基于Pareto的快速多目标克隆选择算法

基于免疫系统中克隆选择原理,提出了一种多目标克隆选择算法MCSA。该方法只对部分当前所得到的Pareto最优解进行进化操作,所求得的Pareto最优解保留在一个不断更新的外部记忆库中,并选用一种简单的多样性保存机制来保证其具有良好的分布特征。实验结果表明,该方法能够很快地收敛到Pareto最优前沿面,同时较好地保持解的多样性和分布的均匀性。对于公认的多目标benchmark问题,MCSA在解集分布的均匀性、多样性与解的精确性及算法收敛速度等方面均优于SPEA、NSGA-II等算法。     

考虑风电统计特性挖掘的分布鲁棒优化调度方法

提出一种基于数据驱动分布鲁棒优化的电力系统调度方法,以应对考虑风电不确定性的电力系统运行问题.首先,挖掘风电数据统计信息,提出了基于主成分分析与核密度估计的风电概率分布模糊集构建方法,刻画风电随机性以及不同风电机组出力之间的空间相关性;其次,针对含风电的调度问题,建立考虑概率分布模糊集的两阶段分布鲁棒优化问题;然后,将...     

基于梯度下降法的单相幅相锁相环优化设计

基于目标函数优化的思想设计了单相幅相锁相环系统(1MPLL),详细讨论了系统中参数的设计方法。为了提高系统的谐波抑制能力,以最近时域区间系统偏差的积分构造目标函数,通过梯度下降法分析了目标函数的最速下降方向,推导出锁相环系统的非线性状态方程,从而对输入信号属性进行估计。为了进行系统性能分析和参数设计,对系统非线性状态方程在平衡点进行线性化处理,采用根轨迹理论对系统参数进行设计。系统能在各种电能质量问题下(如幅值突变、频率波动、相位突变,尤其是谐波污染)对输入信号的属性进行快速精确估计,为并网电力电子设备的检测和控制提供有效、可靠的基准。仿真实验验证了系统设计的正确性和良好性能。     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

基于BP神经网络的迭代学习初始控制策略研究

针对传统迭代学习控制(ILC)在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,提出基于BP神经网络的迭代学习初始控制策略。通过BP神经网络拟和经验数据,对以往控制经验加以充分利用,避免了对初始控制输入量的盲目选择。仿真验证了方法的可行性和有效性。     

基于强化学习的电动汽车集群实时优化调度策略

针对大规模电动汽车的实时调度存在维度高和随机性强等问题,提出基于强化学习的电动汽车集群实时优化调度策略。首先,以最小化综合成本（机组发电成本和补贴成本）为目标,建立电动汽车集群参与的电网机组经济调度模型。将实时阶段下的该模型构建为一个马尔可夫决策过程,利用基于最大熵的深度强化学习算法对马尔可夫决策过程进行模型训练和求解。此外,融合强化学习不依赖预测信息和运筹优化算法保证物理约束的优势,将电动汽车充电和机组出力分开优化调度。最后,通过算例验证所提策略在降低成本和削峰填谷方面的可行性和有效性。     

基于克隆选择算法的非线性优化迭代学习控制

为实现对模型不确定的有约束非线性系统在特定时间域上输出轨迹的有效跟踪,将改进的克隆选择算法用于求解迭代学习控制中的优化问题。提出基于克隆选择算法的非线性优化迭代学习控制。在每次迭代运算后,一个克隆选择算法用于求解下次迭代运算中的最优输入,另一个克隆选择算法用于修正系统参考模型。仿真结果表明,该方法比GA-ILC具有更快的收敛速度,能够有效处理输入上的约束以及模型不确定问题,通过少数几次迭代学习就能取得满意的跟踪效果。     

多子系统似然度评分融合说话人识别

针对短电话语音条件下文本无关说话人识别问题中语音数据不充分和电话信道失配问题,提出了一种基于话者聚类的多子系统输出似然度评分融合策略。采用KLD和GLR测度下的模型相似度聚类方法对目标话者聚类,并在每个话者类内构建由MFCC、LPCC和SSFE三个不同类型特征参数子系统组成的输出似然度评分融合系统,通过不同参数子系统的互补,即MFCC和LPCC参数的识别准确性结合SSFE的良好鲁棒性,以及不同话者类采用不同的输出似然度评分融合网络,提高了系统的整体性能。使用NIST SRE 05数据作为评估数据,实验结果表明,与传统的不分类多系统输出似然度评分融合相比,采用KLD和GLR测度的话者聚类融合策略使系统等误识率分别下降了10.3%和8.7%。     

一种SPA集转化Fuzzy集的新方法

结合SPA集,Vague集及Fuzzy集理论分析,在此基础上提出了一种基于SPA集向Fuzzy集转化的新方法,给出了SPA集转化Fuzzy集的相关准则及证明。通过示例验证了该算法的有效性与合理性。     

基于RS_Adaboost的入侵检测方法

针对入侵检测系统存在的对入侵事件高漏报率和误报率,提出了一种将粗糙集(RS)方法与自适应增强(Adaboost)算法相结合的入侵检测方法。利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少Adaboost训练数据,提高处理速度。Adaboost是一种构建准确分类器的学习算法,它将一族弱学习算法通过一定规则结合成为一个强学习算法,从而通过样本训练得到一个识别准确率理想的分类器。实验表明,该方法具有较高的检测率和检测效率。