基于模拟退火算法的输电网中长期规划研究

模拟退火算法是一种解决组合优化问题的有效方法,其最终优化结果不依赖于初始解的选择,理论上可避免算法过早收敛于局部最小点,从而保证找到全局最优解或全局近似最优解．本文将模拟退火算法用于输电网中长期规划问题的研究,详细介绍了算法实现过程中各种参数的选择方法并给出了具体算例．试算结果表明利用该算法得到的优化结果是令人满意的．     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

四色图着色问题的混沌神经网络解法

采用一种基于退火策略的混沌神经网络（ACNN）算法求解四色图着色问题。将混沌机制引入H0pfield神经网络（HNN），利用混沌的遍历性进行随机搜索，由退火策略控制混沌动态退出和倒分岔出现，使ACNN逐渐趋于一般的HNN．从而既避免了陷于局部极小，又加快了收敛速度，使网络能快速收敛到一个全局最优或近似最优的稳定平衡点。仿真结果表明，这是一个能有效求解四色图着色问题的全局最优化算法。     

任务分配问题的瞬态沸混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解任务分配问题,该方法利用神经元的自反馈产生混沌动态,由于混沌动态特性具有很强的搜索全局最优妥的能力,有效地避免了传统Hopfield神经网络（HNN）极易陶入局部极小的缺陷,同时利用时变参数控制混沌行为,使网络在经过一个矩暂的混沌倒分岔后逐渐于一般的Hopfield神经网络,保证网络收敛到一个最优或近似最优的稳定平衡点。仿真结果表明,TCNN解任务分配问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率,另外,还用此方法求解了属于NP－完全问题的实时分布处理系统的任务分配问题。     

基于小波网络的复杂系统建模方法研究

提出一种基于小波网络建立复杂系统模型的方法。利用改进的粒子群优化算法对小波网络的权参数进行调整,使小波网络结构全局最优或近似于全局最优,同时神经网络权值参数能够更快、更有效地向全局最优解收敛。     

基于遗传算法的神经网络在局部放电模式识别中的应用

针对ＢＰ神经网络（ＮＮ） 在大型发电机局部放电模式识别中存在的收敛速度慢、容易陷入局部极小点的问题,提出采用遗传算法（ＧＡ） 作为神经网络的学习算法．并且根据神经网络结构的特点,构造了新的遗传算子．结果表明,与ＢＰ神经网络相比,ＧＡ 神经网络的收敛性能和推广能力都有了明显提高     

频率分集多小波神经网络盲均衡算法

在分析多小波神经网络盲均衡的基础上,提出了频率分集多小波神经网络盲均衡算法（ FD －MWT －FNN）,该算法利用多小波的特性,加快算法的收敛速度,采用具有对称特性的误差函数减小算法的均方误差,为了进一步提高算法的性能,引入频率分集技术克服多径衰落的影响。水声信道的仿真结果表明,该算法具有收敛速度快,稳态误差小的特点。     

一种基于模拟退火和Hopfield神经网络求解TSP算法

针对Hopfield神经网络解旅行商问题（TSP）经常出现无效解和局部优化解。将模拟退火智能算法与Hopfield神经网络相结合,提出了一种混合优化算法（SA-HNN）,同时合理地修改了Hopfield神经网络的能量函数,确立网络参数。这种方法在很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,大量实验证明了该算法具有收敛速度快,可避免无效解,易获得全局最优解等优点。     

基于MEA的粗糙集神经网络研究及应用

将思维进化算法、粗糙集和神经网络相结合,提出一种基于MEA的粗糙集神经网络,用于变压器故障诊断。此模型采用思维进化算法全局寻优的特点,搜索粗糙集属性约简离散断点的位置以及神经网络的连接权值和阈值,避免了常规粗糙集属性约简时复杂的手工试凑以及BP神经网络收敛速度慢、精度不高等缺点,有利于更快地收敛于全局最优解,提高系统的诊断速度和准确率。仿真结果表明了方法的有效性。     

基于二级倒立摆的改进算法的小波神经网络控制

针对小波变换的时频局域化性质,并结合传统神经网络的自学习能力,将小波变换与神经网络融合对二级倒立摆系统进行控制,并在采用共轭梯度算法训练网络时,由于搜索方向和步长计算存在误差,使得产生的各搜索方向不能保证相互共轭,故对该算法进行改进,即在线性搜索时加上区间定位和区间缩小来尽快找到极小点。有效的改善了梯度学习算法收敛速度慢的缺点。仿真结果表明,采用改进的共轭梯度算法的小波神经网络能够很好的实现二级倒立摆的稳定控制,且控制效果好。     

基于遗传算法的小波神经网络DTC转速辨识

由于直接转矩控制（DTC）系统的参数难以建立精确的数学模型,提出了基于遗传算法（GA）的小波神经网络（WNN）DTC系统参数辨识方法。利用GA能够搜索全局最优解且不受搜索空间的限制,再加上小波神经网络表现的良好的时频局部化特性,以及多尺度的功能,通过遗传算法对WNN的权值、伸缩因子和位移因子进行优化,实现低速运行时对转速变化的精确控制,改善了DTC系统的转速动态特性。仿真实验结果表明：该方法能提高DTC系统参数的辨识精度,基于GA的WNN具有良好的辨识效果。     

Self-correcting wavelet neural network control of continuous rotary electro-hydraulic servo motor

In allusion to the problem of friction,leakage,vibration and noise existing in continuous rotary motor electro-hydraulic servo system,highly nonlinearity and uncertainties affecting the system performance,based on the transfer function of electro-hydraulic servo system,a kind of Pol-Ind friction model is proposed.The parameters of Pol-Ind friction model are identified and the accurate mathematical model of friction torque is obtained by experiment.The self-correcting wavelet neural network(WNN) controller is proposed,and Adam optimization algorithm is used to perform gradient optimization on scale factor and displacement factor in wavelet basis function,so as to improve the speed and precision of parameter optimization.Through comparative simulation analysis,it is clearly that the self-correcting WNN controller can effectively improve the frequency response and tracking accuracy of continuous rotary motor electro-hydraulic servo system.     

改进萤火虫算法与小波神经网络相结合的变压器故障诊断

为了解决变压器故障诊断中诊断效率低的问题,本文对萤火虫算法(FA)进行了改进,并与小波神经网络(WNN)相结合应用于变压器故障诊断中。小波神经网络结构简单,预测精度高,收敛速度快,但是网络参数不好选择,易陷入局部最优。本文结合混沌算法、粒子群算法、可变步长的思想来改进萤火虫算法,用于优化小波神经网络的参数,再将处理后的数据带入神经网络中进行训练与诊断。实验结果表明,该算法与BP神经网络、支持向量机、小波神经网络、遗传算法改进的小波神经网络和粒子群算法改进的小波神经网络相比诊断正确率均有所提高。     

基于模拟退火粒子群算法的含DG配电网重构研究

含分布式电源的配电网重构是配网优化的重要课题．二进制粒子群算法（BPSO）是解决优化问题的重要算法,首先根据配电网重构的拓扑约束条件,将轮盘赌操作引入到BPSO中,改进了BPSO算法中粒子位置状态更新策略．接着将模拟退火算法中的动态变异机制引入到改进的BP—So中,解决了BPSO容易陷入局部最优的缺点,最终能够快速有效地达到网路损耗最小的目的．选取IEEE69节点系统进行算例仿真,并与现有研究成果进行对比,结果表明该算法在继承了粒子群优化算法简单容易实现的特点同时,使其具有了摆脱局部极值点的能力,能够优化最优解,提高算法的收敛速度,适合解决含分布式电源的配电网重构问题．     

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

基于小波神经网络的输电线路故障检测

在分析了小波函数时频特性和人工神经网络学习能力和算法鲁棒性的基础上，提出了一个利用小波神经网络检测电力系统输电线路故障的方法。理论分析和基于EMTP仿真测试结果表明，该小波神经网络故障检测模型和算法是有效的，与传统的人工神经网络相比，具有收敛速度快，鲁棒性强的特点。     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。     

基于遗传小波神经网络模型的脱机签名鉴定

根据脱机中文签名的特点,提出了一种用基于遗传算法的小波神经网络进行脱机中文签名鉴定的方法.基于遗传算法的小波神经网络模型结合了遗传算法的全局搜索能力和小波神经网络快速高精度的特点,克服了梯度下降法易陷入局部极小和引起振荡效应等缺点.该模型用遗传算法对小波神经网络的各参数进行前期优化训练,再用梯度下降法对参数进行二次优化.实验结果表明,将此模型用于脱机签名鉴定系统,与单独采用BP网络或小波神经网络相比,性能有明显的提高.     

基于混合优化鱼群算法的近空间飞行器控制分配

为解决近空间飞行器的控制分配问题, 研究了一种融合了差分进化与遗传进化的鱼群优化算法控制分配策略。该方法能充分考虑执行器的动态约束, 根据操纵面物理约束随机产生鱼群的初始个体, 再利用鱼群算法进行全局搜索。鱼群算法搜索范围从全局搜索快速收缩进入局部搜索, 在收敛速度减慢或停滞时, 利用差分进化算法运行速度快及局部优化的优势, 以提高收敛速度和精度。同时在差分进化未能获取更优解时, 由遗传算法进行全局寻优, 避免分配结果收敛于局部最优解, 从而提高整个分配算法效率。同时将该方法应用于某近空间飞行器。仿真结果表明, 该控制分配方法能有效地将控制指令分配到各操纵面上, 实现良好的跟踪效果。     

基于分支定界算法的DS—CDMAUWB系统多用户检测技术研究

研究一种带预处理的检测器,利用预处理动态设定的门限值直接判决用户的比特数据信息,用以解决线性多用户检测器由于判决门限值固定而影响检测性能的问题;利用分支定界算法进行预处理可以得到全局最优解,将原有的多用户检测问题转变成较小规模的检测问题,以达到减少多址干扰、增加正确判决的概率以及降低系统检测误码率的目的．仿真实验结果表明：预处理后,系统检测正确判决的概率增大,误码率降低．