分和匮乏两个角度,利用经验分析法和粒子群算法探索时滞效应控制系数的识别方法,并给出模型建模预测步骤;最后,通过实例分析验证模型的有效性,结果表明该模型能够较好地解决有时滞特征的小样本多变量系统的预测问题.     

雷达装备测试性设计优化技术

针对雷达装备测试性优化设计的实际技术需求,对雷达测试性优化设计过程进行了分析。以雷达装备各阶段数据为基础,综合考虑测试效能、测试代价、可靠性约束等要素,研究了基于测试代价和测试效能的测试性优化方法,并给出了基于最小测试代价的雷达系统测试性优化模型。针对模型多目标优化求解问题,给出了一种基于改进的粒子群优化算法。该算法引入混沌理论,使初始种群呈现多样性,避免了传统粒子群算法的早熟现象,同时提高了搜索的精度和速度。通过对案例的仿真与验证表明,利用这种改进的粒子群算法对基于最小测试代价的测试性优化模型进行求解时,能够在满足模型目标函数的约束条件下,获得全局最优解。     

主动配电网状态估计功能测试平台设计

为了解决主动配电网状态估计功能测试和验证缺乏方法和手段的问题,在电力系统仿真软件提供的状态估计功能模块的基础上,搭建了针对多种分布式电源接入的主动配电网状态估计功能测试平台。被测试主站导入测试平台基于模型标准导出的模型文件,满足模型一致型要求。测试平台基于主站注入法,将仿真软件提供的数据转化为标准规约数据,满足配电自动化主站模型接入数据的要求。以潮流计算结果叠加误差的方法为状态估计提供实验量测数据。搭建了包含多种分布式电源的主动配电网测试案例,针对提出的状态估计算法计算精度和坏数据处理能力评价指标进行计算,验证其有效性。在测试平台产生的大量测试案例和数据基础上,利用大数据分析方法针对状态估计算法给出了统计性评估指标,为主动配电网状态估计的功能测试提供了切实有效的手段。     

基于少参数二阶Volterra级数的陀螺漂移预测

针对陀螺漂移角速度的非线性时间序列预测问题,提出了一种基于少参数二阶(RPSO)Volterra级数的仿射投影(AP)自适应辨识算法,建立了基于RPSO Volterra级数的非线性预测模型。根据预测模型中两个参数向量位置可互换的特性,AP算法推导出两个结构相似的迭代公式。然后给出基于遗传算法优化AP算法步长参数及建模的完整步骤。最后通过实测的陀螺漂移数据验证所提出的算法,在极短的时间内建立出模型并获得了精确的预测结果。     

基于自适应调节的灰色滚动预测模型及对碳排放趋势预测

利用有限数据预测发展趋势是数据建模领域广泛存在的问题,采用灰预测模型处理此类问题时会面临适应数据不规则波动特征的挑战性.在灰预测模型基础上提出适应数据特征的滚动建模方法,结合双参数的变权缓冲算子建立一种{AGRM(1,1)     

基于灰熵并行分析法的多目标作业车间调度优化

提出利用信息熵理论与灰色关联分析法并行地处理多目标优化问题,将多目标优化的目标值构成数据序列,挖掘序列关系实现多目标优化。首先,并行的对目标值序列计算灰关联系数以及熵值权重,之后将信息熵与灰关联系数结合计算灰熵并行关联度,建立灰熵并行分析法。最终,利用灰熵并行关联度作为优化算法的适应值计算策略,以该策略引导智能优化算法进化。建立作业车间调度问题的三目标优化模型,以灰熵并行分析法为基础,分别应用差分算法、遗传算法解决三目标作业车间调度问题,验证新方法的可行性。实验表明：新方法均能使两算法收敛且得到分布均匀的 Pareto 前端,表明其有效和可靠。同时,差分算法得到的解较遗传算法的解具有明显的优势。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题，提出一种用于求解多层决策问题的离散灰狼算法，并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法，采用矩阵编码方法解决多层决策问题的编码问题，提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度，运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外，运用图论将喷涂机器人路径规划问题简化为广义旅行商问题，并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中，相较于粒子群算法、遗传算法和蚁群算法，提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%，碰撞次数降低为0，且路径更平滑。实验结果表明，提出的算法能够有效提高喷涂机器人的喷涂效率，以及喷涂路径的安全性和适用性。     

基于面积的灰色关联决策模型

以灰色关联决策理论为基础,分析经典灰色关联决策方法的优缺点.从两曲线相邻点间多边形面积的角度度量曲线在距离上的接近性和几何形状的相似性,提出以被选方案与理想方案间两相邻点的多边形面积作为关联系数,构建了灰色关联度公式.为了解决信息利用不充分和变化趋势不一致性问题,拟考虑被选方案与理想方案和负理想方案的关联度,构建了灰色关联相对贴近度模型.通过算例验证了所提出的灰色关联决策模型的合理性和算法的有效性.     

灰色关联分析和粒子群优化算法相融合的合作伙伴选择

针对目前解决云服务商合作伙伴选择问题方法均存在如搜索速度变慢、实用性差、难以获得完全合理的选择方案等不足,提出了一种灰色关联分析和粒子群优化(PSO)算法相融合的合作伙伴选择方法。首先采用灰色关联法对云服务商的评价指标进行筛选,并计算每一种指标的权重值;然后建立云环境下服务商合作伙伴选择问题的数学模型,并采用粒子群算法对其进行求解,找到云服务商合作伙伴选择的最佳方案。具体应用实例性能测试结果验证了方法的有效性和合理性,它可以选择出最佳的合作伙伴。     

基于醉汉漫步和反向学习的灰狼优化算法

灰狼优化算法在优化后期易陷入局部最优,在求解高维函数时因其复杂度更高,陷入局部最优概率更大,针对上述问题提出基于醉汉漫步和反向学习的混合灰狼优化算法（DGWO）。在迭代过程中对每代种群中优势狼与最差狼进行反向学习并进行比较、重新排序后保留前3的狼,同时将采用醉汉漫步机制更新领导狼,参数A和C采用系数标量而不是GWO原始算法中的系数向量。通过10个标准测试函数(100维、500维和1 000维)以及10维的CEC2013测试函数验证了算法的性能,并与PSO、GWO-CS和GWO算法进行了比较, 结果表明,该混合灰狼优化算法 在精度和收敛速度上都具有优势。此外,将改进的灰狼优化算法应用于两级运算放大器参数设计,以开环低频增益最大化为目标,验证该算法的实用性。     

一种快速的自适应目标跟踪方法

由于光照变化、视角差异、相机抖动和部分遮挡等因素的影响,鲁棒的目标跟踪仍然是计算机视觉领域极具挑战性的研究课题.受协同训练和粒子滤波算法的启发,提出一种快速的自适应目标跟踪方法.该方法采用HOG(histogram of oriented gradients)和LBP(local binary pattern)描述目标特征并建立分类器,通过协同训练实现分类器的在线更新,有效解决了误差累积问题.为缩小目标搜索的状态空间,利用ICONDENSATION的运动模型和重要采样提高粒子采样的准确性和效率,并引入校正因子抑制虚假目标的干扰,从而提升了跟踪算法的鲁棒性和分类器更新的准确性.在两组标准测试集和两组自建测试集上的对比实验结果验证了所提出跟踪算法的有效性.与基于全局搜索的跟踪方法相比,该算法在不降低跟踪性能的前提下将处理速度提高25倍以上.     

一种改进的动态k-均值聚类算法

针对经典k_均值聚类方法只能处理静态数据聚类的问题,本文提出一种能够处理动态数据的改进动态k-均值聚类算法,称为Dynamical K-means算法.该方法在经典k-均值方法的基础上,通过对动态变化的数据集中 新加入样本进行分析和处理,根据聚类目标函数改变的实际情况选择最相似的类别进行局部更新或进行全局经典k_均值聚类,有效检测发生聚类概念漂移和没有发生聚类概念漂移的情况,从而实现了动态数据的在线聚类,避免了经典k_均值方法在动态数据中每次都要对全部数据重新聚类而导致算法速度过慢的问题.标准数据集和人工社会网络数据集上的实验结果表明,与经典k_均值聚类方法相比,本文提出的动态k_均值聚类方法能快速高效地处理动态数据聚类问题,并有效地检测动态数据聚类过程中所产生的概念漂移问题.