基于TSA-BP模型的温州站台风风暴潮增水预测

台风风暴潮灾害通常会对沿海地区造成巨大损失,因此,准确预测台风风暴潮增水对沿海地区的防灾、减灾工作具有现实意义。本文根据现有风暴潮增水预测研究的成果,建立了基于被囊群算法（tunicate swarm algorithm）优化的BP神经网络模型,将该模型应用于台风风暴潮增水预测研究中。本文选取影响温州验潮站的3个台风作为研究对象,收集并建立了3个台风影响验潮站过程的129个逐时数据样本。利用新模型对温州站进行风暴潮增水预测,结果表明,该模型与BP神经网络相比克服了陷入局部最优解的缺陷,与粒子群优化的BP神经网络模型相比,提升了模型收敛速度,具有更好的预测精度及稳定性。     

基于粒子群径向基神经网络的矿井突水水源判别

以多项地下水化学组分指标作为判别因子,采用粒子群算法优化径向基函数神经网络中的参数,建立了最优结构的基于粒子群径向基函数神经网络的矿井突水水源判别模型,将此模型应用于实例分析中,并与其他方法进行了比较分析。结果表明:基于粒子群径向基函数神经网络的矿井突水水源判别模型的判别结果具有客观性和实用性,避免了权重分配等人为因素的干扰;与传统最小二乘法的RBF神经网络相比,其精度更高,优化结果更为合理,具有较强的突水水源判别能力,可为矿井突水水源判别提供了一条新途径。     

基于BAPSO-PNN神经网络算法的空气质量评价研究

针对空气质量级别的影响因子较多,存在实时性、非线性和随机变化的特点,提出一种基于频率粒子群优化概率神经网络的算法(BAPSO-PNN)来对空气质量状况进行评价。文章利用改进粒子群算法能够有效调节全局和局部搜索平衡性的优点,对PNN网络中的spread参数进行优化,从而建立BAPSO-PNN算法,并从数据分析的角度来对空气质量状况进行评价,最后与经典算法PSO-PNN的仿真结果进行对比。结果表明,BAPSO-PNN算法具有较高的评价精度、运算和收敛速度,具有较高的实际应用价值。     

神经网络与模拟退火算法结合的锅炉低NOx燃烧优化

对某600MW燃煤电站锅炉进行了多工况热态NOx排放特性测量,在利用多层前向神经网络对该锅炉的NOx排放特性进行建模的基础上,将神经网络模型与模拟退火全局优化算法相结合,实现了锅炉的低NOx燃烧的优化,计算得到可获得低NOx排放浓度的具体燃烧配风方案.文中对2种不同退火参数的模拟退火算法进行了比较,结果说明采用T0=50K,α=0.6的参数可以获得较好的寻优效果.本文研究结果为实现大型电站锅炉低NOx燃烧控制的在线优化技术打下了基础.     

基于遗传模拟退火算法的频率指配算法研究

在复杂电磁环境中进行频率指配是频谱管理中极为重要且困难的研究课题。提出了一种基于遗传模拟退火算法的频率指配算法,以基本遗传算法为基础,采用自适应的交叉概率和变异概率,将遗传操作和模拟退火操作相结合,从而克服了一般遗传算法的不足,可有效避免陷入局部最优并最终趋于全局优化。理论分析和仿真结果表明,该算法能够给整个无线电网络合理地指配频率,同时能有效地控制算法自身的收敛速度,与传统的指配算法相比,新算法在指配效果上有了很大的提高。     

基于粒子群算法的城市垃圾中转站的空间布局研究

随着城市化的进程，垃圾处理设施成为影响城市化质量的重要指标。依据人们实际所关注的垃圾处理设施的总成本和负效应两个因素，在前人研究的基础上，建立了垃圾收运多目标模型，使得总成本和负效应最优化。根据模型设计了粒子群算法，该算法属于智能算法，且精度高，收敛快，在许多领域也得到广泛应用。用设计的粒子群算法并结合案例求出了Pareto最优解，给出三种决策方案，验证了模型和算法的有效性和可行性，为决策者提供了一种理论参考。     

一种紫外-可见光谱检测水质COD预测模型优化方法

针对紫外-可见光谱法检测水质COD预测模型的精度低和收敛速度慢等问题,研究了一种基于粒子群算法联合最小二乘支持向量机(PSO_LSSVM)的水质检测COD预测模型优化方法,并引入主元分析(PCA)算法对模型输入光谱数据进行降维预处理,借以提高模型的收敛速度.结果表明,利用粒子群(PSO)算法收敛速度快和全局优化能力,优化了最小二乘支持向量机(LSSVM)模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,克服了传统LSSVM预测模型的精度较低、稳健性较差等缺点.通过以收敛时间、预测平均相对误差(MRE)和均方根误差(RMSE)为评价标准进行评估,输入样本经过PCA降维预处理的PSO_LSSVM模型的预测能力和输入样本未经过降维预处理的LSSVM模型与PSO_LSSVM模型进行了比较分析,输入样本经过PCA降维预处理的PSO_LSSVM模型预测效果最优,且此算法使用C语言实现,易于移植,这为紫外-可见光谱水质COD在线、实时性检测奠定了基础.     

GSA法在水质模型参数估值中的应用

在传统遗传算法(Genetic Algorithms,GA)基础上引入模拟退火技术(simulated Annealing,SA),提出了遗传模拟退火算法(GSA)，并将其应用到水质模型参数估值中。计算结果表明，GSA法综合了2种优化方法各自的优点，克服了传统GA容易早熟的缺点，加强了算法的收敛速度，因而具有良好的优化性能。不同的参数估值方法比较，进一步验证了新方法的有效性。     

神经网络与模拟退火算法结合的锅炉低NOx燃烧优化

对某600MW燃煤电站锅炉进行了多工况热态NO_x排放特性测量,在利用多层前向神经网络对该锅炉的NO_x排放特性进行建模的基础上,将神经网络模型与模拟退火全局优化算法相结合,实现了锅炉的低NO_x燃烧的优化,计算得到可获得低NO_x排放浓度的具体燃烧配风方案.文中对2种不同退火参数的模拟退火算法进行了比较,结果说明采用T₀=50K,α=0.6的参数可以获得较好的寻优效果.本文研究结果为实现大型电站锅炉低NO_x燃烧控制的在线优化技术打下了基础.     

基于改进FWA-NN的污水处理过程溶解氧浓度预测

为实现对污水处理过程溶解氧质量浓度的实时准确预测,提出了一种改进的混沌烟花混合优化算法并构建了基于改进算法的神经网络在线软测量模型.结合污水处理过程的数据特征,定义了一项新的样本相似度衡量指标用于提取更具代表性的建模数据.在改进算法中,为提高基本烟花算法初始成员的质量,定义了一种改进的两级正弦混沌映射并利用混沌运动的遍历性精选烟花算法的初始群成员;通过融合混沌算法改进了基本烟花算法的搜索机制,基于设定准则将寻优过程分为两阶段并采用两分群同时进行.测试结果表明改进算法的收敛速度和收敛精度有较大程度提高.将改进的软测量建模方法和样本数据提取方法用于污水处理过程溶解氧质量浓度软测量建模,应用结果表明该模型的均方根误差和平均泛化误差分别为0.0175和0.0118,具有较强的泛化性能.