用粒子群算法求解打靶点的一种方法

针对打靶法中打靶点寻找困难的问题,提出了一种改进的粒子群算法.该方法将粒子适应度定义为终点状态的目标优化函数,并通过人工神经网络建立微分方程组的初始状态与终点状态的映射来提高运行速度.针对打靶点要求精度低,但不得陷入局部极值点的特点,在一次搜索结束后,逐步提高搜索水平,并重新调整粒子搜索能力来进行二次搜索,从而提高了得到全局最优值的命中率.最后通过一个实例验证了该方法的有效性.     

基于动态神经网络的系统边际电价预测

在分析系统边际电价(SMP)特点的基础上,确定了预测系统边际价格的主要依据为电力负荷、历史上对应时刻的SMP以及当天的SMP趋势.将电价看作是电力市场动态运行的结果,采用动态神经网络预测电价.由于动态神经网络结构及权值确定困难,采用二进制与实数编码相结合的联合编码,用遗传算法优化得到神经网络结构及对应权值.利用某电力市场的历史数据对该模型进行验证,结果表明该方法所建立的预测模型具有较高的预测精度.     

基于诺西肽分批发酵的过程建模

诺西肽是一种含硫多肽类抗生素，该抗生素能明显促进动物生长，而且在动物体内无残留，是一种优良的非吸收型饲料添加剂。以分批发酵工艺过程为对象，研究了基质浓度、押制物及菌体自身浓度对菌体生长的影响，建立了诺西肽的菌体生长模型、基质消耗模型、产物生成模型，以及溶解氧与操作变量（搅拌转速和通气量）的关联模型．在所建模型基础上，对诺西肽的分批发酵过程进行了仿真研究，仿真结果与实验结果基本一致。     

基于自评判自学习机制的短期电力负荷预报

以RBF神经网络为基础，提出了一种吴有白评判自学习能力的短期电力负荷预报方案，该方案包含预报器、评估器、探测器：和学习机四个组成部分．预报器用来预测未来时段的电力负荷，评估器用来对预报结果进行评估，探测器用来确定预报的有效步长，学习机用于预报器的自我学习．预报器根据评估结果通过学习机制能够自动适应电力负荷的变化，从而保持一种良好的预报状态．仿真实验表明该方法在电力负荷规律不明确的环境下预报精度比传统方法高。