基于遗传算法的烧结配料优化

针对烧结配料实验的复杂性和多变性,将遗传算法和广义回归神经网络相结合,发挥神经网络的泛化能力,使神经网络具有较快的收敛性和较强的学习能力,发挥遗传算法的鲁棒性。通过现场试验和优化分析,优化方法符合生产实际,为烧结配料优化生产提供有效的参数依据。     

基于GRNN的海上钻井平台建造质量预测研究

对海上石油钻井平台建造质量进行有效预测,可提前预知未来建造质量状况,从而促使建造商在建造过程中,运用已有的并开发新的方法和手段,规避并解决质量不稳定因素,进一步提高建造质量和完善建造工艺.在阐述了海上钻井平台质量检测的内容及要求的基础上,利用广义回归神经网络构建了海上钻井平台建造质量预测模型,并以某自升式钻井平台为实证研究对象,运用该模型对其一年半的质量检测数据进行预测,将广义回归神经网络的预测误差与BP神经网络预测误差相比较,得出了广义回归神经网络对平台建造质量的预测精度高的结论.     

基于果蝇优化广义回归神经网络的径流预测

针对水文径流的不确定性特点,提出一种新的径流预测模型。该模型在广义回归神经网络的基础上,采用了果蝇优化算法。通过该模型对四川省万源市后河径流进行了预测,结果显示改进后的模型预测精度明显提高。     

遗传算法和神经网络在短期负荷预测中的应用研究

短期负荷预测是电力市场运营的基本内容,预测精度的高低对于电力系统安全、经济、优化、节能调度运行具有极为重要的指导作用。如何提高预测精度也是学界一直不懈的追求目标。本文针对BP算法易陷入局部极小、收敛速度慢的缺点。根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合算法一GA—BP算法,并结合一个实际的电力系统短期负荷变化的情况。用实际算例表明该方法具有较高的预测精度和较好的适应性。     

空调系统运行负荷GRNN预测模型的应用研究

以2座五星级酒店为研究对象,通过实测数据分析了运行负荷的主要影响因素,确定冷冻水温度对运行负荷的影响作用,将其引入到空调系统运行负荷的预测研究中.应用广义回归神经网络(GRNN)理论,建立了一种动态多点输出负荷模型,提出了5种输入方案,使用2座酒店的实际数据集分别进行验证.研究结果表明:冷冻水温度对实际运行负荷的预测精度有重要影响,可显著提高GRNN负荷模型的预测准确性,以前1日24 h历史负荷、预测日天气预报以及冷冻水设定温度为输入、以预测日24 h逐时负荷为输出的GRNN负荷模型,建模简单,预测性能较好,适用于实际工程应用.     

基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.     

基于改进粒子算法优化NRBF神经网络的覆冰厚度预测模型

冰冻灾害下覆冰易于造成断线倒塔等电力事故,提出一种基于改进粒子群算法优化NRBF神经网络的覆冰厚度预测模型.通过改进粒子群算法,优化最近邻聚类算法的聚类半径,确定NRBF神经网络隐含层节点个数,并运用优化后的神经网络对覆冰厚度进行预测.以2006年湖南电网220kV黔平线路的覆冰数据为例,分析验证了该模型的合理性,为输电线路防冰、除冰提供理论依据.     

基于广义回归神经网络与遗传算法的煤灰熔点优化

考虑固态和液态排渣锅炉对煤灰熔点的不同要求，采用广义回归神经网络建立了煤灰软化温
度模型。神经网络的输入变量为7个，即煤灰中SiO2、Al2O3、Fe2O3、CaO、MgO、TiO2、Na2O & K2O的质
量分数。以煤灰软化温度作为目标函数，采用遗传算法寻优计算获得当煤灰软化温度最高和最低时煤灰中
氧化物的组成。广义回归神经网络仅需30个训练样本，最大和平均相对误差分别为21.8%和1.55%。优化结
果表明，掺烧高钙煤或者向燃煤中添加石灰石等富含Ca的原料可以降低煤灰熔点；而增加Al2O3的质量分
数可以提高煤灰熔点。     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

基于神经网络遗传算法优化的曲轴疲劳寿命预测

针对传统的曲轴弯曲疲劳实验的破坏性,利用神经网络的预测功能,以应力幅值和谐振频率变化值作为输入,疲劳寿命作为输出建立了神经网络模型.采用曲轴弯曲疲劳实验机测试的历史数据作为训练样本集,对神经网络进行遗传算法优化,对曲轴疲劳寿命进行预测.实例验证结果表明,预测结果与实际测试值之间的相对误差较小,可以作为一种无损检测的良好工具.     

A chaos genetic algorithm for optimizing an artificial neural network of predicting silicon content in hot metal

A genetic algorithm based on the nested intervals chaos search (NICGA) has been given. Because the nested intervals chaos search is introduced into the NICGA to initialize the population and to lead the evolution of the population, the NICGA has the advantages of decreasing the population size, enhancing the local search ability, and improving the computational efficiency and optimization precision. In a multi-layer feed forward neural network model for predicting the silicon content in hot metal, the NICGA was used to optimize the connection weights and threshold values of the neural network to improve the prediction precision. The application results show that the precision of predicting the silicon content has been increased.     

基于神经网络和遗传算法的锅炉燃烧优化方法

针对锅炉燃烧控制系统送风调节系统存在的弊端,遵照火电厂锅炉燃烧既要提高效率又要降低污染物排放的要求,对神经网络和遗传算法在火电厂锅炉燃烧优化中的应用进行了研究。首先借助燃烧特性试验数据,建立了火电厂锅炉燃烧特性的神经网络模型,然后应用遗传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。仿真结果表明:应用该方法指导锅炉燃烧,不仅能使锅炉节能,还能降低排放的烟气中氮氧化物的含量,减少对环境的污染。     

Hybrid optimization model of product concepts

Deficiencies of applying the simple genetic algorithm to generate concepts were specified. Based on analyzing conceptual design and the morphological matrix of an excavator, the hybrid optimization model of generating its concepts was proposed, viz. an improved adaptive genetic algorithm was applied to explore the excavator concepts in the searching space of conceptual design, and a neural network was used to evaluate the fitness of the population. The optimization of generating concepts was finished through the ＂evolution - evaluation＂ iteration. The results show that by using the hybrid optimization model, not only the fitness evaluation and constraint conditions are well processed, but also the search precision and convergence speed of the optimization process are greatly improved. An example is presented to demonstrate the advantages of the orooosed method and associated algorithms.     

柔性形态滤波的神经网络实现及遗传算法优化

柔性形态滤波是一种重要的非线性滤波方法.柔性形态滤波器的研究可分解为形态滤波运算和结构系统选择2个基本问题,一旦形态滤波运算选定后,柔性形态滤波性能就主要取决于结构系统的选择.该文提出了一种柔性形态滤波的神经网络模型及其网络参数(即滤波器结构系统)的遗传算法优化方法.进行优化训练的目的是为了使结构系统自适应地反映图像的形态结构特征,自动调整结构系统中硬核、边界和重复度的组成,从而提高对复杂噪声图像的滤波性能.实验仿真结果显示,该算法优化后的柔性形态滤波器性能得到较大改善,在收敛速度和滤波效果方面,其优化结果要优于简单的遗传算法.     

一种Petri网结合遗传算法的优化方法及应用

根据实际优化问题,在时间Petri网和着色Petri网的基础上,提出了一种新的扩展Petri网(EPN)模型,并在EPN中定义了条件矩阵Q,给出了Petri网与遗传算法相结合的优化方法和具体算法.使用本优化方法,对一个车间作业(Job-shop)调度问题进行了求解,建立了该Job-shop调度的EPN模型,并采用单个体遗传算法对Petri网模型进行优化,结果证明了该建模和优化方法的有效性和正确性.     

基于HGA通讯网络费用的优化问题

以实际网络为研究背景，针对可靠性约束下的通讯网络费用优化问题，建立了实现费用最小的非线性数学模型.针对模型的特点，根据遗传算法在求解优化模型时的特性以及其在解决该类问题时所存在的问题，利用单点爬山技术，并将其与遗传算法相结合，形成了混合遗传算法.通过仿真实例，表明了这种混合遗传算法在解决可靠性约束下的通讯网络费用优化问题中是可行和有效的.     

基于改进AP聚类与优化GRNN的非侵入式负荷分解研究

泛在电力物联网的提出推动了智慧用电、负荷监测等技术的大力发展,为解决传统非侵入式负荷监测与分解方法耗时长,辨识精度低等问题,文章提出了一种半监督学习聚类数据建立特征集并结合果蝇优化广义回归神经网络模型的负荷分解方法。首先,该方法利用输入的设备有功功率和电流数据采取半监督学习优化相似矩阵,以近邻传播聚类算法为基础挖掘出用电设备的运行状态特性以及功率信息,再使用数字编码方式将设备运行状态表示为分类标签,然后输入总有功功率、无功功率以及电流的时间序列数据和对应序列的分类标签矩阵,利用果蝇优化算法的寻优能力求得广义回归神经网络模型的最优Spread值完成模型优化和训练,随后输入测试时间序列数据,得到分类矩阵即各设备运行状态,并利用设备运行状态对应的功率信息进行总有功功率重构拟合,完成负荷分解。经仿真对比,此方法对所有用电设备运行状态辨识准确率达到86%左右,对单个用电设备运行状态辨识准确率达到96%左右,且耗时较短,显著提高了对负荷特性信息的挖掘能力和分解辨识能力。     

改进的遗传算法在结构优化设计中的应用

遗传算法(GA)是基于达尔文进化论和遗传学说形成的一种崭新的优化算法.它具有全局收敛性和并行性;对先验知识要求较少,具有很强的适应性.针对结构优化设计方法中存在的局限性,将改进的遗传算法用于结构优化设计中.改进的GA采用以下措施提高搜索效率:(1)动态调整变量区间和GA参数;(2)在每一轮进化结束后重新初始化群体,开始新的进化;(3)将最优个体保留到下一轮.据此编制了计算机程序,并将其应用到一个桁架结构的优化实例中.运行结果表明,改进后的遗传算法用于结构优化设计能够有效地避免陷入局部最优解的现象,提高了搜索效率,具有较强的适应性.     

A novel chaotic optimization algorithm and its applications

This paper presents a chaos-genetic algorithm (CGA) that combines chaos and genetic algorithms. It can be used to avoid trapping in local optima profiting from chaos’randomness,ergodicity and regularity. Its property of global asymptotical convergence has been proved with Markov chains in this paper. CGA was applied to the optimization of complex benchmark functions and artificial neural network’s (ANN) training. In solving the complex benchmark functions,CGA needs less iterative number than GA and other chaotic optimization algorithms and always finds the optima of these functions. In training ANN,CGA uses less iterative number and shows strong generalization. It is proved that CGA is an efficient and convenient chaotic optimization algorithm.