基于改进的神经网络寻优算法在煤粉锅炉优化中的应用

为进一步挖掘煤粉锅炉的燃烧效率,提出一种改进的神经网络算法搭建锅炉燃烧模型,并采用自适应遗传算法与动态优化边界相结合,分别对最佳氧量、一次风量、各二次风门以及燃尽风门等参数进行寻优计算,以使锅炉效率和污染物排放量所构建的多目标函数达到最优燃烧范围。在保证环保指标合格的前提下,显著提升了锅炉燃烧效率。     

智能优化算法及其在打浆优化中的应用

提出了一种遗传算法与神经网络技术相结合的智能优化算法,实现打浆过程的优化控制;首先针对打浆过程中系统的非线性、工艺参数间关系的不确定性,对打浆过程采用神经网络建立输入与输出之间的非线性模型,再利用遗传算法对控制参数寻求决策变量优化求解;通过改进遗传算法的交叉、变异算子等,使算法在优化过程中能有效地保持种群的多样性,防止种群过早收敛、局部收敛的现象,以实现打浆全局最优控制;实践表明,该智能优化算法,在满足打浆前后性能指标的同时明显降低了打浆能耗,是解决过程控制优化问题的可行之路。     

基于神经网络和遗传算法的锅炉燃烧建模与优化

通过对影响锅炉效率的物理量的分析,建立了以神经网络表示主要物理量之间关系的锅炉燃烧系统模型,并采用遗传算法对模型进一步优化,从而实现了对锅炉燃烧的优化.仿真结果表明,通过调整锅炉燃烧系统优化模型参数,该模型能够同时满足锅炉燃烧效率和降低污染物排放的要求,从而实现锅炉的节能低污.     

改进NSGA-Ⅱ算法在锅炉燃烧多目标优化中的应用

提出改进非劣分类遗传算法(NSGA-Ⅱ)在燃煤锅炉多目标燃烧优化中的应用,优化的目标是锅炉热损失及NOx排放最小化。首先,采用BP神经网络模型分别建立了300MW燃煤锅炉的NOx排放特性模型和锅炉热损失模型,同时利用锅炉热态实验数据对模型进行了训练和验证,结果表明,BP神经网络模型可以很好地预测锅炉的排放特性和锅炉的热损失特性。在建立的锅炉排放特性和热损失BP神经网络模型基础上,采用非劣分类遗传算法对锅炉进行多目标优化,针对NSGA-Ⅱ在燃煤锅炉燃烧多目标优化问题应用中Pareto解集分布不理想、易早熟收敛的问题,在拥挤算子及交叉算子上进行了相应改进。优化结果表明,改进NSGA-Ⅱ方法与BP神经网络模型结合可以对锅炉燃烧实现有效的多目标寻优、得到理想的Pareto解,是对锅炉燃烧进行多目标优化的有效工具,同改进前的NSGA-Ⅱ优化结果比较,其Pareto优化结果集分布更好、解的质量更优。     

遗传算法在电站锅炉燃烧优化中的应用

提出了一种新的RBF神经网络的设计方法,采用遗传-K均值聚类算法对RBF神经网络的隐层节点中心值进行优选,用遗传算法训练RBF神经网络的权值。以锅炉燃烧为实例,通过从现场采集的数据建立神经网络模型,并用遗传算法寻找最优输入变量组合,实现锅炉燃烧优化。     

智能仿生算法及其网络优化中的应用研究进展

网络优化问题是一类特殊的组合优化问题,很多问题找不到求最优解的多项式时间算法,属于NP困难问题;智能仿生类算法主要是模拟生物进化和生物群体的智能化方法,如人工神经网络、遗传算法、DNA分子算法、蚂蚁算法等,它们在解决NP问题上表现出得天独厚的优势,取得了诸多丰硕的成果。因此,该文系统地综述了近年来智能仿生算法及其网络优化中的应用研究进展和未来发展方向。     

基于计算智能的电站锅炉燃烧优化控制

燃烧优化是提升电站锅炉效率降低污染物排放的有效途径;计算智能是目前实现燃烧过程建模及优化的重要手段.本文综述了各种计算智能算法在电站锅炉燃烧优化控制中研究成果,分别对其技术特点和不足进行了分析,并提出了燃烧优化技术的发展方向和前景,对从事该方面的研究人员有一定参考价值.     

基于神经网络和粒子群算法的锅炉燃烧优化方法

通过对火电厂锅炉燃烧控制系统送风调节系统研究现状分析,提出一种基于粒子群优化算法的锅炉燃烧优化方法.其基本思想:首先利用燃烧特性试验数据,借助于 Matlab 软件建立了火电厂锅炉燃烧特性的神经网络模型,在此基础上利用粒子群优化算法寻找送风调节系统最佳氧量设定值,进而调节送风量,实现锅炉燃烧的整体优化.结果表明:基于粒子群优化神经的算法为锅炉燃烧优化方法优化提供一条新的途径.     

锅炉燃烧优化系统在DCS中的实现

介绍了广西柳州发电有限责任公司锅炉燃烧系统在DCS改造中采用燃烧优化系统实现锅炉各项运行参数的实时监测，达到了锅炉安全经济运行的目的。     

免疫遗传算法的研究及其在函数优化中的应用

本文提出的免疫遗传算法引入了免疫记忆环节和抗体浓度调节环节,它能很好的保证抗体的多样性,避免陷入局部极小和出现早熟收敛现象。通过对多峰值函数优化的研究,结果表明,本文所提出的算法具有较好的优化效果。     

基于人工免疫算法的多目标函数优化

提出了一种新型的人工免疫算法用来解决多目标函数优化问题。基于自然免疫系统固有的优良特性对算法进行了设计和分析。最后,算法对3个较复杂的多目标问题进行了优化,优化结果能很好地覆盖问题的Paret。最优面,并且把算法与某些混合遗传算法进行了对比实验,表明人工免疫算法在解决多目标优化问题上具有可观的研究前景。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法—基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中,通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

免疫遗传算法在系统可靠性最优分配中的应用

分析了免疫遗传算法的原理,并将免疫遗传算法应用于复杂系统可靠性最优分配,同时将其仿真计算结果与模拟退火算法、遗传算法仿真结果进行了比较,证明了免疫遗传算法求解该类问题更有效。     

混沌遗传算法及其在函数优化中的应用

将混沌优化和遗传算法结合起来,提出了混沌遗传算法(CGA,Chaos Genetic Algorithm),并将其应用于函数优化问题的求解。通过在种群进化的不同阶段引入混沌优化操作,大大提升了遗传算法的整体性能。实验结果表明,与标准遗传算法(SGA)相比,该算法能更有效地求得全局最优解,具有更快的收敛速度。     

用混合遗传算法进行工程智能优化的方法研究

智能优化是从诸多新兴学科衍生出来的前沿科学,遗传算法是智能优化的重要工具之一。该文针对遗传算法存在的不足,用混合遗传算法解决了工程智能优化问题,弥补了遗传算法存在的缺陷,在工程实践中证明了混合遗传算法在性能和质量方面的优越性。     

基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度有较大改善.     

免疫算法理论及应用研究

免疫算法是一种新兴的仿生算法,已成为计算智能研究的热点。首先介绍了免疫算法产生、发展和基本原理,并详细讨论了免疫算法的分类,然后讨论了免疫算法理论在许多领域中的发展应用,最后指出了免疫算法理论的研究方向和发展前景。