CN109858093A - Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 - Google Patents
Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 Download PDFInfo
- Publication number
- CN109858093A CN109858093A CN201811619906.6A CN201811619906A CN109858093A CN 109858093 A CN109858093 A CN 109858093A CN 201811619906 A CN201811619906 A CN 201811619906A CN 109858093 A CN109858093 A CN 109858093A
- Authority
- CN
- China
- Prior art keywords
- population
- neural network
- svr
- individual
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013461 design Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
一种SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法，包括以下步骤：步骤1、根据设计要求进行参数选取和数据处理；步骤2、神经网络的创建、训练以及测试；步骤3、基于训练完成的SVR神经网络，利用非支配排序遗传算法对空气源热泵进行多目标优化；步骤4、通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值，从而得到各个部件的设计参数值，进而反馈给设计者。本发明提供了一种精度较高且能够快速实现对系统的COP和成本多目标优化的SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法。
Description
技术领域
本发明属于空气源热泵，涉及一种空气源热泵多目标优化设计方法。
背景技术
空气源热泵是一种利用高位能使热量从低位热源空气流向高位热源的节能装置，它吸收低温中的热量作为热能来源，通过少量电能驱动压缩机运转将蒸发器吸收的空气中的热量经换热器释放到加热对象中。空气源热泵的适应范围广，运行成本低，对环境无污染，具有良好的节能减排效果，现已广泛应用于化工、热能、制热、暖通等领域。
在热泵的设计中，气冷器的换热温差Tgc、蒸发器的换热温差Tev和气冷器的压力Pgc对热泵的压缩机功率W、制冷量Qc、压缩机进出口压力有较大的影响，进而影响热泵系统的COP和成本。由于工作状态下的能效比COP和成本是衡量空气源热泵性能优劣的重要参数，所以在空气源热泵的设计中要考虑COP和成本之间的相互关系以及各变量之间的潜在联系。传统的设计方法仅仅是通过变量对系统进行单目标的研究，无法对系统进行多目标的优化，而且也不能精确地找到运行工况，不适合对设计及相关循环的研究。
发明内容
为了克服已有的热泵模型的精度较低，耗时过长和优化目标单一的问题，本发明提供了一种精度较高且能够快速实现对系统的COP和成本多目标优化的SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法。
本发明解决其技术问题所采用的技术方案是：
一种SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法，包括以下步骤：
步骤1、根据设计要求进行参数选取和数据处理
选择气冷器换热温差Tgc、蒸发器换热温差Tev、气冷器压力pgc作为输入变量，系统COP、成本cost作为输出变量，并对输入的训练样本数据进行归一化处理，使其处于[0,1]之间，归一化公式如下：
其中k为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值；
步骤2、SVR神经网络的创建、训练以及测试，过程如下：
2.1训练神经网络。将步骤1中的数据分成训练集和测试集两个部分。
2.2根据训练集的数据进行对SVR模型原始优化问题进行求解，为简化求解过程通过拉格朗日函数转换为对偶变量的优化问题；
2.3选择惩罚参数C和高斯(RBF)核函数对上述步骤中的对偶函数进行求解，得到SVR训练模型；
2.4测试神经网络。完成所有的数据训练后，用测试集里的数据对神经网络进行测试，若训练误差符合规定的范围，则SVR神经网络模型构建完成；若不符合训练误差则返回到步骤2.3，进行下一轮的优化求解，直至符合训练误差；
2.5利用神经网络进行预测，在给定实际状态下的输入变量，所述输入变量包括气冷器换热温差、蒸发器换热温差和气冷器压力，通过训练好的SVR神经网络模型进行预测得到预测参数，所述预测参数包系统COP和成本，将系统COP和成本值进行反归一化处理得到实际值，反归一化公式为：
x＝k·(xmax-xmin)+xmin
步骤3、基于训练完成的SVR神经网络，利用非支配排序遗传算法对空气源热泵进行多目标优化；
步骤4、通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值，从而得到各个部件的设计参数值，进而反馈给设计者。
进一步，所述步骤3的过程如下：
3.1参数和种群初始化：采用实数编码的方式对种群及个体进行编码，设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm，种群规模N1根据热泵的实际情况而定，取值范围为10～100，进化次数为100～1000，交叉概率Pc的取值范围为0.25～1，变异概率Pm的取值范围为0.001～0.1；设进化代数计数器t＝0和最大进化代数G，随机生成初始父代种群2Pt；
3.2遗传算法目标函数的计算：计算种群中各个体的目标函数值，本次研究将SVR神经网络学习的输入输出的非线性关系模型中的输出作为非支配排序遗传算法的目标函数值；
3.3非支配排序和拥挤度计算：在非支配排序中，非支配序等级较高的个体优先被选择，若两个个体属于同一个非支配层，则要依据拥挤度来选择；拥挤度用来表示种群中给定个体的周围个体的密度，为了更好地取到种群中不同的个体，要选取周围较不拥挤的个体，即拥挤度较大的个体；根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的Pt个个体组成新的父代种群；
3.4交叉：将交叉算子作用于父代种群，把两个父代个体的结构进行替换重组来生成新的个体，根据给定的交叉概率Pc，如果产生的0到1之间的随机数rand(0,1)小于交叉概率Pc时，则执行交叉操作；否则不执行交叉操作；
3.5变异：将变异算子作用于群体，对于选中的个体中改变某一个或者某一些基因后得到子代种群Qt。根据给定的变异概率Pm，当产生的0至1之间的随机数rand(0,1)小于变异概率Pm时，则执行变异操作；否则不执行变异操作；
3.6选择：将交叉变异后得到的子代种群与父代种群合并为新种群Rt，依据SVR神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算，根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的个体组成新的父代种群Pt+1；
3.7计算是否满足最大进化次数。若满足最大进化次数，则计算结束；若不满足最大进化次数则重复步骤3.4～3.6，直至满足进化次数为止；计算结束后在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的Pareto解。
本发明的技术构思为：针对常规的单目标分析方法很难解决多目标优化问题，一般的模型不适用于高维度、多变量的情况。为了能够同时优化系统COP和经济性这两个对立关系的目标，我们提出了SVR神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法。
SVR(支持向量回归)是SVM(支持向量机)的独有损失函数，它从训练数据中选取一部分更加有效的支持向量，根据所选取的训练样本的值通过回归进行函数的拟合，进而达到目标值的预测。
非支配排序遗传算法是目前流行的多目标算法之一，它是在基本的遗传算法的基础上，对选择再生方法进行改进；将每个个体按照它们的支配与非支配关系进行分层，再做选择操作，相比与于NSGA计算复杂度大大降低；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。
本发明利用SVR神经网络与非支配排序遗传算法相结合的方法对目标进行优化，通过优化的目标变量值来确定各个部件的设计参数，从而得到一个优化的空气源热泵机组。该设计方法不但可以快速地建立输入输出关系模型，还能够进行多目标的综合优化，在节约时间的基础上，精确地对热泵进行优化设计。
本发明的有益效果主要表现在：本发明根据优化的目标变量值来确定各个部件的设计参数，从而得到一个优化的空气源热泵机组。SVR神经网络中的核函数能简化映射空间中的内积运算，直接在原来的低维空间中进行计算，比较准确地建立输入输出的非线性关系；非支配排序遗传算法引入了精英策略，扩大了采样空间，防止最佳个体的丢失，可以较高精度地进行多目标优化，从而得到两个优化目标相互制约下的最高系统效率和最低热泵成本。
附图说明
图1是SVR神经网络辅助的NSGA-II算法的空气源热泵多目标优化设计方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1，一种SVR神经网络辅助的NSGA-II算法的空气源热泵多目标优化设计方法，包括以下步骤：
步骤1、根据设计要求进行参数选取和数据处理
选择气冷器换热温差Tgc、蒸发器换热温差Tev、气冷器压力pgc作为输入变量，系统COP、成本cost作为输出变量，并对输入的训练样本数据进行归一化处理，使其处于[0,1]之间，训练样本数据可来自于文献或在实验中测得，归一化公式如下：
其中k为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值；
步骤2、神经网络的创建、训练以及测试，过程如下：
2.1训练神经网络。将步骤1中的数据分成训练集和测试集两个部分。
2.2根据训练集的数据进行对SVR模型原始优化问题进行求解，为简化求解过程通过拉格朗日函数转换为对偶变量的优化问题；
2.3选择惩罚参数C和高斯(RBF)核函数对上述步骤中的对偶函数进行求解，得到SVR训练模型；
2.4测试神经网络。完成所有的数据训练后，用测试集里的数据对神经网络进行测试，若训练误差符合规定的范围，则SVR神经网络模型构建完成；若不符合训练误差则返回到步骤2.3，进行下一轮的优化求解，直至符合训练误差；
2.5利用神经网络进行预测，在给定实际状态下的输入变量，所述输入变量包括气冷器换热温差、蒸发器换热温差和气冷器压力，通过训练好的SVR神经网络模型进行预测得到预测参数，所述预测参数包系统COP和成本，将系统COP和成本值进行反归一化处理得到实际值，反归一化公式为：
x＝k·(xmax-xmin)+xmin
步骤3、基于训练完成的SVR神经网络，利用非支配排序遗传算法对空气源热泵进行多目标优化；
步骤4、通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值，从而得到各个部件的设计参数值，进而反馈给设计者。
进一步，所述步骤3的过程如下：
3.1参数和种群初始化：采用实数编码的方式对种群及个体进行编码，设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm，种群规模N1根据热泵的实际情况而定，取值范围为10～100，进化次数为100～1000，交叉概率Pc的取值范围为0.25～1，变异概率Pm的取值范围为0.001～0.1；设进化代数计数器t＝0和最大进化代数G，随机生成初始父代种群2Pt；
3.2遗传算法目标函数的计算：计算种群中各个体的目标函数值，本次研究将SVR神经网络学习的输入输出的非线性关系模型中的输出作为非支配排序遗传算法的目标函数值；
3.3非支配排序和拥挤度计算：在非支配排序中，非支配序等级较高的个体优先被选择，若两个个体属于同一个非支配层，则要依据拥挤度来选择；拥挤度用来表示种群中给定个体的周围个体的密度，为了更好地取到种群中不同的个体，要选取周围较不拥挤的个体，即拥挤度较大的个体；根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的Pt个个体组成新的父代种群；
3.4交叉：将交叉算子作用于父代种群，把两个父代个体的结构进行替换重组来生成新的个体，根据给定的交叉概率Pc，如果产生的0到1之间的随机数rand(0,1)小于交叉概率Pc时，则执行交叉操作；否则不执行交叉操作；
3.5变异：将变异算子作用于群体，对于选中的个体中改变某一个或者某一些基因后得到子代种群Qt。根据给定的变异概率Pm，当产生的0至1之间的随机数rand(0,1)小于变异概率Pm时，则执行变异操作；否则不执行变异操作；
3.6选择：将交叉变异后得到的子代种群与父代种群合并为新种群Rt，依据SVR神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算，根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的个体组成新的父代种群Pt+1；
3.7计算是否满足最大进化次数。若满足最大进化次数，则计算结束；若不满足最大进化次数则重复步骤3.4～3.6，直至满足进化次数为止；计算结束后在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的Pareto解。
Claims (2)
1.一种SVR神经网络辅助的NSGA-II算法的空气源热泵多目标优化设计方法，其特征在于，所述方法包括以下步骤：
步骤1、根据设计要求进行参数选取和数据处理
选择气冷器换热温差Tgc、蒸发器换热温差Tev、气冷器压力pgc作为输入变量，系统COP、成本cost作为输出变量，并对输入的训练样本数据进行归一化处理，使其处于[0,1]之间，归一化公式如下：
其中k为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值；
步骤2、神经网络的创建、训练以及测试，过程如下：
2.1训练神经网络，将步骤1中的数据分成训练集和测试集两个部分；
2.2根据训练集的数据进行对SVR模型原始优化问题进行求解，为简化求解过程通过拉格朗日函数转换为对偶变量的优化问题；
2.3选择惩罚参数C和高斯RBF核函数对上述步骤中的对偶函数进行求解，得到SVR训练模型；
2.4测试神经网络，完成所有的数据训练后，用测试集里的数据对神经网络进行测试，若训练误差符合规定的范围，则SVR神经网络模型构建完成；若不符合训练误差则返回到步骤2.3，进行下一轮的优化求解，直至符合训练误差；
2.5利用神经网络进行预测，在给定实际状态下的输入变量，所述输入变量包括气冷器换热温差、蒸发器换热温差和气冷器压力，通过训练好的SVR神经网络模型进行预测得到预测参数，所述预测参数包系统COP和成本，将系统COP和成本值进行反归一化处理得到实际值，反归一化公式为：
x＝k·(xmax-xmin)+xmin
步骤3、基于训练完成的神经网络，利用NSGA-II遗传算法对空气源热泵进行多目标优化；
步骤4、通过上述步骤可以根据Pareto解得到最优解的输入变量的参数值，从而得到各个部件的设计参数值，进而反馈给设计者。
2.如权利要求1所述一种SVR神经网络辅助的NSGA-II算法的空气源热泵多目标优化设计方法，其特征在于：所述步骤3的过程如下：
3.1参数初始化：采用实数编码的方式对种群及个体进行编码，设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm，种群规模N1根据热泵的实际情况而定，取值范围为10～100，进化次数为100～1000，交叉概率Pc的取值范围为0.25～1，变异概率Pm的取值范围为0.001～0.1；
3.2初始化种群：设进化代数计数器t＝0和最大进化代数G，随机生成初始父代种群2Pt；
3.3计算目标函数：计算种群中各个体的目标函数值，本次研究将SVR神经网络学习的输入输出的映射关系中的输出作为NSGA-II遗传算法的目标函数值；
3.4非支配排序和拥挤度计算：在非支配排序中，非支配序等级较高的个体优先被选择，若两个个体属于同一个非支配层，则要依据拥挤度来选择；拥挤度用来表示种群中给定个体的周围个体的密度，为了更好地取到种群中不同的个体，要选取周围较不拥挤的个体，即拥挤度较大的个体；根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的Pt个个体组成新的父代种群；
3.5交叉：将交叉算子作用于父代种群，把两个父代个体的结构进行替换重组来生成新的个体，根据给定的交叉概率Pc，如果产生的0到1之间的随机数rand(0,1)小于交叉概率Pc时，则执行交叉操作；否则不执行交叉操作；
3.6变异：将变异算子作用于群体，对于选中的个体中改变某一个或者某一些基因后得到子代种群Qt。根据给定的变异概率Pm，当产生的0至1之间的随机数rand(0,1)小于变异概率Pm时，则执行变异操作；否则不执行变异操作；
3.7选择：将交叉变异后得到的子代种群与父代种群合并为新种群Rt，依据SVR神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算，根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的个体组成新的父代种群Pt+1；
3.8计算是否满足最大进化次数。若满足最大进化次数，则计算结束；若不满足最大进化次数则重复步骤3.5～3.7，直至满足进化次数为止；
3.9在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的Pareto解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811619906.6A CN109858093A (zh) | 2018-12-28 | 2018-12-28 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811619906.6A CN109858093A (zh) | 2018-12-28 | 2018-12-28 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858093A true CN109858093A (zh) | 2019-06-07 |
Family
ID=66892802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811619906.6A Pending CN109858093A (zh) | 2018-12-28 | 2018-12-28 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858093A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544011A (zh) * | 2019-07-31 | 2019-12-06 | 北京航空航天大学 | 一种智能化的体系作战效能评估和优化方法 |
| CN110889534A (zh) * | 2019-10-22 | 2020-03-17 | 江苏金陵智造研究院有限公司 | 一种基于改进nsga-ii的产品原则布置方法 |
| CN111651929A (zh) * | 2019-12-24 | 2020-09-11 | 广东海洋大学 | 一种基于Dynaform与智能算法融合的多目标优化方法 |
| CN112084596A (zh) * | 2020-09-08 | 2020-12-15 | 北京航空航天大学 | 一种层板结构参数的智能推荐系统及推荐方法 |
| CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
| CN112487723A (zh) * | 2020-12-07 | 2021-03-12 | 石家庄铁道大学 | 一种基于多参数的中水热源泵系统优化设计方法 |
| CN112883651A (zh) * | 2021-03-08 | 2021-06-01 | 电子科技大学 | 基于改进pbi方法的系统级测试性设计多目标优化方法 |
| CN113657484A (zh) * | 2021-08-13 | 2021-11-16 | 济南大学 | 水泥篦冷机典型工况划分与识别的方法 |
| CN113657033A (zh) * | 2021-08-13 | 2021-11-16 | 哈尔滨工程大学 | 一种基于模型的燃气轮机多目标优化方法 |
| CN113807015A (zh) * | 2021-09-17 | 2021-12-17 | 南方电网科学研究院有限责任公司 | 压缩空气储能系统参数优化方法、装置、设备及存储介质 |
| CN114004008A (zh) * | 2020-11-29 | 2022-02-01 | 西北工业大学 | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 |
| CN114841038A (zh) * | 2022-05-10 | 2022-08-02 | 西安交通大学 | 复杂载荷下核电站一回路管路支架布置的智能设计方法 |
| CN114861274A (zh) * | 2022-05-10 | 2022-08-05 | 合肥工业大学 | 基于eeg信号的实时交互式空间要素优化方法 |
| CN115189413A (zh) * | 2022-05-17 | 2022-10-14 | 龙岩市海德馨汽车有限公司 | 大功率集群并机/并网智能微电网的控制方法 |
| CN116976199A (zh) * | 2023-07-07 | 2023-10-31 | 同济大学 | 基于非支配多目标遗传算法的pcm-tcg光热性能优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
| CN107292406A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 基于向量回归机和遗传算法的地震属性优选方法 |
| CN107730054A (zh) * | 2017-11-15 | 2018-02-23 | 西南石油大学 | 一种基于支持向量回归的燃气负荷组合预测方法 |
-
2018
- 2018-12-28 CN CN201811619906.6A patent/CN109858093A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292406A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 基于向量回归机和遗传算法的地震属性优选方法 |
| CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
| CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
| CN107730054A (zh) * | 2017-11-15 | 2018-02-23 | 西南石油大学 | 一种基于支持向量回归的燃气负荷组合预测方法 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544011A (zh) * | 2019-07-31 | 2019-12-06 | 北京航空航天大学 | 一种智能化的体系作战效能评估和优化方法 |
| CN110544011B (zh) * | 2019-07-31 | 2023-03-24 | 北京航空航天大学 | 一种智能化的体系作战效能评估和优化方法 |
| CN110889534A (zh) * | 2019-10-22 | 2020-03-17 | 江苏金陵智造研究院有限公司 | 一种基于改进nsga-ii的产品原则布置方法 |
| CN111651929A (zh) * | 2019-12-24 | 2020-09-11 | 广东海洋大学 | 一种基于Dynaform与智能算法融合的多目标优化方法 |
| CN112084596A (zh) * | 2020-09-08 | 2020-12-15 | 北京航空航天大学 | 一种层板结构参数的智能推荐系统及推荐方法 |
| CN112084596B (zh) * | 2020-09-08 | 2021-06-15 | 北京航空航天大学 | 一种层板结构参数的智能推荐系统及推荐方法 |
| CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
| US12067079B2 (en) | 2020-09-25 | 2024-08-20 | China Institute Of Water Resources And Hydropower Research | Farmland reference crop evapotranspiration prediction method considering uncertainty of meteorological factors |
| CN112163703B (zh) * | 2020-09-25 | 2024-02-02 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
| CN114004008A (zh) * | 2020-11-29 | 2022-02-01 | 西北工业大学 | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 |
| CN112487723A (zh) * | 2020-12-07 | 2021-03-12 | 石家庄铁道大学 | 一种基于多参数的中水热源泵系统优化设计方法 |
| CN112487723B (zh) * | 2020-12-07 | 2022-08-23 | 石家庄铁道大学 | 一种基于多参数的中水热源泵系统优化设计方法 |
| CN112883651B (zh) * | 2021-03-08 | 2022-07-26 | 电子科技大学 | 基于改进pbi方法的系统级测试性设计多目标优化方法 |
| CN112883651A (zh) * | 2021-03-08 | 2021-06-01 | 电子科技大学 | 基于改进pbi方法的系统级测试性设计多目标优化方法 |
| CN113657484A (zh) * | 2021-08-13 | 2021-11-16 | 济南大学 | 水泥篦冷机典型工况划分与识别的方法 |
| CN113657033A (zh) * | 2021-08-13 | 2021-11-16 | 哈尔滨工程大学 | 一种基于模型的燃气轮机多目标优化方法 |
| CN113657033B (zh) * | 2021-08-13 | 2023-07-28 | 哈尔滨工程大学 | 一种基于模型的燃气轮机多目标优化方法 |
| CN113657484B (zh) * | 2021-08-13 | 2024-02-09 | 济南大学 | 水泥篦冷机典型工况划分与识别的方法 |
| CN113807015A (zh) * | 2021-09-17 | 2021-12-17 | 南方电网科学研究院有限责任公司 | 压缩空气储能系统参数优化方法、装置、设备及存储介质 |
| CN113807015B (zh) * | 2021-09-17 | 2023-12-26 | 南方电网科学研究院有限责任公司 | 压缩空气储能系统参数优化方法、装置、设备及存储介质 |
| CN114841038A (zh) * | 2022-05-10 | 2022-08-02 | 西安交通大学 | 复杂载荷下核电站一回路管路支架布置的智能设计方法 |
| CN114841038B (zh) * | 2022-05-10 | 2024-04-12 | 西安交通大学 | 复杂载荷下核电站一回路管路支架布置的智能设计方法 |
| CN114861274A (zh) * | 2022-05-10 | 2022-08-05 | 合肥工业大学 | 基于eeg信号的实时交互式空间要素优化方法 |
| CN115189413A (zh) * | 2022-05-17 | 2022-10-14 | 龙岩市海德馨汽车有限公司 | 大功率集群并机/并网智能微电网的控制方法 |
| CN115189413B (zh) * | 2022-05-17 | 2023-05-23 | 龙岩市海德馨汽车有限公司 | 大功率集群并机/并网智能微电网的控制方法 |
| CN116976199A (zh) * | 2023-07-07 | 2023-10-31 | 同济大学 | 基于非支配多目标遗传算法的pcm-tcg光热性能优化方法 |
| CN116976199B (zh) * | 2023-07-07 | 2024-03-29 | 同济大学 | 基于非支配多目标遗传算法的pcm-tcg光热性能优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858093A (zh) | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 | |
| CN109598092A (zh) | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 | |
| CN109634121A (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
| CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
| CN109886448A (zh) | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 | |
| CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| CN100582262C (zh) | 铜闪速熔炼操作参数优化方法 | |
| CN108053069A (zh) | 一种适用于多目标优化场景的综合能源系统运行调度方法 | |
| CN107748693A (zh) | 云计算环境下的群组虚拟机调度策略 | |
| CN113255211B (zh) | 基于bp神经网络与多目标优化的orc工质筛选方法 | |
| CN105024645B (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
| CN110232481A (zh) | 基于mqpso的天然气管网多目标优化调度方法 | |
| Safder et al. | Multi-scale smart management of integrated energy systems, Part 2: Weighted multi-objective optimization, multi-criteria decision making, and multi-scale management (3M) methodology | |
| CN107466016A (zh) | 一种基于用户移动性的小小区缓存设备分配算法 | |
| CN103699812B (zh) | 基于遗传算法的植物品种真实性鉴定位点筛选方法 | |
| CN105117326A (zh) | 一种基于组合混沌序列的测试用例集生成方法 | |
| CN106651628A (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
| CN108629478A (zh) | 一种基于模拟退火粒子群混合算法的服装剪裁分床方法 | |
| CN107994574A (zh) | 面向新能源消纳的集中式温控负荷侧需求响应的决策方法 | |
| Bryden et al. | Optimization of heat transfer utilizing graph based evolutionary algorithms | |
| Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
| CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
| CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
| CN112001639B (zh) | 综合能源系统能源需求的可调能力评估方法及存储介质 | |
| Yang et al. | Dynamic Population Structures-Based Differential Evolution Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |