改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

基于局部搜索的改进SPEA2算法

由于追求收敛速度与防止陷入局部最优,标准的改进强度Pareto算法(SPEA2)过于注重全局搜索能力,从而导致局部搜索能力不足.为了增强SPEA2算法的局部搜索性能,进而提高算法收敛速度,提出了一种基于局部搜索的改进SPEA2算法.该算法单独设置一个新外部存档集以保存局部搜索后的非支配集,并且改进了交叉算子,加入了部分个体更新策略.将该改进算法与SPEA2算法进行了收敛性能比较实验.仿真实验结果表明,相比于标准算法,改进SPEA2算法不仅可以保证收敛到多目标优化问题的Pareto最优边界,而且在收敛能力上也得到了较好的改善.     

基于遗传算法的径向基神经网络及其在同时测定Fe Mn Cu Zn中的应用(英文)

介绍了两种新的基于遗传算法的径向基神经网络(GA-Based RBFNN)训练算法。这两种算法均将遗传算法用于优化径向基神经网络的聚类中心和网络结构。第一种GA-Based RBFNN算法对所有训练样本采取二进制编码构成个体,优化径向基函数中心的选取和网络结构;第二种GA-Based RBFNN算法中,RBFNN采用自增长算法训练网络隐含层中心、采用十进制对距离因子ε编码构成染色体,优化网络。将两种GA-Based RBFNN算法应用于Fe、Mn、Cu、Zn同时测定的光谱解析,计算结果表明,本文的GA-Based RBFNN算法较通常的遗传算法与径向基人工神经网络(GA-RBFNN)联用,即在GA选择变量的基础上,再用RBFNN作数据解析的GA-RBFNN方法,在增强网络的泛化能力、提高预测的准确性等方面具有明显的优势。从这两种GA-Based RBFNN的比较看,第二种算法在性能上优于第一种算法。     

商业银行贷款组合优化决策的机会准则模型

通过把贷款的收益率刻画为模糊变量,提出了商业银行贷款组合优化决策的机会准则模型,即可能性准则模型、必要性准则模型和可信性准则模型。对于贷款收益率是特殊的三角模糊变量的情况,给出了模型的清晰等价类,这些等价类可以用传统的方法进行求解。对于贷款收益率的隶属函数比较复杂的情况,应用集成模糊模拟、神经网络、遗传算法和同步扰动随机逼近算法的混合优化算法求解模型。数值算例验证了模型和算法的有效性。     

改进的无单元Galerkin方法在机场复合道面中的应用

运用改进的无单元Galerkin（Improved Element Free Galerkin,IEFG）方法计算机场复合道面的位移和应力,分析不同的节点数量和影响域比例参数对计算结果的影响.结果表明：节点数在4 000以上、影响域比例参数取2.5~3.5时计算结果较好;IEFG方法比无单元Galerkin(Element Free Galerkin,EFG)方法的精度更高,计算速度更快.计算结果可为机场道面设计提供参考.     

改进CamShift算法的眼动跟踪方法

针对CamShift跟踪算法仅采用颜色特征,在存在颜色相近干扰目标、头部快速运动或者虹膜发生形变等情况易发生眼动跟踪不准确或失败等问题,提出一种基于改进CamShift算法的眼动跟踪方法。在CamShift算法中,计算边缘直方图分布,在颜色特征基础上融合边缘特征,同时通过分析饱和度分量抑制噪声影响,并利用基于边缘特征的自定义方法判断虹膜是否发生形变。当发生形变时,自动更新模板,根据历史运动轨迹预测虹膜中心。实验表明,该方法能有效改善眼动跟踪性能,且定位虹膜精确、错误率低、速度快,预测虹膜中心与实际虹膜中心相差极小,达到了准确性、鲁棒性和实时性的要求。     

带杂交算子的蚁群算法

蚁群算法是一种由意大利学者Macro Dorigo等提出的新型模拟进化算法,它具有许多优良性质,因此被广泛用于求解组合优化问题。但基本蚁群算法有许多不足。特别是许多搜索速度慢,且容易陷入局部最优。该文针对这个问题提出了一种改进算法。该算法通过引入遗传算法中用到的杂交算子来改善蚁群,使其对应的问题的解更加优良,用改进算法求解TSP问题的结果表明改进算法是有效的。     

自适应激素调节遗传算法

基于生物内分泌系统的激素调节原理,提出了一种新的自适应遗传算法。该算法以内分泌激素调节的Hill函数下降形式为基础,设计了自适应交叉算子和自适应变异算子,使交叉率和变异率在遗传算法迭代过程中,能够根据各代种群多样性的变化进行自适应调节,在整个进化过程中将种群多样性维持在合理水平。4种测试函数及三维人脑图像分割的实验结果显示,提出的自适应遗传算法可较好地保持种群多样性并克服早熟现象,性能优于其他两种自适应遗传算法及传统遗传算法。     

基于BP网络的飞轮电池电力转换控制研究

飞轮电池储能用集成电机时变非线性特点使得传统PID控制难以得到理想的控制性能,为此基于BP神经网络研究了一种新颖的飞轮电池电力转换器。该控制器结合BP神经网络自学习能力和PID控制的全局渐近稳定性能,通过神经网络在线优化调节PID参数,以实现对飞轮电池的高性能控制。其中,采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,同时使用遗传算法(GA)优化得到PID参数的初始值,这可加快神经网络学习训练的收敛速度并避免陷入局部最小,进一步提高控制性能;另外,PWM采用SVPWM技术以增强能量转换效率和减小转矩脉动。数字仿真表明,基于所提出的BP-PID控制的电力转换矢量控制系统能够使飞轮电池在充放电两端都具有较快动态响应,较小超调,较高稳态精度以及较强的鲁棒性,控制效果明显比传统PID好。     

无轴承异步电机转子磁场定向MRAS转速辨识

为了准确辨识无轴承异步电机的转速,提出一种改进转子磁链估算电压模型。以改进转子磁链估计模型为基础,构建了无轴承异步电机的转子磁场定向模型参考自适应(MRAS)无速度传感器矢量控制系统,并通过Matlab/Simulink进行了系统仿真分析。仿真结果表明:基于所提出的转子磁链改进模型,可有效避免纯积分环节初值和累计误差等影响,获得较高的转速辨识精度。所提出的转子磁链辨识模型和MRAS无速度传感器矢量控制系统是有效和可行的。