基于高斯混合飞蛾优化算法的Wiener模型辨识

针对Wiener模型辨识问题,结合函数连接型神经网络(FLANN)和飞蛾优化算法(MFO)的优势,提出了一种新型的辨识方案。利用FLANN来拟合静态非线性模块,通过将辨识问题转化为优化问题来对线性部分和非线性部分的参数同时进行更新。为了提升飞蛾优化算法的辨识性能,将高斯混合分布思想引入飞蛾种群初始化以及位置更新中,提出了一种新型的高斯混合飞蛾优化算法(GMFO),并通过测试函数验证了其寻优性能。最后通过仿真实验结果证明了所提出辨识方案的有效性和鲁棒性。     

改进ABC算法优化LSSVM的网络流量预测模型

为了提高网络流量预测精度,针对最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)参数优化问题,提出一种改进人工蜂群ABC(artificial bee colony)算法优化LSSVM的网络流量预测模型(ABC-LSSVM)。该模型根据混沌理论对网络流量时间序列进行重构,然后将网络流量预测精度作为优化目标,通过ABC算法找到最优的LSSVM参数,并建立网络流量预测模型,最后采用仿真对比实验测试模型的性能。仿真结果表明,相对于参比模型,ABC-LSSVM解决了LSSVM参数优化的难题,能够更加准确刻画网络流量复杂变化规律,提高了网络流量的预测精度。     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。     

新型飞蛾火焰优化算法的研究

飞蛾火焰优化算法（Moth-Flame Optimization，MFO）是一种自然激励且易于实现的全局优化算法，在许多实际优化任务中表现出良好的性能。然而，MFO算法存在早熟收敛和容易陷入局部最优解的问题，针对这些不足，提出了一种Kent混沌动态惯性权值的改善飞蛾火焰优化算法（Ameliorative MFO，AMFO）。在AMFO算法中，引入Kent混沌映射搜索策略帮助当前最优解跳出局部最优；采用基于适应度值和迭代次数的动态惯性权值策略来平衡算法的开发和探索能力，以进一步提升MFO算法性能。在8个经典benchmark函数上验证AMFO算法的搜索精度和性能，并将其结果与标准飞蛾火焰优化算法、粒子群算法和差分进化算法进行比较，仿真结果表明AMFO算法具有较好的搜索性能。     

基于STA-LSSVM的槽电压优化方法

针对铝电解过程中,槽电压的参数调节主要采用“试探法”、过于依赖技术员、耗时长等问题,提出了一种基于状态转移算法(State Transition Algorithm, STA)的槽电压优化方法。首先,采用灰色关联度分析方法确定槽电压模型的输入变量;然后,基于改进的最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)建立槽电压软测量模型;最后,采用状态转移算法对槽电压优化控制模型进行实验,获得槽电压优化值和一组优化操作参数。结果表明,建立的槽电压软测量模型具有较高的预测精度,STA算法可寻到3.819 7 V的优化槽电压值,相较于优化前降低了115.8 mV,每吨铝直流电耗降低了363 kW·h,实现了槽电压的优化控制,达到了较好的节能降耗目的。     

氧化铝返料成分时序预测的新型LSSVM参数优选

针对预测氧化铝返料成分时间序列的最小二乘支持向量机LSSVM模型,为提高模型预测精度,首先采用相对误差改进LSSVM的优化泛函,推出新型的LSSVM模型;接着,采用新颖的汉默斯里序列抽样技术HSS在SVM模型参数空间中均匀地抽取出初始的参数向量;最后通过鲍成尔( Powell)优化算法并行求得全局最优模型参数.通过实际...     

基于LSSVM的工业锅炉燃烧性能指标软测量

为实现工业锅炉的燃烧优化,需要实时掌握飞灰含碳量、炉渣残碳量等燃烧性能指标的变化.本文采用最小二乘支持向量机(LSSVM)建立了循环流化床锅炉(CFBB)燃烧性能指标的软测量模型,并提出一种基于自然选择的粒子群算法来优化LSSVM参数.在此基础上,利用工业锅炉现场数据,进行了本文的软测量模型与神经网络软测量模型的对比研究,结果表明:本文方法具有精度高和泛化能力强的优点,可作为工业锅炉飞灰含碳量、炉渣残碳量等燃烧性能指标的有效测量工具.     

基于CEEMDAN-SAFA-LSSVM的短期风功率预测

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.建立了基于CEEMDAN-SAFA-LSSVM短期风功率组合预测模型.采用完全集合经验模态分解(CEEMDAN)将原始风功率序列分解成特征互异的各个本征模态分量,对分解产生的本征模态分量进行相空间重构,然后根据得到的新模态分量建立相应的最小二乘支持向量机(LSSVM)预测模型.针对LSSVM模型的预测精度易受参数选择的影响,提出萤火虫算法(SAFA)优化LSSVM模型的参数,解决了 LSSVM参数寻优效率低的问题.算例分析表明CEEMDAN-SAFA-LSSVM模型在风功率预测中具有较高的预测精度和预测效率.     

基于自适应变异SAPSO-LSSVM的磨煤机一次风量预测

针对磨煤机一次风量的预测问题,建立了以磨煤机系统运行中与一次风量主要相关的参数作为输入变量的最小二乘支持向量机(LSSVM)模型。采用自适应变异的模拟退火粒子群算法(AMSAPSO)对建立的LSSVM模型的参数进行优化,建立了基于自适应变异的模拟退火粒子群优化算法的最小二乘支持向量机(AMSAPSO-LSSVM)预测模型。利用某600 MW机组磨煤机一次风系统运行数据对该模型进行了验证。结果表明,采用自适应变异模拟退火粒子群算法对LSSVM进行寻优,有效避免了搜索盲目性和早熟收敛的问题,提高了模型的泛化能力。采用AMSAPSO-LSSVM预测模型可以对磨煤机一次风量进行较高精度的预测。     

基于PCA-PSO-LSSVM的温室大棚温度预测方法

针对温度预测的精度和效率问题,提出了在主成分分析(PCA)法的条件下,利用粒子群优化(PSO)算法优化最小二乘支持向量机(LSSVM)的温室大棚温度预测方法.采用PSO算法对LSSVM的模型参数进行优化,并以自动获取的最佳参数组合构建温度与其影响因子间非线性预测模型.利用搭建的温室大棚智能监控系统对人工温室中的6种环境参数进行采集,并利用所测数据对上述模型进行验证.实验结果表明:与PCA-LSSVM预测模型和PSO-LSSVM预测模型相比,所提预测模型预测效果良好.3种模型评价指标均优于其他预测方法.基于PCA-PSO-LSSVM温度预测模型在全局优化及收敛速度方面具有较大优势,具有良好的自学能力和自适应能力,预测精度高.