基于动态燃料成本双层优化的 燃煤发电企业管控模型

为使燃煤发电企业降低燃料成本,实现燃料科学管控,提出一种综合考虑发电可靠性和生产经济性的燃料成本双层优化模型,上层为电煤采购库存混合整数规划模型,下层为混煤掺烧非线性优化模型,双层模型交替迭代协调优化,实现燃料管控动态决策.针对优化模型高维多约束情况,提出一种混沌映射初始化和高斯变异结合的改进灰狼优化算法.以某燃煤电厂模拟运营进行算例验证分析,结果表明,所提模型可以降低燃煤电厂7.80％的燃煤成本,证明了所提模型与求解算法的有效性和可行性.     

基于动态优化的多模型广义预测控制器设计

针对工业控制过程中广泛存在系统参数突变的问题,将多模型切换的广义预测控制器引至动态优化策略下的分层式控制系统中,设计了基于动态优化的多模型广义预测控制器.该模型预测控制结构以获取最大经济效益为目标,上层结构对经济目标函数进行动态优化,得到使经济利益最大的关键变量设定值;下层结构中MPC层采用多模型广义预测控制器代替传统单模型广义预测控制器追踪上层得到的设定值,即采用多个固定模型和自适应模型并行辨识系统的动态特性,提高系统暂态性能和模型参数跳变时系统的调节能力;底层为PID控制器用于抑制过程中的扰动.通过仿真验证了该方法的可行性和有效性.     

基于优化AP-SVR模型的能源消耗预测

针对传统SVR(Support Vector Regression)及其相关改进模型在不同时间阶段的能源消耗样本数据具有差异较大的不同函数规律或分布特征的条件下,难以进行合理预测这一问题,提出了基于优化AP(Affinity Propagation)聚类算法的AP-SVR模型。首先,在滚动预测的算法框架下建立了运用能源消耗累积规律进行预测的模型,并对AP聚类算法进行了优化;其次,结合优化AP聚类算法构建了最优化训练集,并运用SVR得到预测结果。算例分析表明,AP-SVR模型可有效识别样本训练集中能耗数据累积规律的差异,将聚类为同一类别数据作为训练集的条件下,SVR的拟合精度得到明显提升。通过多种模型计算效果的比较发现,剔除不同类型数据后的训练集明显更加适合于SVR模型的预测,在降低预测误差和改善预测结果可信度等方面优化了模型预测效果。     

基于动态优先级的奖励优化模型

传统的约束马尔可夫决策过程(constrained Markov decision process, CMDP)模型用来解决多目标决策的困难,但该模型缺乏通用性并且只适用于离散环境。为了解决这一问题,提出一种基于CMDP的改进算法CRODP,与强化学习(reinforcement learning, RL)算法结合,将带约束问题建模为拉格朗日公式,其中包含着深度强化学习的策略参数。然后进一步推导出模型参数的更新公式,并将其作为深度强化学习神经网络的损失函数。模型在学习过程中动态调整约束与主要目标之间的权重以确保最终策略符合给定的约束。在若干机器人平台上与基准的深度强化学习算法进行比较,显示本算法得出的最优策略能够更好地满足相应约束。     

基于动态灰色模型的地下工程地面沉降预测

对地下工程引起的地面沉降作实时准确的预报对指导施工有重要意义,利用动态灰色模型(MGM),可以根据适时更新的观测值建立实时的预报模型,从而使预报精度提高。文章通过工程实例,表明该模型能较好地应用于沉降预报,这对地下工程及岩土工程施工有一定的参考价值。     

基于动态灰色模型的地下工程地面沉降预测

实时准确地预报地下工程引起的地面沉降对指导施工意义重要.利用动态灰色模型(MGM),可以根据适时更新的观测值建立实时的预报模型,从而提高预报精度.通过工程实例,表明该模型能较好地应用于沉降预报.     

基于优化FOA-BPNN模型的脱贫时间预测

针对精准扶贫缺乏有效的分析模型对扶贫的成效与脱贫时间进行准确刻画与定量分析问题,提出了基于FOA-BPNN 贫困户脱贫时间预测模型．针对BP神经网络模型可能陷入局部最小的缺陷,引入果蝇优化算法,以BP神经网络的预测误差作为适应度值,寻找最优的BP神经网络参数值,提高参数精度．由于标准果蝇优化算法的搜索半径固定,可能导致后期局部寻优性能弱,提出了一种动态步长变更策略的DSFOA-BPNN模型,通过引入变速因子与种群密度,将动态步长FOA算法与传统误差反向传播神经网络(BPNN) 结合,提高模型预测时间精度．在湖北省某贫困地区 50000 条扶贫数据的基础上,通过实验表明:与BPNN和FOA-BPNN模型相比, 提出的 DSFOA-BPNN模型预测精度分别提高了44%和11%．增量实验表明: 提出的DSFOA-BPNN模型更适用于精度预测.     

私人汽车购买意向预测的人工神经网络模型

用主成分分析法对私人汽车购买意向影响因素进行了分析,确定了其影响指标,并建立了私人汽车购买意向的多输入、单输出的人工神经网络预测模型.     

动态自适应粒子群优化灰色模型的碳排放预测

碳排放量预测对于发展低碳经济十分重要,利用GM（1,1）灰色模型对碳排放预测存在一些不足．本文引入动态自适应粒子群算法对其进行改进,并结合新模型（DAPSOGM）来预测碳排放,以浙江丽水市近5年的碳排放量,编辑matlab程序实证分析,结果证实新模型具有较高的预测精度和推广价值．     

基于动态优化的进出港航班排序模型

针对当前终端区排队模型将进港航班与出港航班分别排序的现状,建立了基于动态优化的进出港航班排序模型.该模型将进港与出港两个过程当作一个整体来考虑,减轻了管制员的工作负荷,可将由主观因素造成的损失降到最小.模型算法动态的将出港航班插入到达流中,每次插入后对受影响的航班进行重新调整,实现了进出港航班的动态合并.基于对管制现实需要的考虑以及计算量的优化,引入了位置交换约束参数.该算法结合实际数据,在仿真实验中与先来先服务方法相比,取得了较好的结果,表明本算法具有较强的可行性.     

基于动态神经网络NARX模型的电力负荷预测

为了更好地发挥电力系统分时电价的作用,引导消费者的用电习惯,智能管理系统需要对电力负荷进行准确地预测。由于电力负荷具有高度非线性、时变性、不确定性,该文采用动态神经网络NARX对其进行预测,为了提高了预测精度,并用遗传算法对网络的初始权值和阈值进行优化。仿真结果表明,通过遗传算法优化后,可以有效地提高对短期下电力负荷的预测精度。     

基于人工智能的动态马尔科夫模型预测空气质量指数

采用人工智能算法对北京市空气质量指数199个数据序列进行拟合得到拟合值序列和预测值,结合数据的动态变化特点,再与马尔科夫链结合进行动态预测,预测精度优于基于灰色理论的GM(1,1)模型和基于BP算法的神经网络模型。     

基于动态分离的Hammerstein模型辨识法

 通过对工业大系统输入信号的设计,使Hammerstein模型输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉。利用分散辨识得到系统的线性动态模型。基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了工业大系统中Hammerstein模型辨识的动态分离方法。仿真结果表明此方法的有效性。     

基于优化MACD模型的股票价格变化趋势预测方法

【目的】探寻一种有效预测股票价格变化趋势的方法。【方法】在指数平滑异同移动平均线(MACD)指标中加入市场活跃程度(ACT)、波动率(VOL)、离差值(DIF)趋势程度3个指标来构建股票价格变化趋势预测模型。采用热点图对MACD策略中的参数以及股票进行选择、融合,并运用技术分析工具、支持向量机(SVM)与相关向量机(RVM)等机器学习方法对MACD策略中产生的交易信号进行优化,筛选特征变量。【结果】将设计的股票价格变化趋势预测策略的数据换成A股全市场数据并进行回测,发现近10年的年化收益率(14.8%)胜过沪深300指数(7.201%),而且使用A股全市场的数据有效避免了幸存者的偏差。【结论】优化改进的股票价格变化趋势预测模型可以在一定程度上预测股票上升的趋势,有效规避风险。     

基于小波变换的交通流预测及模型优化

将小波变换的理论应用于短时交通流量的预测。通过小波分解与重构获取交通流量数据中的低频近似部分和高频随机部分,然后在分析各种模型的优、劣的基础上,选取较有效的模型或模型结合方式,建立了交通流量预测模型。最后,利用实测交通流量数据对模型仿真,结果表明该模型可以有效地提高短时交通流量预测的精度。同时,深入研究了小波基、分解层数选取的依据,通过实验检验表明效果良好。     

基于遗传算法优化机器学习模型的地下水潜在性预测

传统机器学习模型在地下水潜在性预测中,未考虑最优因子组合,会对地下水潜在性制图产生不利影响。为此,提出了遗传算法优化支持向量机的地下水潜在性预测方法。以云南省彝良县为研究区,从地形、水文、土壤、地质等方面选取了共15个影响因子;考虑模型性能和影响因子的作用,利用遗传优化算法筛选了包含11个影响因子的最优因子组合;然后使用支持向量机方法构建了地下水潜在性预测模型;最后计算了因子优化前后的模型准确度和受试者工作特性曲线下面积（area under curve,AUC）,并绘制了模型的受试者工作特性（receiver operating characteristic,ROC）曲线和地下水潜在性预测图。结果表明：因子优化前模型的准确度为0.774,验证集AUC为0.789,因子优化后模型的准确度为0.777,验证集AUC为0.806,分别提高了0.003和0.017。可见,所提方法的准确性、可靠性优于传统的支持向量机法,其结果可以为区域水文地质调查和地下水资源管理与规划提供科学参考。     

带离散辅助协变量的AFT模型的B-J估计

为处理协变量随机缺失的AFT模型的参数估计问题,首先利用离散辅助协变量对缺失的协变量进行了插补,再结合Buckley-James方法提出了带辅助信息的AFT模型的一种参数估计方法.此方法作为B-J估计在不完全协变量情形下的一个推广,无须指定模型误差项的分布,在应用上有一定的便利性.数据模拟表明:此方法具有较好的估计效果.