交叉熵鲸鱼算法的制冷机组能效优化

结合制冷机组运行原理,建立了基于门控循环单元网络(GRU)的某卷烟厂空调制冷机组能效预测模型,采用交叉熵鲸鱼优化算法(CWOA)对制冷运行工况进行寻优,该优化策略能跟随冷负荷变化动态调节设备运行参数。基于这2种智能算法的决策系统既解决了卷烟厂空调制冷机组机理建模困难的问题,又解决了制冷机组运行能耗高的问题。以某卷烟厂空调制冷机组实测运行数据为基础进行了预测和优化仿真实验,预测结果表明制冷机组GRU模型在训练集和测试集上的均方根误差(RMSE)分别为1.047%和1.186%,预测精度高于LSTM网络模型,优化结果显示：CWOA优化后的能效值相比其他优化算法更高,较实际运行平均节能9%。因此,基于GRU-CWOA算法的智能模型可用于卷烟厂空调制冷机组的能效预测优化。     

计及检修计划的远洋海岛多能源系统协同优化

为了提高远洋海岛多能源系统的中长期运行经济性,提出一种以系统年综合运行成本最小为目标、考虑风光预测出力不确定性和安全运行约束等因素的检修与调度协同优化模型。建立远洋海岛多能源系统内各组件数学模型,采用场景分析法对风光机组出力进行预测,得到典型出力场景;建立协同优化模型,通过算例得到不同检修方案下的综合运行成本、可再生能源机组检修计划,以及给定方案下系统内机组调度安排和不同储能模式的综合运行成本。算例结果表明：场景分析法能够降低风光预测误差对系统运行经济性的影响,检修与调度协同优化有助于提高系统运行经济性,验证了新模型的有效性;多种储能装置配合使用能进一步提高系统运行经济性。     

免疫进化算法和神经网络在建立财政收入预测模型中的应用

通过对历史数据的数学处理,采用人工神经网络的方法建立财政收入预测模型。针对前向网络BP（Baek-propagation Algorithm）算法——梯度下降搜索方法的不足,提出用免疫进化算法来训练BP模型网络参数。利用福建省1990-2004年的财政收入数据建立神经网络预测模型,并用2005、2006年的数据进行预测预报检验。结果表明：采用免疫进化算法建立的神经网络财政收入预测模型,模拟和预测精度高,具有实际应用价值。     

基于EEMD-PSR-CS-SVR组合方法的PM2.5浓度预测模型研究

为了解决具有非线性特征的未来24小时PM2.5浓度预测难题,将集合经验模态分解(ensemble empirical mode decomposition, EEMD)和相空间重构(phase space reconstruction, PSR)技术与布谷鸟算法优化的支持向量机(CS-SVR)模型结合起来,建立EEMD-PSR-CS-SVR组合预测模型。采用EEMD将PM2.5浓度时间序列分解为n个不同尺度的IMF子序列及余项,然后对各子序列进行相空间重构,再用重构后数据对支持向量机预测模型进行训练并得到未来24小时PM2.5浓度的预测结果,在其中采用布谷鸟算法对支持向量机参数进行优化。实验结果显示：建立EEMD-PSR-CS-SVR组合预测模型对PM2.5浓度的预测结果,相对于单一预测模型(ARIMA、LSTM、BP)、不同的模态分解方法(EMD-PSR、CEEMD-PSR),以及不同参数优化算法的SVR预测模型等具有显著提高的预测精度(R,RMSE, MAE, MAPE等评价指标),为未来24小时PM2.5浓度预测研究提供了一种新的方法。     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

热水型吸收式制冷机的稳态模拟

建立了预测热水型溴化锂吸收式制冷机组性能的稳态仿真模型,机组包括吸收器、发生器、冷凝器、蒸发器和溶液换热器.仿真模型基于部件的质量守恒和能量守恒,采用了集总参数方法.每一状态节点的热力系数和状态参数,根据已知部件面积、冷热流体流量及进口或出口温度、吸收器的再循环率进行计算.根据仿真模型,编写了机组变工况稳态运行模拟程序,得到了不同参数条件下的COP变化曲线.     

一种基于预测模型的网络安全风险实时预测方法设计

精确的网络安全风险预测能够动态地降低网络入侵的风险,还有助于提高网络稳定运行的效率。作为信息安全的一个关键组成要素,传统的网络安全风险预测对网络资源的风险值评估是静态的,存在安全风险动态预测偏差较大的问题。因此,为了提高网络安全风险实时预测的准确性,提出了一种基于预测模型的网络安全风险实时预测方法。该方法首先根据网络攻击序列和安全形势评估构建预测模型,然后将小波神经网络预测算法应用于攻击强度观测序列的数据分析,并选取Morlet小波函数作为激励函数。仿真实验结果显示:相比其他预测方法,提出方法具有更高的网络安全风险预测准确性。     

3-状态串并联设备网络单目标-单约束可靠性优化蚁群算法

3-状态设备网络系统单目标-单约束可靠性优化问题是NP-难问题,本文研究这类优化模型的快速算法。在对已有3-状态设备网络系统可靠性优化模型进行分类的基础上,以蚁群算法为工具,给出了一个求解3-状态设备网络单目标-单约束串并联网络系统可靠性优化问题最优解的蚁群算法框架。合理选择算法参数,进行计算机仿真。模拟仿真结果表明,在随机运行一定次数算法后,算法都能够有效的给出模型的近似最优解。合理选择算法参数,蚁群算法能够成为有效求解3-状态设备网络可靠性优化问题的有力工具。     

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题，课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted，MOMEDA)和双向长短时记忆(bidirectional long short term memory network，BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征，并结合遗传算法(genetic algorithm，GA)对BiLSTM模型参数进行优化，实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证，平均准确率达到了99.63%，分别比传统卷积神经网络(convolutional neural network，CNN)、单层长短时记忆网络(long short term memory network，LSTM)、双向长短时记忆网络和最新的CNN LSTM模型高16.02%，9.98%，7.01%和5.65%，验证了该模型的有效性和优越性。     

基于ARM与多模型实现的试运线列车超速防护系统

针对试运线列车运行的安全性与停车准确度的要求,提出一种基于ARM与多模型实现的列车超速防护系统。通过车载设备传感器采样时间序列数据,并将其进行小波去噪,从而得到基于傅里叶模型的目标跟踪运行曲线。设计以模糊神经网络为动态预测模型的速度控制器,利用预测控制的滚动优化与误差矫正特性增加速度控制器在不同运行环境下的鲁棒性。为加快模糊神经网络的训练速度,将改进型粒子群模糊聚类算法的聚类结果作为模糊神经网络的前件规则构建参数。以中车试运线数据为例对其进行仿真,并通过基于曲线面积误差的评价指标对全局速度下的停车精确度进行分析。仿真结果表明:所提出的以傅里叶模型作为目标函数实现的基于模糊网络的预测控制策略具有明显的优势。     

回声状态网络在变风量空调内模控制中的应用

回声状态网络储备池完全随机生成,数据预测时其参数的设置缺乏合理性,因此将果蝇优化算法应用于回声状态网络储备池参数的优化中,通过果蝇优化算法的自适应参数寻优提高回声状态网络的数据预测能力。变风量空调系统是一个多变量、强耦合和非线性的系统,为了实现变风量空调系统的智能控制,从而优化生产工艺,构建了基于果蝇优化的回声状态网络内模控制系统的正模型和逆模型。仿真实验结果表明:所提出的内模控制系统具有良好的跟踪性和抗干扰性。     

模具钢干铣削试验及参数优化研究

为了对铣削力做进一步的研究,以及预测铣削参数的改变对铣削力变化的影响,文章建立了铣削力预测模型,引 入了PSO优化算法。试验采用正交设计方法,干式铣削SKD61模具钢;KISTLER测力仪测量铣削力;HRsoft_DW数采软 件采集试验数据,并对数据进行极差分析。研究结果表明每齿进给量是铣削参数中影响铣削力最为主要的因素。研究 验证了PSO算法对铣削参数优化问题具有有效性。     

基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

基于GA-BP和小波-SVM算法的风电场短期功率预测

风力发电过程中的功率预测问题是制约风力发电发展的重要因素。针对单一传统神经网络易陷入局部最优的问题,提出了利用信息熵原理把遗传算法优化的BP网络和小波-支持向量机2种算法进行组合预测,结合华北某风电场提供的历史功率数据和数值天气预报数据对未来48 h功率进行预测,仿真结果表明,该组合预测方法的预测精度比单一预测模型的预测精度高,效率高,具有一定实用价值。     

面向表面质量的镍基高温合金铣削参数多目标优化研究

针对镍基高温合金材料在铣削过程中存在表面加工质量低的问题,提出一种基于神经网络及NSGA-Ⅱ算法的工艺参数多目标优化方法。采用不同工艺参数进行数控铣削镍基高温合金Inconel 718加工并获取数据集,以表面粗糙度为输出,不同工艺参数组合为输入,利用麻雀搜索算法建立SSA-BP神经网络模型用于预测Inconel 718铣削表面粗糙度;以最大材料去除率、最小表面粗糙度为优化目标,构建NSGA-Ⅱ工艺参数多目标优化主体模型,调用构建好的预测模型作为主体模型的目标函数并优化求解得到Pareto最优解集。使用TOPSIS法对Pareto最优解集进行最优解决策,得出最佳的工艺参数组合。优化结果表明：该方法不仅可用于高温合金材料数控铣削表面粗糙度预测,还可用于工艺参数优化,为进一步提高数控铣削材料加工质量和效率提供参考。     

数控铣削能耗预测及切削参数多目标优化研究

为了研究数控铣床节能优化问题,首先以316L不锈钢为加工对象,设计了数控铣削实验方案,并进行了实验数据分析;然后以实验数据为样本,运用BP神经网络建立了数控机床能耗预测模型,并利用蜣螂优化算法(DBO)对BP神经网络结构进行优化,建立基于DBO-BP神经网络的数控机床能耗预测模型。通过对比优化前后两模型,选择具有更高的预测精度和稳定性的DBO-BP神经网络模型与以加工成本为目标而建立的铣削参数多目标优化模型,并运用NSGA-Ⅱ对模型求解,得到最优解集,最后运用熵权TOPSIS法对最优解集进行决策,得到最优解。通过对比优化前后比能耗和加工成本,优化后的切削参数使比能耗和加工成本分别下降了33.84%和5%。研究结果表明,优化后的切削参数更加节能和节约加工成本。     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时，经典的误差反向传播算法存在收敛速度慢，易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术，具有较快的收敛速度和较强的全局搜寻能力；误差反向传播算法本质上是梯度下降算法，注重局部搜索。混合学习法为两种学习算法交替执行，首先以粒子群优化算法训练网络，当误差能量在规定的迭代次数内不再发生变化时，采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点，具有良好的应用前景。     

基于优化的GBM算法识别金属离子配体结合残基

金属离子配体具有体积小、灵活等特点,与蛋白质结合有着不同于其它配体的特殊性,因此准确的识别金属离子配体结合位点具有极强的挑战性.本文基于蛋白质的一级序列信息,选取了氨基酸及其物化特征、预测的二级结构信息为基础参数,利用离散增量算法和位置权重矩阵打分算法将这些高维特征投影至20维的向量空间并作为预测特征参数输入优化的GBM算法中,对10种金属离子配体结合残基进行了5交叉检验预测,得到了好于前人的预测结果.结果发现:每种金属离子配体偏好的优化参数不同,优化的GBM算法能给出最佳的预测结果.     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。