全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

基于信息融合与GM的石油罐区安全监控预测模型

近年来,石油罐区安全事故发生频率呈不断上升趋势。为有效增强罐区安全监控预警系统监测数据的可靠性,并实现对事故的早期预警,基于多传感器信息融合技术和灰色模型(GM)理论,建立出石油罐区安全监控预测模型。首先,研究了基于递推最小二乘法改进的最优加权融合算法,并将其作为一级(特征级)融合模型,其次,介绍分析了灰色预测理论及GM(1,1)模型的实现过程,最后建立出基于GA-BP神经网络算法的二级(决策级)数据融合模型,并得到石油罐区安全监控预测模型。     

基于GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

基于ASM 2d的数学模型在六箱一体化工艺分析中的应用

以六箱一体化工艺为例,建立了基于ASM 2d(activated sludge process 2d,活性污泥工艺2d)的数学模型,并研究其在脱氮除磷中的应用. 在HRT(水力停留时间)为16 h的工况下,利用灵敏度分析挑选了含有7个参数的待优化参数集,通过使用遗传算法优化校正函数的方式进行校正计算,获得了校正后的六箱一体化工艺模型,并在HRT为20和24 h下对该模型做了进一步验证. 结果表明,校正后的模型对出水水质的预测性较好,在HRT为16 h下,出水ρ(COD_Cr)、ρ(TN)、ρ(TP)和ρ(NH₄+-N)的模型计算值与实测值间的绝对差值较小,分别为1.96、0.83、0.06和0.24 mg/L. 在校正后模型的基础上,详细分析了HRT为20 h时各池中ρ(NH₄+-N)、ρ(NO₃--N)和ρ(PO₄3--P)在1个周期内的动态变化,指出了影响该工艺处理效果的主要原因(如碳源不足的问题),并与通过试验分析得到的结果基本一致.      

BP神经网络和遗传算法在乳酸菌发酵参数优化中的应用

为提高短乳杆菌L2菌株γ-氨基丁酸(GABA)的产量,建立了一个反映因素与产量之间的非线性关系模型.运用Plackett-Burman设计、中心组合试验设计(CCD)对MRS培养基组成和培养条件进行了优化,筛选出4个影响发酵的关键因素:蛋白胨、葡萄糖、谷氨酸钠、初始pH.在此基础上,采用误差反向传播神经网络(BPN)和遗传算法(GA)确定了4个关键因素的适宜参数:蛋白胨21.185 g/L,葡萄糖3.857 g/L,谷氨酸钠48.948 g/L,初始pH 4.05.最终使短乳杆菌L2菌株的GABA产量达到了27.765 g/L,比原始MRS培养基的13.452 g/L提高了106.4%.研究表明利用BPN-GA方法进行发酵条件优化是一种行之有效的途径.     

基于AGA-BP神经网络的采空区危险性评价

针对采空区危险性评价的影响因素众多且关系复杂的特点,提出了基于AGA-BP神经网络算法评价采空区危险性。将岩体结构、地质构造、岩石抗压强度等13个影响因子作为神经网络输入,采空区危险性等级作为输出,建立一个采空区危险性评价的BP神经网络模型;采用自适应遗传算法(AGA)对BP网络的初始权值和阈值进行全局寻优,将寻优结果回代入网络中进行训练并预测得出采空区危险性等级;利用其它智能算法与该预测结果做出比较,以验证AGA-BP算法的有效性及优越性。结果表明:该算法的优化效果明显,同时在训练时间与预测精度上较其它智能算法有突出的优势,是一种在采空区危险性评价方面值得推广的新方法。     

基于改进遗传-单纯形混合算法的危险气体泄漏溯源分析

当发生危险气体泄漏时,确定其泄漏位置和泄漏源强,是制定应急方案的基础和依据之一。当无法直接确定泄漏位置、测量泄漏源强时,就需要通过有限的几个监测点,反演出可能的泄漏位置和泄漏源强,现有方法存在收敛过慢、初值敏感、参数过多等问题。描述一种结合改进遗传算法和单纯形法的IGA-NM混合算法,可用于快速反算气体泄漏的位置和源强。IGA-NM混合算法既避免了GA的收敛过慢,又避免了NM初值敏感,兼顾了全局优化。与GA、NM相比,IGA-NM混合算法的计算速度更快,计算误差更小。最后,应用IGA-NM混合算法,基于WebGIS设计了一套计算气体泄漏源强和位置的计算机程序,简化了输入参数,使用方便,可适用于气体泄漏应急监测、大气污染源溯源反查等场合     

考虑碳排放的危险品运输异构车辆路径问题研究

为满足危险品运输异构车辆路径问题(HVRP)的低碳需求,对易爆危险品运输过程中的总风险、总成本和总碳排放量进行最优化处理。首先,在模型构造阶段,改进总成本与总风险的度量方式,包括建立爆炸事故场景下考虑危险品装载量的风险量化模型,并设计一种用于惩罚成本计算的软时间窗函数,该函数可以优先减少装载量较大的车辆在客户处的等待时间;然后,在算法改良阶段从2方面改进非支配排序遗传算法(NSGA-Ⅱ),设计一种带有改良交叉算子的混合交叉方法来提升全局搜索效率,并通过包含2个阶段的变邻域搜索(VNS)算法来提高局部搜索能力;最后,通过算例验证模型和算法的有效性。研究结果表明：相较于原始NSGA-Ⅱ,改进的算法收敛曲线下降更快,使总成本、总风险和总碳排放量3个优化目标的平均值进一步减少3.36%、12.16%和6.96%;在车辆数目有限的车队中,承运人可以通过选择不同的车辆类型对各目标产生不同程度的影响。     

基于KPCA-GA-BP的煤矿瓦斯爆炸风险模式识别

为了能够准确识别煤矿开采中瓦斯爆炸事故的风险类别,以提升对瓦斯爆炸事故的应急防范能力,提出了一种高效准确的风险识别模型.考虑到瓦斯爆炸涉及特征指标之间并非单纯的线性关系,采取核主成分提取方法(KPCA)对涉及的煤层瓦斯含量、瓦斯涌出量、风量供需比等19种特征指标进行属性约简,从而消除信息重叠,并使用遗传算法(GA)对BP神经网络的权值和阈值进行全局寻优,避免了过拟合状况的出现,在降低模型预测损失值的同时提高模型运算准确率.采用KPCA-GA-BP模型对83组实例数据进行分析,选取其中62组数据进行训练,其余21组数据进行测试.预测结果中20组风险等级分类正确且用时较短,识别准确率为95.24％,表明模型对瓦斯爆炸灾害风险等级具有高识别精度和高效率.