改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.     

基于混沌天牛群算法优化的神经网络分类模型

针对传统BP神经网络受初始权阈值影响大且易陷入局部极值,标准天牛须搜索算法局部搜索能力差、寻优精度低等问题,提出一种自适应步长因子的混沌天牛群算法用于优化BP神经网络分类模型。通过增加天牛种群,引入自适应步长更新策略优化天牛须搜索算法的局部搜索能力,使其跳出局部最优,提高算法的计算精度;利用Logisitic混沌映射产生新个体,替换性能较差的个体,增强全局搜索效果。为了改善BP神经网络对非均衡数据集中少数类的分类效果,采用SMOTE算法处理非均衡数据集。将改进的天牛须搜索算法用于优化BP神经网络中的初始权值和阈值,建立IBAS-BPNN（Improved Beetle Antennae Search and Back Propagation Neural Network）分类模型,提高BP神经网络分类模型的准确率。为验证分类模型的性能,将改进的BP神经网络分类模型与其他六种典型的分类算法进行比较,实验结果表明IBAS-BPNN分类模型的平均分类正确率高于其他算法。改进的混沌天牛群算法泛化能力强,鲁棒性好,具有一定的优越性。     

基于改进BAS-BPNN的Stewart平台位姿正解

针对目前Stewart平台位姿正解难以兼顾高精度和实时性的问题，设计出满足平台精度要求且运算时间尽量少的正解方法是研究并联平台运动学的关键。首先建立平台运动学反解模型求得BP神经网络（BPNN）的训练集，然后调整步长策略和引入惯性权重改进天牛须搜索算法（improved BAS，IBAS），提升算法性能，通过改进后的算法优化BP神经网络的初始权阈值，反复学习训练至最小误差，最后选取一段位姿变化进行仿真验证。仿真结果表明，IBAS-BPNN正解法在选取的100组位姿点中的最大位姿误差小于0.6%，运算时间为31.9 s，通过与遗传算法(GA)、粒子群算法(PSO)和天牛须搜索算法(BAS)优化的BP神经网络模型进行对比分析，验证了IBAS-BPNN模型在精度和运算速度方面具有优越性。算法模型有效提升了Stewart平台位姿正解的精度和实时性，为平台的运动学和控制提供了理论和方法参考。     

基于优化广义回归神经网络的碟式太阳能温度预测研究

为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.     

黑箱系统的一种简便自适应预测控制策略

采用一种输入输出增量式一元线性回归模型作为黑箱系统的预测模型,应用投影算法估计模型参数.该模型将对象输出增量分解为2个分量:一个为非零控制增量作用下的强制分量,另一个为控制增量为零时的自由分量,是一种非齐次时变线性模型.此外,应用广义预测控制理论,提出了一种基于该模型的自适应多步预测控制策略,导出了基于该模型的多步最优预测算式和最优控制律.该控制策略不仅具有广义预测控制的强自适应能力和强鲁棒性,且模型参数少,算法简单,适用于黑箱系统的控制.仿真结果表明该控制策略是有效的.     

基于模糊模型的预测PID控制器的参数整定

提出一种基于模糊模型的预测PID控制器（PPID）的参数整定方法，PPID采用广义预测控制的控制策略，控制算法简单，容易在单片机、PLC和仪表上实现，且有比普通的PID更优良的性能，参数整定分两阶段进行，首先基于初始模型对PPID离线进行整定，然后在系统运行后利用对象的输入输出数据对模糊模型和PPIDR的参数再次进行离线整定，整定算法均采用批处理方式的梯度下降法。     

基于改进灰狼算法优化自适应相似日选取的小水电短期预测

针对小水电机组出力预测问题,提出一种基于改进灰狼算法优化自适应相似日选取的小水电预测方法.首先根据小水电的出力规律采用阴历来划分负荷数据,考虑到各因素影响小水电出力的程度是变化的,采用自适应相似日选取方法,并引入改进的灰狼算法来优化各影响因子权重.将筛选出来的相似日样本输入径向基函数(radial basis function,RBF)、反向传播(back propagation,BP)网络这两种单一模型分别进行小水电机组出力预测,并将两个模型的预测结果输入经灰狼算法优化的广义回归神经网络进行非线性组合预测.对某地区进行算例分析,模型相较于单一的BP、RBF和未优化的广义回归神经网络(general regression neural network,GRNN)组合预测模型,平均绝对误差分别降低了3.28％、1.73％和0.29％,验证了模型的有效性.     

改进量子粒子群优化算法的神经网络模型负荷预测

提出一种基于Levy飞行的量子粒子群优化算法并用于小波神经网络的训练,该算法采用基于Levy分布的飞行策略扩大粒子的搜索空间,使粒子易于逃离局部最优点。该算法克服了传统算法在神经网络训练过程中易于陷入局部最优、收敛速度慢等缺点,提高了神经网络的泛化能力。最后将改进的量子粒子群优化算法训练小波神经网络应用于电力系统负荷预测的模型,仿真结果表明改进的量子粒子群优化算法在神经网络训练上具有更高的预测精度。     

锅炉飞灰BP-WA算法优化控制策略

针对锅炉飞灰含碳量在线测量参数多变、惯性大等问题,设计一种改进型BP神经网络飞灰含碳量预测模型.通过主元分析法分析各燃烧工况与飞灰含碳量的关系,利用信息熵将标准BP神经网络中的误差函数进行改进,以抑制输入样本中的干扰噪声,并采用主元分析法筛选模型中输入参数,精简网络模型.结合所提出的改进型BP-WA(BP神经网络-狼群算法)优化控制策略对锅炉燃烧运行工况进行优化控制仿真研究,结果表明：采用改进型BP-WA优化控制策略优化飞灰含碳量前后,锅炉飞灰含碳量预测与标准BP网络模型方法相比,均方误差降低0.012 1;飞灰含碳量降低3.50%,提升了锅炉运行的稳定性.     

基于分布式能源的煤矿带式输送机与蓄电池协同经济调度策略

带式输送机是煤矿中运输煤炭的重要设备.为了解决煤矿带式输送机电费成本过高的问题,基于带式输送机变速控制技术,将分布式可再生发电设备引入到带式输送系统运行过程当中;通过对带式输送机带速、煤流量的协调控制,实现设备的满载运行和分布式能源出力的本地消纳;进而引入分时电价,通过对带式输送机运行参数和蓄电池充放电功率的协同优化引导转移设备高电价时期负荷,实现带式输送机能耗和运行成本的降低.首先对含风机、光伏和蓄电池的煤矿带式输送机系统进行建模,建立带式输送机动态能耗模型,构建以运行成本最低为目标、以分布式能源发电消纳为约束的带式输送机与蓄电池协同经济调度策略.算例验证表明:应用所提控制策略可显著减少带式输送机能耗和设备磨损,并节省设备电费成本达38.39%.在此基础上分析了蓄电池容量和带式输送机带速变化率对调度结果的影响,结果表明合理的储能容量和带速变化率取值对带式输送系统经济运行至关重要.     

基于复合正交神经网络的广义通用模型自适应控制

在自适应逆控制中应用复合正交神经网络具有算法简单、学习收敛速度快等优点,将复合正交神经网络与广义通用模型控制器策略相结合,提出了一种基于神经网络的广义通用模型自适应控制方法.该控制方法中的参考轨迹为一条典型的二阶曲线,控制器参数具有明显的物理意义,参数整定方便.仿真实验验证了该控制策略的有效性.     

改进粒子群优化的燃气发电锅炉主汽压模糊预测控制策略

针对燃气发电锅炉存在的纯滞后、大惯性和参数模型易变等问题,设计了一种改进粒子群优化(PSO)的主汽压模糊广义预测控制策略。利用遗忘因子递推最小二乘法(FFRLS)辨识出主汽压模型,并引入广义预测控制(GPC),通过多步预测、滚动优化和实时反馈技术克服系统惯性、时滞和参数时变问题。为改善主汽压控制系统的稳定性和动态响应品质,对GPC算法中的控制加权系数进行模糊自校正设计。引入改进粒子群算法对广义预测控制的控制量增量进行寻优,求取最优控制律。仿真结果表明:与改进PSO-GPC策略和动态矩阵控制(DMC)策略相比,在施加扰动情况下,所提改进PSO-模糊GPC策略在模型适配与失配时稳定时间分别最多减少94.5s和132s,超调量分别最多降低5.1%和8%。工程运用表明:所提控制策略主汽压控制偏差低于±0.15MPa,系统受模型失配影响更小,稳定性和抗扰动能力明显提升。     

消拖船节油航速优化研究

针对港口作业消拖船主机的高油耗问题,从船舶管理节能的角度出发,提出了基于改进天牛须算法的消拖船节油航速优化方法。通过分析消拖船的船、机、浆的能量传递机制,建立了其主机燃油消耗的优化模型,并对消拖船某航次中各航段的航速开展优化研究。天牛须搜索算法(beetle antennae search algorithm, BAS)是近年来出现的智能优化算法,在处理结构复杂的数学模型优化中优势很明显,但是也存在收敛慢、容易进入局部最优状态等问题,为此建立了一种改进的天牛须搜索算法(improved beetle antennae search algorithm, IBAS),以更好地满足应用要求。通过实例计算分析,采用所提出的优化算法进行消拖船主机燃油消耗优化。结果表明：所提算法的收敛速度快,寻优效率高。与天牛须算法和蚁群算法(ant colony algorithm, ACO)对比分析,所提出的优化算法保持较快的运算时间的同时,提高了优化结果的准确率。     

基于即时线性化的Wiener非线性系统预测控制

采用一种Laguerre网络与SBP神经网络构成的组合模型和即时线性化方法实现了对Wiener非线性系统的自适应预测控制策略。组合模型无需动态系统的阶次和时延的结构先验知识；即时线性化，即是在线依据每个控制周期由模型获得的系统未来各步预测输出yo(k i)|k,(i=1,…，P）对非线性模型进行线性化，进而利用线性化模型进行控制优化求解，即时线性化避免了非线性控制优化求解的困难。文中还给出了实现即时线性化的算法，最后仿真表明所提的算法与策略是有效的。     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法（PSO）的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。     

一种基于Wiener模型的非线性预测控制

提出了一种基于Wiener模型的非线性预测控制方法.通过引入非线性部分的广义回归网络逆模型,将非线性预测控制转化为线性预测控制,用线性优化算法解决非线性预测控制问题,避免了复杂的非线性优化.仿真实验表明了该方法的有效性.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

蝴蝶优化算法对大青杨生长速率预测模型的改进

为提高大青杨生长速率的预测精度,提出一种基于改进的蝴蝶优化算法（Improved Butterfly optimization algorithm,IBOA）与径向基函数（Radial basis function,RBF）神经网络结合的预测木材材性方法。通过使用佳点集法对标准蝴蝶算法中的种群进行初始化,将自适应切换频率和Levy飞行相结合进一步优化人工蝴蝶算法。构建出了新的IBOA-RBF神经网络木材材性预测模型,将得到的结果与其他几种算法优化的RBF神经网络预测结果进行对比。结果表明：基于IBOA-RBF神经网络模型预测效果最好,收敛速度从37步降低到了23步,预测结果误差达到了5.72%,预测精度最高。可见,对蝴蝶算法的改进是可行的,且对相关人员定向培养大青杨起到较大的帮助。