神经树在煤与瓦斯突出预测中应用研究

由于煤与瓦斯突出影响因素之间存在着复杂的非线性关系,为准确预测煤与瓦斯突出的危险性,本文提出了基于柔性神经树的煤与瓦斯突出预潮模型,其中利用多表达式编程和粒子群优化算法分别优化了自身的结构及相关参数,使得神经树具有强大的预测和分类能力,与传统神经网络相比具有更加灵活的自动优化能力.通过采用实测数据对算法进行了验证. 结果 表明与常规预测方法相比较,该模型的预测准确性高,具有良好的适应性和有效性.     

多项目交互组合选择模型的改进粒子群优化研究

为解决多项目之间发生交互作用时的项目选择和组合优化问题,在已有优化模型的基础上,提出改进的粒子群算法,利用种群间跳跃改进的方法增强了粒子的搜索性能,并通过聚类和干涉的方法,防止算法陷入局部最优,有效求解多目标优化模型,最后利用算例分析证明模型和算法的有效性。     

考虑质量设计的合同组批生产问题研究

针对在制定组批方案中可能会产生的质量浪费现象,在考虑质量设计因素的基础上,建立以质量离散度为优化目标的组批模型,进而设计出考虑质量设计的合同组批算法。该算法改进了粒子群算法以实现聚类组批,首先松弛设备容量限制,以合同的质量离散度最小为目标,运用粒子群算法进行聚类计算,得到初步的组批方案;然后考虑设备容量约束,基于质量离散度最小原则,对违背设备容量范围的批次进行修复调整,得到最终的组批方案。以某大型国有钢铁集团的无缝钢管厂为例,基于生产实际数据设计了数据实验,以质量离散度为评价指标,将本文算法与基本粒子群算法进行对比,探讨了批次数量对问题求解的影响。实验结果表明,本文提出的模型和算法是可行和有效的。     

基于改进GS-SVM的煤炭生产成本预测

原煤生产成本同时受到多种因素的共同影响,导致原煤生产成本系统具有非线性、多维性等特点。为了对原煤生产成本进行更加科学、准确的预测,针对目前我国原煤生产成本预测中存在的问题,将支持向量机(SVM)引入到原煤生产成本预测中。为快速准确地选取支持向量机参数,在传统网格搜索(GS)算法基础之上提出了一种改进网格搜索算法,并建立了一种基于改进GS-SVM的煤炭生产成本预测模型。将该模型用于观台煤矿原煤生产成本预测中,模型预测误差均在5%以下,平均误差3.3673%,预测精度高于多元回归分析,而模型训练时间也远低于传统网格搜索算法和启发(粒子群)算法,能够满足实际原煤成本预测需求。     

基于PSO算法改进的ANFIS在织物染色配色中的应用研究

本文研究了PSO（粒子群优化）算法及一种用于织物染色配色的自适应模糊神经网络（ANFIS）,提出了基于织物染色配色的粒子群算法改进的ANFIS配色模型,并进行了仿真试验。从仿真试验的结果看,该配色模型收敛速度快,精确度较未改进的ANFIS模糊神经网络有明显的提高,在解决织物染色配色问题上取得了令人满意的配色效果。     

结合加权马尔可夫链与GM(1,1)模型的两阶段小水电群发电能力预测方法

小水电富集地区在汛期或集中来水情况下普遍存在外送电量受阻问题,小水电发电能力预测的不准确性,进一步加大了与其他外送电源的协调难度.为此,本文提出结合加权马尔可夫链与GM(1,1)模型的两阶段预报方法,以提高小水电发电能力预测水平.该方法依据小水电特点与预测难点,以地区小水电群为研究对象,通过大小水电相关性分析,选择具有参考性的大水电站;以大水电区间流量为数据,结合加权马尔可夫链动态生成小水电群运行数据的季节指数;在此基础上,采用季节指数改进的GM(1,1)模型进行小水电群发电能力预测.云南大理漾濞县小水电群实例表明该方法预测精度能满足实际工程需求,是一种可行的小水电发电能力预测方法.     

基于粒子群优化算法神经网络在开采沉陷中的应用

考虑BP网络存在收敛速度慢、局部极值等缺点,引入线性下降惯性权重粒子群优化（LWPSO）算法,建立基于线性下降惯性权重粒子群优化（LWPSO）算法的人工神经网络模型,在分析抚顺发电有限责任公司厂区地表下沉的实际观测资料的基础上,对厂区的任意点,任意时刻进沉陷预测研究。     

混凝土坝裂缝转异监控模型研究

融汇裂缝安全监控理论及其转异诊断方法建立了混凝土坝裂缝转异监控模型,重点研究了裂缝长度对裂缝口张开位移的影响。基于虚拟裂缝模型的基本假定,对混凝土坝裂缝的扩展过程进行了线性假设;通过动力学结构突变和统计学模型突变的检验方法获取混凝土坝裂缝的转异点;把对转异监控模型的求解转化为极值优化问题,并利用粒子群优化算法进行解答,据此完成了对混凝土坝裂缝转异监控模型的建立及求解.文末以某混凝土重力坝105m高程的典型裂缝为例对所提出的转异监控模型进行了验证。     

基于速度向量化策略的二进制粒子群算法

基于二项分布等概率统计方法对原始的离散二进制粒子群算法进行分析,发现速度最大值和惯性权重这两个参数对原算法的搜索性能影响较大,且原算法的速度更新方式会降低种群多样性,导致全局搜索性能不强。基于此,提出基于速度向量化策略的二进制粒子群算法,通过对粒子的速度进行向量化,较好地提高了算法全局搜索性能。通过实例仿真对比,证明了所提算法的可行性及其优势。     

一种粒子群结合遗传算法(PSO-GA)的云计算任务调度方法

针对云计算服务集群任务调度和负载平衡的优化问题,提出一种粒子群结合遗传算法(PSO-CA)的云计算任务调度方法。PSO-GA算法在遗传算法的基础上对种群进行分隔,用粒子群算法来构造变异算子,避免了变异算子的随机性和盲目性,很好地保持种群的多样性,克服了早熟现象。在Cloudsim平台进行模拟测试。实验结果表明,与同类算法相比,该调度方法能够缩短云计算下任务执行总时间,提高资源利用率。     

改进果蝇优化算法优化广义回归神经网络的预测问题研究

为提高传统非线性预测模型的预测精度,提出一种基于改进果蝇优化算法优化广义回归神经网络的预测方法,将果蝇群体分两部分分别进行迭代寻优,从而改进了果蝇优化算法的寻优性能,进而避免了在寻优过程中陷入局部最优。该方法利用改进果蝇优化算法优化广义回归神经网络的径向基函数扩展参数,然后用训练好的广义回归神经网络预测模型进行预测,最后通过订单预测算例进行实证研究。实证研究结果显示,该方法在解决订单预测问题中与未改进的果蝇优化算法优化广义回归神经网络和传统的广义回归神经网络方法对比,具有更高的预测精度和更好的非线性拟合能力。     

基于模型融合的复杂生产过程产品质量预测

复杂生产过程中产品质量与工艺参数间存在复杂的非线性关系,为提高产品质量预测准确性,本文提出了一种基于模型融合的复杂生产过程产品质量预测方法.首先,分别对复杂生产过程建立基于改进随机森林算法的整体预测模型与分段预测模型,其中,针对整体预测模型特征选择问题,提出了一种相关性分析与去冗余处理相结合的特征选择方法,针对分阶段预测模型存在误差累积问题,提出了一种误差修正机制.其次,利用Stacking集成学习算法实现整体预测模型与分阶段预测模型的融合,综合利用二者的预测优势得到对产品质量的最终预测结果.最后,以烟丝生产过程烘丝机入口烟丝含水率的预测为例,通过对比传统单模型的预测方法,验证了本文所提基于模型融合预测方法的准确性.     

基于果蝇算法的破坏带深度FOA-SVM预计模型

针对底板破坏带的精度问题提出新的预计模型,通过搜集众多矿井的实测数据,应用多元统计分析算法,在支持向量机的基础上建立预计模型。采用果蝇优化算法对预计模型进行优化训练,建立FOA—SVM预计模型。利用实测数据对模型的预计结果进行检验,预计结果准确,比遗传算法模型、粒子群模型的预计结果稳定性更好和精度更高。     

基于改进万有引力搜索算法的无人机航路规划

无人机航路规划是根据任务目标规划出某种性能指标最优的飞行航路的全局优化问题.本文将改进后的万有引力搜索算法用于求解航路规划问题,在万有引力搜索算法的速度更新部分引入粒子群算法中的记忆和群体信息交流功能,改善了最优解的质量;然后提出了基于权值的粒子惯性质量更新公式,以加快全局搜索的收敛速度;后运用优胜劣汰的选择操作规则,对粒子的位置进行更新,使种群始终朝着最优解的方向进化.通过与其他仿生智能计算方法的仿真实验对比,验证了本文所提算法可在复杂作战环境下实时有效规划出无人机的最优航路.     

基于GB-CART集成算法的铁路物流需求量预测

为了准确、快速地对铁路物流需求量进行预测,针对现有铁路物流需求量预测模型存在的问题,采用梯度提升算法对分类与回归树算法进行集成,提出一种GB-CART集成算法。以1990~2014年的铁路物流需求量为研究对象,选取预测年份前3年的铁路物流需求量作为模型输入,预测年份铁路物流需求量作为模型输出,采用GBCART集成算法进行仿真实验,并与单一CART、SVR、RBF和LR模型进行比较。结果表明:GB-CART模型的预测效果与单一CART模型相比得到了大幅度提升,且预测精度高于SVR、RBF和LR,验证了所提出模型的有效性及准确性。     

基于时刻表的城市地铁客流均衡分配模型及方法

运用网络扩展技术,结合城市地铁线网结构和列车时刻表信息,对空间网络的物理站点和区段在时间维度上进行扩展,同时,考虑了乘客在不同线路之间换乘的实际约束,构造了城市地铁的时空网络拓扑结构,并给出了针对地铁时空扩展网络的改进最短路搜索算法.在此基础上,分析和研究了地铁乘客路径选择行为的时效性,考虑了乘车时间、换乘因素以及车内拥挤因素,构建了基于地铁时空扩展网络的路径广义费用模型,提出了基于时刻表的地铁网络客流平衡分配模型,并给出了求解算法.最后,通过一个简单算例对模型及算法的可行性和有效性进行了分析和验证.     

基于改进GS-SVM的煤矿冲击地压预测研究

为了提高煤矿冲击地压预测预报的准确率,在综合考虑自然因素和开采因素的基础上,针对煤矿冲击地压系统小样本、多维度、非线性的特点,提出煤矿冲击地压预测的改进网格搜索支持向量机模型(GS-SVM)。利用该模型对四川某矿历史统计数据进行预测分析,并与启发算法优化支持向量机参数模型、神经网络模型、Fisher判别分析模型,传统网格搜索优化支持向量机模型进行比较。结果表明:改进GS-SVM模型能够对具有多维度、非线性、小样本特征的冲击地压进行很好的预测预报,与其他模型相比训练时间更短,预测精度更高,对煤矿冲击地压预测及防治具有一定的指导意义和参考价值。     

热油管道非稳态优化运行研究

本文建立了热油管道非稳态模型,并以管道能耗费用为目标函数,输油泵出站扬程及加热炉出站温度为优化变量,建立优化模型。根据SCADA系统采集的管道运行实时数据,非稳态模型计算结果与实测值相比相对误差为4.042%,与稳态模型计算结果相比准确度显著提高,采用混合粒子群-退火算法对非稳态仿真结果进行优化处理,优化后运行方案经实际运行可节约17.59%的能耗费用,节能显著。     

基于ARIMA-RBF算法的月度降雨量预测研究

为了对月度降雨量进行科学预测,将ARIMA模型与RBF神经网络相结合,提出一种基于ARIMA-RBF耦合算法的月度降雨量预测模型。首先,利用ARIMA模型对月度降雨量线性部分进行拟合预测,计算ARIMA模型预测的残差;然后,利用RBF神经网络对ARIMA模型残差进行拟合预测;最后,利用RBF神经网络预测结果对ARIMA模型进行补偿修正,得到最终降雨量预测结果。将该方法用于重庆市沙坪坝月度降雨量实际预测中,预测结果精度高于单一ARIMA模型以及RBF神经网络,能够满足实际预测需求。结果表明:将线性拟合算法和非线性拟合算法结合起来用于月度降雨量预测是一种较为优越的算法。     

营口软土地区桩网复合地基沉降规律研究

为研究滨海软土地区高铁地基的沉降问题,以哈大高铁营口东站附近软土地基处理工程为研究对象,对路基填筑过程和工后长期地基沉降进行观测。利用有限元数值分析软件ADINA建立相应的数值计算模型,研究了地基表面沉降规律。研究表明：地基沉降主要发生在路基填筑施工期内,填筑期的沉降量占总沉降量的70％以上;路基填筑施工过程中,地基沉降曲线呈倒钟形,刺入现象明显,在CFG桩周沉降曲线呈“∩”形。基于现场实测数据,建立了工后长期地基沉降预测模型。对比分析结果表明,路基填筑完工三个月后（大约100d）预测公式精度较高,最终预测沉降量与观测值误差在0．21％～0．56％之间,可以满足工后长期沉降预测要求。上述研究成果将为处理滨海地区高速软土路基工程,预测和控制工后沉降提供了合理的依据。