基于栈式降噪自编码器的风电功率预测研究
这是一篇关于风电功率预测,异常数据识别,半监督模糊C均值,栈式降噪自编码器,蝙蝠算法,功率预测系统的论文, 主要内容为风能因其清洁安全、储量巨大、开发成本低等优点,成为最具发展前景的绿色可再生能源。然而,由于风能自身的随机性和不确定性,风机输出功率表现不稳定,给电力系统带来安全隐患和调度困难。因此,高精度风电功率预测对电网的调度计划、检修安排、经济效益和安全性都具有重要意义。本文基于华北某风场风机的实际运行数据进行研究。为了提高功率预测的准确度,对风机的原始数据做了异常数据识别处理。本文以风速-功率曲线为研究对象,引入了变点检测和改进半监督模糊C均值聚类的组合方法对风机原始数据进行异常数据识别。变点检测方法识别离散型异常数据,改进半监督模糊C均值方法识别堆积型异常数据,这种二次识别的组合方法可以有效提高异常数据识别率。并根据数据的统计特征改进了半监督模糊C均值方法,提高了算法性能。针对风电大数据的新形势,引入优化的栈式降噪自动编码器作为风电功率预测模型。传统的栈式降噪自动编码器微调阶段使用的分类器有收敛速度慢、易陷入局部最优的缺陷,提出使用极限学习机优化网络结构,提高收敛速度和泛化能力;同时,使用改进蝙蝠算法对权值参数进行寻优,有效提高了多层网络的计算速度和寻优能力。为了证明所提模型的性能,加入了与其他常用模型的对比试验,结果证明,此模型的鲁棒性、有效性和预测精度均有提升。为了满足智能电网建设的要求,提高本研究的实用性,设计并开发了一种结合所提出的异常数据识别模型和功率预测模型的风电预测系统。该系统采用了经典的Spring MVC和Hibernate等框架,保证了系统的稳定性和可维护性。在结合本文所提模型后,具有较高的预测精度,对风电场生产计划的制定和安全预防具有实际指导作用。
基于BALSTM模型的城市区域性交通流量预测研究
这是一篇关于交通流量,城市网格,LSTM,蝙蝠算法,BA＿LSTM模型,CGBA的论文, 主要内容为随着城市化进程的快速推进,城市人口激增、机动车保有量居高不下、城市污染严重、交通拥堵现象加剧等一系列问题一直困扰着城市生态文明的建设。而交通承载着一个城市的重要枢纽作用,因此,进行合理的交通流量预测,制定适宜的政策方案,提前疏导交通,对治理交通拥堵问题有着重要意义。本文就城市区域性交通流量问题,首先介绍了交通流量预测的特点及现有的几种典型的交通流量预测方法,包括ARIMA、XGboost、SVM、BPNN、RNN模型等,通过仿真实验,简要对比了下在不同的参数下各个模型的训练效果,得出神经网络模型在训练结果(RMSE)上要优于传统机器学习。结合本文实验数据集的特性,在Anaconda3软件上进行仿真实验,通过仿真实验对比得出激活函数选Relu,目标函数选MSE,北京出租车数据集优化器选取Adadelta,纽约自行车数据集优化选取SGD等参数,建立了适合于本文交通流量预测的LSTM模型。并通过仿真实验对比,得出LSTM模型在收敛速度和预测精度上都是优于传统神经网络模型。其次,使用蝙蝠算法(Bat Algorithm,BA)优化LSTM神经网络。通过BA算法调节LSTM神经网络的初始化权值和阈值,提出了BA＿LSTM算法。通过仿真实验得出,BA＿LSTM模型的复杂度要高于LSTM模型,不过从结果来看,模型的训练效果的较好的。特别地,本文针对蝙蝠算法自身的不足,提出了基于混沌理论的高斯扰动蝙蝠算法(CGBA),应用到LSTM模型的初始化权值和阈值的优化上,实验对比其收敛速度和精确度(RMSE)都要优于BA＿LSTM模型。最后,本文基于SSM框架设计并实现了城市区域性交通流量预测系统,并将本文提出的BA＿LSTM模型应用到该系统中,并将结果可视化地展示出来。本文采用的数据集是2013年1月-2016年6月年北京出租车和2014年6月-2014年10月纽约自行车共一百万余条GPS轨迹数据,并通过一种地图匹配算法将原始数据映射在城市区域网格中。本文通过仿真实验对比了传统的机器学习算法,包括ARIMA、XGboost和SVM算法,同时对比了神经网络模型,包括BPNN、CNN、RNN、LSTM、BA＿BP和PSO＿LSTM模型,验证了BA＿LSTM模型以及优化后的BA＿LSTM模型在收敛速度上和预测精确度上都有了明显的提高,更适用于城市区域性交通流量预测问题。
多无人机协同侦察任务规划器的设计与实现
这是一篇关于无人机,遗传算法,蝙蝠算法,惯性权重,Agent,负载均衡的论文, 主要内容为在现代战争中,无人机由于其作战时间长、可靠性高等优点,在战场侦察中发挥着越来越重要的作用。而单无人机由于多种限制往往难以实现对所有目标进行侦察,因此,通常采用多无人机进行协同侦察。在军事领域,规划器是验证军事规划方案的重要工具,无人机侦察目标前通常采用规划器进行模拟验证,而如何设计实现合理的多无人机协同侦察任务规划器是当前急需解决的问题。本文首先对多无人机协同侦察任务规划问题进行描述,然后对遗传算法、蚁群算法以及蝙蝠算法进行了深入分析。通过对传统蝙蝠算法增加惯性权重以进行改进,同时对解的形式采用2N维编码方式来表示。分别对遗传算法、蚁群算法和蝙蝠算法进行实验验证,并对实验结果进行了比较分析,证明了改进后的蝙蝠算法在求解多无人机协同侦察任务规划问题上的优越性,为多无人机协同侦察任务规划器提供了合理的任务规划技术。考虑到多无人机协同侦察任务规划是一种初始的理想规划,模拟实体不具备智能性,本文利用Agent技术,采用混合型Agent模型结构,对多无人机协同侦察模拟实体进行模拟实体建立,并对模拟实体增加规则描述和处理,使其具有智能性。同时,为保证计算机对规则的读取,利用XML对规则进行存储,并设计AgentMain类,所有模拟实体均对AgentMain类进行继承和修改,提高了系统的可重用性,为多无人机协同侦察任务规划器设计了智能模拟实体。最后,本文针对传统的规划器结构存在的问题,利用改进的B/S架构对多无人机协同侦察任务规划器进行设计与实现,提高了系统的安全性、可靠性,降低了系统耦合性,并提升了系统性能。同时,结合多无人机协同侦察想定的模拟场景进行模拟实验,通过实验过程和结果分析,证实本文多无人机协同侦察任务规划算法的正确性、规则的合理性以及任务规划器的可靠性。
基于改进量子粒子群算法的柔性作业车间调度研究
这是一篇关于反向学习,边界变异,量子粒子群算法,蝙蝠算法,柔性作业车间调度的论文, 主要内容为柔性作业车间调度(Flexible Job-shop Scheduling Problem,FJSP)是一种复杂的调度问题,其相对于作业车间调度(Job Shop Scheduling Problem,JSP)更贴近于生产实际,具有很高的计算难度,很多算法对该类调度问题优化时容易陷入局部最优,因此如何通过对算法的优化改进来有效地求解这种复杂的调度问题,得到优良的调度解受到越来越多的研究者们关注。在本文中,主要利用对量子粒子群(Quantum-behaved particle swarm optimization,QPSO)算法的优化改进来研究柔性作业车间中单目标和多目标的调度优化问题,并与工业生产中模具车间的调度紧密联系,具体的工作与创新之处如下:(1)针对柔性作业车间调度问题,本文不仅仅列出了理想的FJSP模型加以说明,同时依据模具加工车间的实际生产状况,列举总结出车间配置、生产流程、各工序对应各台机器的生产加工时间表以及在工业生产中常常出现的限制约束条件,和对调度方案多方面的评价目标。(2)提出了基于反向学习(Opposition-based learning,OBL)和边界变异(bounded mutation)的QPSO来求解单目标的FJSP问题。针对常常陷入早熟的问题,在QPSO的基础上首先加入反向学习策略,对当前解和反向解进行搜索,增加算法种群的多样性;再通过边界变异策略避免算法陷入边界的最优解。利用该改进算法对连续型标准函数进行测试,同时对单目标FJSP的常见算例以及某车间的柔性调度问题进行仿真求解。(3)提出了混合蝙蝠算法(Bat Algorithm,BA)的QPSO来求解多目标的FJSP问题。考虑将蝙蝠算法中发声速度的变化方式用来改变QPSO算法中的收缩扩张因子,同时利用蝙蝠算法中的随机游走策略来避免算法早熟,有效地跳出局部最优,得到全局最优解。利用该混合算法对连续型标准函数进行求解,并针对模具车间FJSP的最大完工时间,机器总负载和最大机器负载三个目标进行仿真求解。(4)研究了模具车间能耗优化调度问题。随着企业对车间能耗问题的重视,对能耗问题的优化不仅仅提高了企业的经济利益,还对环境保护有着巨大的意义。本文以模具加工车间各台机器的加工能耗为依据,利用混合量子粒子群算法以最大完工时间和能源消耗为评价目标求解该模具车间调度优化问题。通过多个仿真实验,对比验证了改进的QPSO算法在求解连续型测试函数和柔性作业车间调度问题上的有效性和优越性。
基于BALSTM模型的城市区域性交通流量预测研究
这是一篇关于交通流量,城市网格,LSTM,蝙蝠算法,BA＿LSTM模型,CGBA的论文, 主要内容为随着城市化进程的快速推进,城市人口激增、机动车保有量居高不下、城市污染严重、交通拥堵现象加剧等一系列问题一直困扰着城市生态文明的建设。而交通承载着一个城市的重要枢纽作用,因此,进行合理的交通流量预测,制定适宜的政策方案,提前疏导交通,对治理交通拥堵问题有着重要意义。本文就城市区域性交通流量问题,首先介绍了交通流量预测的特点及现有的几种典型的交通流量预测方法,包括ARIMA、XGboost、SVM、BPNN、RNN模型等,通过仿真实验,简要对比了下在不同的参数下各个模型的训练效果,得出神经网络模型在训练结果(RMSE)上要优于传统机器学习。结合本文实验数据集的特性,在Anaconda3软件上进行仿真实验,通过仿真实验对比得出激活函数选Relu,目标函数选MSE,北京出租车数据集优化器选取Adadelta,纽约自行车数据集优化选取SGD等参数,建立了适合于本文交通流量预测的LSTM模型。并通过仿真实验对比,得出LSTM模型在收敛速度和预测精度上都是优于传统神经网络模型。其次,使用蝙蝠算法(Bat Algorithm,BA)优化LSTM神经网络。通过BA算法调节LSTM神经网络的初始化权值和阈值,提出了BA＿LSTM算法。通过仿真实验得出,BA＿LSTM模型的复杂度要高于LSTM模型,不过从结果来看,模型的训练效果的较好的。特别地,本文针对蝙蝠算法自身的不足,提出了基于混沌理论的高斯扰动蝙蝠算法(CGBA),应用到LSTM模型的初始化权值和阈值的优化上,实验对比其收敛速度和精确度(RMSE)都要优于BA＿LSTM模型。最后,本文基于SSM框架设计并实现了城市区域性交通流量预测系统,并将本文提出的BA＿LSTM模型应用到该系统中,并将结果可视化地展示出来。本文采用的数据集是2013年1月-2016年6月年北京出租车和2014年6月-2014年10月纽约自行车共一百万余条GPS轨迹数据,并通过一种地图匹配算法将原始数据映射在城市区域网格中。本文通过仿真实验对比了传统的机器学习算法,包括ARIMA、XGboost和SVM算法,同时对比了神经网络模型,包括BPNN、CNN、RNN、LSTM、BA＿BP和PSO＿LSTM模型,验证了BA＿LSTM模型以及优化后的BA＿LSTM模型在收敛速度上和预测精确度上都有了明显的提高,更适用于城市区域性交通流量预测问题。
智能计算在柔性作业车间调度问题中的应用研究
这是一篇关于柔性作业车间调度问题,车间调度,蝙蝠算法,高斯变异,Lévy飞行的论文, 主要内容为随着大数据时代的到来,作为企业管理问题中的一个关键问题,生产调度在竞争激烈的环境下,它能够使生产效率得到优化,降低生产成本,使现有资源得到合理化的利用,所以受到很多关注。到现在六十多年的时间里,生产调度问题已经取得了不菲的研究成绩,它主要研究如何对现有资源进行分配。其中,我们所知的柔性作业车间调度问题,更加符合实际生产过程,同时由于实际问题求解较难,所以研究其分配问题是具有重大意义的。近年来,许多智能算法被应用到这类问题中,蝙蝠算法作为新兴智能算法,由于其模型简单,易于控制和执行等特点,也越来越多的被应用到柔性作业车间调度问题(FJSP)中。本文对车间调度问题进行了系统的研究,并提出了两种改进蝙蝠算法,然后对算法分析求解,把它进行编解码,将理论和实际相结合,从而为FJSP和有关其他技术的深入完善提供一些基础。本文将改进后的蝙蝠算法用于对FJSP的求解,并与其他已有改进算法作出比较,主要研究内容概括如下:1)研究相关文献。介绍了本文的选题背景和选题目的,并进行了文献综述;2)总结了车间调度问题和柔性作业车间调度问题国内外研究现状;3)介绍了蝙蝠算法的基本原理、算法流程,算法的应用和改进;4)改进算法。本文从实际应用问题出发对蝙蝠算法作了认真的分析和研究,在此基础上,提出了两种新的蝙蝠算法改进方法:一种改进的自适应混合型蝙蝠算法(YSBA)和带有高斯变异的Lévy飞行改进蝙蝠算法(MGBA),实验结果表明,这两种算法可以解决部分区域过分搜索的问题,避免陷入部分区域最优值,具有比较精确的计算结果值;5)建立了符合FJSP特点的数学模型,然后采用该算法对FJSP的模型进行求解,分析FJSP在制造业中的价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计客栈 ，原文地址：https://m.bishedaima.com/lunwen/51321.html
