基于IPSO算法的SNCR脱硝系统建模

由于我国对燃煤发电机组氮氧化物排放量要求的进一步提高,发电厂需要对选择性非催化还原(SNCR)脱硝系统实行更精准的控制,建立有效精确的模型进行研究是极为关键的。因SNCR脱硝系统有时变、大惯性、大迟延、非线性的特点,故提出一种改进粒子群(IPSO)算法,通过改进收缩因子及随机权重的方法改进粒子群算法,增强该算法的寻优能力。运用该算法分别对运行负荷为320 MW、175 MW、135 MW时SNCR系统中尿素溶液流量与出口NO_x浓度之间的关系进行模型辨识,并将模型的输出与工业现场运行数据相比较,最终得到误差最大值为0.93 mg/Nm³,均方根误差最大为0.369 7 mg/Nm³。结果表明模型精确有效,为后续开展SNCR脱硝系统智能控制提供了模型支撑。     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

基于差分算法的低压载波通信信道模型多参数辨识

低压电力线载波通信是通过低压电力线网络传输模拟和数字信号的一种通信方式。本文在已有的传输模型结构上,将差分算法应用到低压载波通信信道模型的多参数辨识上,取得了不错的参数辨识效果,为电力线系统的研究和设计提供了依据。     

基于动态多种群的自适应混合灰狼差分进化算法

目的 解决灰狼算法初始种群生成方式导致其存在多样性差的问题。方法 结合差分算法改进灰狼算法,生成基于动态多种群策略的混合灰狼差分算法,算法采用动态多种群策略,利用3种差分算法变异策略,增强初始种群解的多样性,并将其作为灰狼算法的初始种群,采用局部搜索策略增强算法的探索能力,最后采用改进的种群大小线性递减策略来降低算法的时间复杂度,提高算法的收敛速度。结果与结论对CEC2014测试集4类15个基准测试函数进行仿真实验,并与经典DE,GWO及其变体算法进行比较,验证了所提出算法的有效性,最后应用该算法求解经典工程领域焊接梁设计优化问题,证明了所提出算法的优越性。     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于改进灰狼算法的混合发电系统优化设计

风光柴蓄混合发电系统的容量配置是系统优化设计中重要内容。针对基本灰狼算法在进化后期由于种群多样性的缺失而易于出现局部收敛或算法早熟的问题,提出一种具有全局寻优性能的改进灰狼优化算法(Improved Gray Wolf Optimization, IGWO)降低风光柴蓄混合发电系统的运行成本。引入收敛因子设置非线性调整策略来调节算法的全局探索与局部开发之间的平衡从而提高算法的收敛性;同时为了提高算法的全局寻优能力,通过柯西变异算子减少算法早熟收敛的概率。分析了风光蓄柴混合发电系统各发电单元特性,建立起以年均化系统成本最小化为目标的混合发电系统容量优化配置模型。分析优化结果,该改进灰狼优化算法能够有效对目标函数求解,从而证明了该算法的有效性和实用性。     

差分进化算法在气动力参数辨识中的应用

差分进化算法是一种新兴的优化算法,与最小二乘法等梯度类算法相比,它能够进行全局寻优且对初值不敏感,具有广泛的应用前景.建立某型飞机刚体运动的6自由度非线性动力学模型,在叠加一定比例白噪声的情况下获得其仿真数据,使用差分进化算法辨识出该型飞机的纵向运动气动力参数,辨识结果与真实值较为吻合,证明该算法是可行的.多组试验表明:对于该型飞机的动力学模型和仿真数据,使用差分进化算法的辨识结果与使用最小二乘法、普通粒子群算法的辨识结果相比,具有更高的精度和更强的鲁棒性.     

基于改进黑猩猩算法的解析Preisach模型参数辨识

解析Preisach模型解决了Preisach模型因离散 Everett 函数造成的测量误差大,数值不稳定的问题,但是解析Preisach模型同时存在参数多,辨识复杂的问题。针对上述问题,本文提出一种融合多策略的改进黑猩猩优化算法,来实现对解析Preisach 模型的参数快速、精确辨识。该算法首先应用改进的logistic映射和动态反向学习策略进行种群初始化;其次提出一种新的动态非线性递减收敛因子平衡全局搜索和局部开发能力;再次将差分变异引入到种群个体位置更新中,增加种群多样性、扩大搜索范围;最后使用随机变异策略对全局最优位置进行扰动更新,跳出局部最优。结合实验数据,分别使用遗传算法、黑猩猩算法与本文所提算法对解析Preisach 模型参数进行辨识,并基于辨识结果对取向硅钢片的磁滞回线进行模拟。通过磁滞回线拟合度、迭代次数与适应度值等三方面的结果对比可得,本文所提算法在解析Preisach 模型的参数辨识上兼具辨识精度高、收敛速度快的优点。
关键词:解析Preisach模型;Everett函数;参数辨识;改进黑猩猩优化算法;磁滞回线     

基于果蝇优化算法的船舶操纵响应模型的辨识

应用果蝇优化算法对船舶操纵运动响应模型的结构参数进行辨识,并用辨识得到的响应模型进行自航模变Z形试验预报.预报结果与自航模试验结果的对比验证了所提算法的有效性.研究结果表明,基于果蝇优化算法的参数辨识方法具有算法设置简单、调整参数少以及不易陷入局部极小值等优点.     

基于Volterra模型的一类通信系统的参数辨识

分析了Ｖｏｌｔｅｒｒａ级数理论对于非线性系统的模型建造的意义，提出了一类通信系统的适用于系统辨识的新模型－－Ｖｏｌｔｅｒｒａ离散频域模型，应用此模型对一个具体的通信系统有效地进行了非线性故障诊断和参数辨识。     

新型蝙蝠算法辨识船舶运动模型参数

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法中新型蝙蝠算法引入船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了新型蝙蝠算法求解船舶运动模型参数辨识的适应性;给出了采用新型蝙蝠算法进行船舶运动模型参数辨识的流程。基于实船实验数据,采用新型蝙蝠算法辨识了实船一阶线型响应型模型参数。实例显示,将船舶运动模型参数辨识问题转化成优化问题,通过新型蝙蝠算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究表明,提出的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。     

非线性立木材积模型参数辨识的改进算法及其应用

以Marquardt非线性模型参数辨识为基础，以山本式二元立木动．冬材积模型为例，阐述了非线性参数估计的最小二乘原理，分析了估计方法的误差，采用二次项函数逼近的二次算法提高了材积模型的估计精度。以广东森林资源调查的样本资料．对提出的方法进行了验证与应用，结果表明改进的方法比原有的方法精度提高了一个数量级。     

非线性参数的精英学习灰狼优化算法

为了有效提高灰狼优化算法的收敛速度及求解精度,本文结合精英反向学习策略增加种群的多样性,将收敛因子从线性变为非线性,重新设计位置更新公式提高算法的收敛精度,提出一种非线性参数的精英学习灰狼优化算法.8组典型测试函数的实验测试表明,算法的收敛速度和收敛精度均有不同程度的提高.在求解IIR数字滤波器优化设计问题时,表现出了...     

基于对立学习的PSO算法研究

为进一步提高PSO算法的优化效率,加速寻优过程,提出基于随机对立策略的PSO算法,包括QOP-SO和QRPSO。这两种算法在种群初始化阶段采用随机对立学习方法,并在进化过程中用随机对立学习进行种群动态跳跃,以提高产生解的质量。利用6个测试函数对算法的效率进行检验,将其与标准PSO和OPSO算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化(PSO)算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识.该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识.利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明:改进的PSO算法用于岩石蠕变模型的参数辨识是有效的.     

一种适于非线性系统辨识的神经网络学习算法

提出基于卡尔曼滤波前向多层感知器快速学习算法，对此算法进行了详细的推证。仿真结果证实了这种神经网络结构用于非线性系统辨识的有效性。此算法收敛速度快、重复性好，且对存在观测噪声的输入输出能获得尽可能精确的辨识结果，从而提高了神经网络系统辨识的实用性。     

基于Volterra模型的一类通信系统的参数辨识

分析了Volterra级数理论对于非线性系统的模型建造的意义，提出了一类通信系统的适用于系统辨识的新模型──Volterra离散频域模型．应用此模型对一个具体的通信系统有效地进行了非线性故障诊断和参数辨识．     

基于APSO算法的参数辨识与优化

将自适应粒子群优化（APSO）算法应用在系统辨识和参数优化中,定性地分析系统参数空间范围,把系统辨识和参数优化问题转化为参数空间寻优,利用APSO算法在寻优过程中有效避免局部最优的特点,在整个参数空间内并行寻找获得系统参数的最优解。通过对多种模型的仿真实验研究表明,APSO算法在系统辨识和参数优化问题中优于原有的GA和PSO方法。