模拟退火算法
复制到matlab直接能够运行,当然对于matlab的版本可能有些要求,我的是2012版本没问题。TSPLIB是一组各类TSP问题的实例集合。这里以TSPLIB中的berlin52为例进行求解。berlin52有52座城市。
遗传算法代码
复制到matlab直接能够运行,当然对于matlab的版本可能有些要求,我的是2012版本没问题。这里边包括遗传算法,实现对数据充分的拟合,直接输出误差变化过程图,可清楚的观察误差的过程。另外,对于学习遗传算法的同学可谓是在珍贵不过
基于Elman神经网络的电力负荷预测
程序直接能够运行,点击直接就能运行,当然对于matlab的版本可能有些要求,我的是2012版本没问题。对于学习极限学习机神经网络以及搞中长期预报的同学可谓是在珍贵不过
结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法
光伏阵列在局部阴影时的 P- U 曲线呈现多峰特性, 需要设计光伏多峰最大功率点跟踪方
法, 以实现光伏发电最大功率输出, 提高光伏发电效率。相比粒子群优化算法, 量子粒子群优化算
法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大
功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索; 根据光伏阵
列在局部阴影时P- U 曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压; 并根据量
子粒子群优化算法收敛时粒子自身最优位置的特点, 提出了更适合光伏多峰最大功率点跟踪的收
敛判据。仿真测试表明, 提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪, 收敛速度
更快, 避免了不收敛的问题, 且具有应对光照情况变化的能力, 提高了局部阴影时光伏发电的效率
基于改进的量子粒子群 优化小波神经网络的网络流量预测
为了改善小波神经网络( WNN) 进行流量预测的性能及避免量子粒子群算法( QPSO) 搜索后期的早熟
收敛缺陷,提出了一种改进的 QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数
并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优, 并通过搜索使用 WNN 待优化参数编码位
置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化 WNN 参数, 建立了基于改进的 QPSO
优化 WNN 的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证, 证明了该方法
的可用性。实验结果表明,该方法的预测精度优于 WNN 和 QPSO-WNN 方法
改进量子粒子群算法的模糊神经网络水质评价
传统的粒子群算法训练神经网络的水质评价模型有学习速度慢, 容易陷入局部最优和精确性不高的缺点。
为了克服模型的缺点, 提出了利用改进的自适应量子粒子群算法训练 T-S模糊神经网络的新模型, 新的自适应量子
粒子群算法通过在算法中引入聚集度的概念, 使得算法可以在迭代中自适应地调整收缩扩张系数, 让算法更具动态
自适应性。新的模型结合了量子粒子群算法和 T-S模糊神经网络的优点, 提高了模型的泛化能力。通过对东江湖流
域站点 2002到 2013年的水文数据进行实验, 结果显示, 该模型比其他神经网络模型的评价结果具有更高的效率, 适
合被用于日常水质评价工作
基于小波包变换及 RBF 神经网络的 继电器寿命预测
继电器的性能参数时序值为非平稳时间序列,为了对其工作寿命进行准确预测,本文
对小波包变换原理进行了改进,利用改进的小波包变换将具有非平稳特征的继电器超程时间径流
序列进行分解,使其平稳项和随机项分离,对平稳项采用传统的 AR 模型进行预测,对于随机项
则建立基于相空间重构的 RBF(径向基函数)神经网络预测模型进行预测,最后通过小波包重构
方法对两种模型预测结果进行重构,实现对原始非平稳径流序列的预测。该方法通过实例验证具
有较高的精度,是一种可行的方法
基于改进PSO 优化 RBF神经网络的 温室温度预测研究
论文以温室内外的气象数据为输入量, 以温室内温湿度等气象因子为输出量, 使用改进 PSO 算法优化的 RBF
神经网络构建温室内环境温湿度的预测模型。通过实验对预测模型进行仿真测试与性能评估, 验证该方法的可行性和有效
性。该模型数据获取方便、 所需参数少、 模拟精度高, 为温室内极端温度的预测、 调控和管理优化提供了科学依据
基于 PSO 优化 RBF 神经网络的溶解氧预测算法研究
溶解氧浓度是渔业养殖水质安全的重要指标, 也是影响养殖水产品健康的关键因
素,对其进行实时监测和预测具有重要意义。 溶解氧受环境中pH值等参数影响,针对溶解
氧的变化情况该文采用MI_PSO_RBF(互信息_粒子群_RBF神经网络)算法对渔业养殖环
境溶解氧含量进行预测,首先采用互信息理论MI降低两个随机变量统计的相关性;然后采
用径向基函数RBF神经网络算法对渔业养殖水环境中溶解氧变化趋势进行预测;最后采用
粒子群算法PSO对RBF神经网络的模型参数进行优化,并利用该模型对渔业养殖溶解氧变
化趋势进行预测。 经实验验证表明,多参数远程监测系统稳定性好,基于MI_PSO_RBF的
溶解氧预测算法预测效果良好,为渔业养殖提供了良好的参考价值
基于PF-RBF神经网络的短期风电功率预测
为了提高风电功率的预测精度, 研究了一种基于粒子滤波( P F) 与径向基函数( RBF)
神经网络相结合的风电功率预测方法。使用 P F算法对历史风速数据进行滤波处理, 将处理后的风
速数据结合风向、 温度的历史数据, 归一化后构成风电功率预测模型的新的输入数据; 利用处理后
的新的输入数据和输出数据, 建立 P F-RBF神经网络预测模型, 预测风电场的输出功率。仿真结果
表明, 使用该预测模型进行风电功率预测, 预测精度有一定的提高, 连续1 20h功率预测的平均绝对
百分误差达到8.04%, 均方根误差达到10.67%
基于 PCA-RBF 网络的学生写作成绩预测模型
为进一步提高学生英语写作成绩预测准确率,提出一种基于主成分分析( PCA) 和径向基函数( RBF) 神经网络相结
合的写作成绩预测模型。先用主成分分析对所建立的学生写作评价体系作数据降维处理, 提取前 5 个主成分, 再将这些
主成分作为 RBF 神经网络的输入,构建 3 层 RBF 神经网络预测模型。实验结果表明,与单一的 RBF 神经网络和 BP 神经
网络相比,PCA-RBF 预测模型的结构简单,收敛速度快,预测准确率高,泛化能力强,验证了本文提出模型的有效性
基于 PCA - RBF 神经网络的混凝土坝 位移趋势性预测模型
为了提高混凝土坝位移趋势的预测精度, 提出了一种基于主成分分析( PCA) 和径向基( RBF)
神经网络的混凝土坝位移趋势性预测模型( PCA - RBF) 。首先, 利用主成分分析, 将混凝土坝多测点
的径向位移监测数据降维, 消除影响分量数据集的多重相关性, 分别提取出主元位移和主元影响分
量。然后, 把主元位移和主元影响分量输入径向基神经网络并构建模型, 对提取出的主元位移进行预
测。最后, 将本法应用于某混凝土坝, 结果表明, PCA - RBF 模型的均方根误差( RMSE) , 平均绝对
误差( MAE) 和平均绝对百分比误差( MAPE) 分别为 2. 037 8 mm, 1. 698 6 mm 和 3. 32% , 显著低于传
统的多元回归统计模型、径向基神经网络模型( RBF) 和利用经主成分分析进行因子处理的 BP 神经网
络模型( PCA - BP) , 说明 PCA - RBF 模型有着良好的预测精度
基于 GM-RBF 神经网络的光伏发电功率预测
为了提高光伏发电功率预测的精度,本文在结合灰色预测算法(GM)与神经络预测算法优点的基础上,提出一
种基于灰色径向基函数(Radical Basis Function, RBF)和神经网络光伏发电功率预测模型。 该预测模型综合了灰色预
测算法所需历史数据少以及 RBF 神经网络预测算法自学习能力强的优点。 最后,运用南昌地区夏季和冬季晴天、阴
天、雨天光伏发电历史数据在 MATLAB 应用平台编程实现对 GM-RBF 神经网络预测模型的预测精度进行验证,得出
基于 GM-RBF 神经网络光伏发电预测模型在夏季晴天预测误差为 6.495%、夏季阴天预测误差为 12.146%、夏季雨天
预测误差为 21.531%、冬季晴天预测误差为 8.457%、冬季阴天预测误差 14.379%、冬季雨 天预 测 误 差为 18.495%,其
预测精度均高于灰色预测算法和 RBF 神经网络预测算法
基于 GGAP-RBF神经网络的多参数纯电动客车蓄电池荷电状态预测
为了准确预测纯电动客车蓄电池的荷电状态( SOC), 提出了基于广义生长剪枝径向基函数
( GGAP-RBF) 神经网络的多参数纯电动客车蓄电池 SOC 预测模型。首先以蓄电池端电压、 放电
电流、 环境温度和循环次数作为神经网络输入参数建立 GGAP-RBF 神经网络蓄电池 SOC 预测模
型, 然后以不同放电倍率、 环境温度和循环次数的蓄电池放电试验数据作为样本对模型进行训练,
并建立了蓄电池仿真模型和纯电动客车整车仿真模型, 最后进行了城市道路循环行驶工况( UDDS
工况) 下单体蓄电池放电试验和纯电动客车40km·h -1等速行驶续驶里程试验研究。结果表明:
UDDS工况下, SOC 预测值与试验值的均方根误差为0.0264, 平均绝对误差为0.0206; 纯电动客
车40km·h -1等速行驶工况下, SOC 预测值与试验值的均方根误差为0.0399, 平均绝对误差为
0.0313; 表明所建立的蓄电池SOC 预测模型在各种工况下均能精确预测蓄电池SOC
改进人工蜂群算法优化 RBF神经网络的短时交通流预测
为了提高径向基函数 RBF神经网络预测模型对短时交通流的预测准确性, 提出了一种基于
改进人工蜂群算法优化 RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定 RBF 网络隐
含层的中心值以及隐含层单元数, 然后训练改进的人工蜂群算法 RBF 神经网络预测模型, 并将其应用到
某城市4天的短时交通流量数据的验证。将实验结果与传统 RBF 神经网络预测模型、 BP 神经网络预测
模型和小波神经网络预测模型进行了比较。对比结果表明, 该方法对短时交通流具有更高的预测准确性
基于 GAPSO- LSSVM 的蓄电池剩余容量联合检测算法
铅酸蓄电池应用广泛,准确检测其剩余容量是电池管理系统中的重要一环。 提出将蓄电池开路电压、温度和内阻
三个状态指标作为联合检测量,结合基于 GAPSO- LSSVM 算法对剩余容量进行检测。 在 LSSVM 算法中引入 PSO 算
法对其惩罚参数和核函数参数进行寻优,避免人为因素干扰,提高了精度。 然后再引入 GA 算法,解决了 PSO 算法易局
部收敛的问题,进一步提升了精度。 最后,MATLAB 仿真验证了基于 GAPSO- LSSVM 的联合检测算法在蓄电池剩余容
量的检测方面效果良好,平均误差百分比可以控制在 3%以内,具有极大的实际应用意义。
基于遗传算法优化神经网络的 SCR 催化剂失效预测
该文使用神经网络结合遗传算法编制计算软件来实现
选择性催化还原技(selective catalytic reduction,SCR)催化剂
的失效预测功能,并在此基础上制定催化剂清洗再生流程。
以 49 份运行环境不同的 SCR 催化剂为研究对象,使用灰色
关联度分析法对原始数据进行预处理,最终确定以燃料钾含
量等 7 个变量作为网络输入,以催化剂的相对活性作为网络
输出。在 Matlab 环境下编程,构建按误差逆传播算法训练
的多层前馈网络(back propagation,BP)神经网络。之后,针
对 BP 神经网络结构上的缺陷,进行基于遗传算法优化的神
经网络建模研究。结果表明,遗传算法优化后的 BP 网络
(back propagation ggenetic algorithm, GABP)预测精度和数据
拟合能力均有所提高。最后,该文总结出一种较为完善的催
化剂清洗再生流程。本软件可有效指导工业应用中煤种、
SCR 催化剂以及催化剂中毒后的清洗再生技术路线的选型
基于数据驱动的短期风电出力预估–校正预测模型
提高风电出力的预测精度可降低含高渗透率风电电力
系统调度、优化、规划等策略的保守性和控制策略的复杂性。
该文在分析风电出力历史数据与气象因素关系的基础上,建
立了基于风电出力数据驱动的短期风电功率预估–校正预测
模型。采用具有较高精度的小波神经网络预测模型实现预估
环节,以自适应动态规划作为附加优化结构,利用风电出力
实测数据及时更新预估模型中的参数,实现校正环节,使得
预估模型能够适应风机在额定风速以下运行区域内多变的
运行点。
GA优化BP神经网络电力负荷预测matlab程序
我的是2012版本没问题。这里边包括神经网络以及遗传算法,实现对数据充分的拟合,直接输出误差变化过程图,可清楚的观察误差的过程。另外,对于搞中长期预报的同学可谓是在珍贵不过
小波神经网络MATLAB程序
当然对于matlab的版本可能有些要求,我的是2012版本没问题。这里边包括小波分析实现对数据充分的拟合,直接输出误差变化过程图,可清楚的观察误差的过程。
遗传算法优化小波神经网络程序matlab
程序直接能够运行,当然对于matlab的版本可能有些要求,我的是2012版本没问题。这里边包括小波分析、神经网络以及遗传算法,实现对数据充分的拟合,直接输出误差变化过程图,可清楚的观察误差的过程。
改进粒子群优化rbf神经网络
针 对 网 络 安 全 态 势 预 测 , 为 了 提 高 预 测 精 度 和预 测 算 法 的 收 敛速 度 , 采 用 一 种 改 进 的 粒子 群 算 法来 优 化径 向 基 函 数神 经 网 络 。 首 先 , P SO 的 惯性 权 重 因 子 按 一 条 开 口 向 左 的 抛 物 线 递 减 ,
在 保证 全局 寻优 的 同 时 又 增 强 了 局 部搜 索 能 力 ; 其 次 , 通过 权 重 因 子 的 调 节 自 动 寻 优 , 并 将搜 寻到 的 全局 最优 值 解 码 成 R B F 的 网 络参 数 ; 最 后 , 通 过 优 化 的 R BF 网 络进 行 网 络 安 全 态 势 预 测 。 仿 真 实 验 表,改进 后 的 算 法 能较 准 确 地 预测 网 络 安 全 态 势 。 与 BP 算 法 和 R BF 算 法相 比 , 本 文 算 法在预 测 精度 上有所提 高 , 同 时 收敛 速度 加快 , 能 达到 更 好 的 预 测 效果 。