CN110245400B - 一种锅炉燃烧系统氧量对象模型的辨识方法 - Google Patents

一种锅炉燃烧系统氧量对象模型的辨识方法 Download PDF

Info

Publication number
CN110245400B
CN110245400B CN201910464745.6A CN201910464745A CN110245400B CN 110245400 B CN110245400 B CN 110245400B CN 201910464745 A CN201910464745 A CN 201910464745A CN 110245400 B CN110245400 B CN 110245400B
Authority
CN
China
Prior art keywords
frog
object model
oxygen
leaping algorithm
oxygen content
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.)
Active
Application number
CN201910464745.6A
Other languages
English (en)
Other versions
CN110245400A (zh
Inventor
孙宇贞
黄晓筱
郭皓文
彭道刚
李帅
唐毅伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201910464745.6A priority Critical patent/CN110245400B/zh
Publication of CN110245400A publication Critical patent/CN110245400A/zh
Application granted granted Critical
Publication of CN110245400B publication Critical patent/CN110245400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种锅炉燃烧系统氧量对象模型的辨识方法，包括以下步骤：S1、在基本混合蛙跳算法的种群初始化时用混沌初始化代替随机初始化，并引入局部变异高斯因子对局部搜索策略进行改进，得到改进的混合蛙跳算法；S2、采集火电厂锅炉燃烧系统的实际运行数据，选取其中一段含氧量明显变化的数据段作为样本数据；S3、利用改进的混合蛙跳算法通过样本数据对氧量对象模型进行辨识，得到辨识结果。与现有技术相比，本发明引入混沌初始化和局部变异因子来改进基本混合蛙跳算法，局部搜索的速度更快，能够有效地避免陷入局部最优，全局收敛速度更快，稳定性更好，整体的辨识效果更好。

Description

一种锅炉燃烧系统氧量对象模型的辨识方法
技术领域
本发明涉及系统辨识技术领域，尤其是涉及一种锅炉燃烧系统氧量对象模型的辨识方法。
背景技术
随着大容量、高参数的火电机组的不断发展，锅炉系统的安全运行变得越来越重要。其中锅炉燃烧系统作为火电机组的心脏，其重要性更是不言而喻，建立精准的燃烧过程模型是实现热工控制系统最优化的一个保障。锅炉系统建模的研究分为机理建模和测试建模，虽然机理建模的模型有很强的适应性，但在工业领域中研究对象通常很复杂，内部机理模糊不清。考虑到实际对象的特点及模型的精确性，基于智能算法的测试建模越来越普及。
混合蛙跳算法(Shuffled Frog Leaping Algorithm，简称SFLA)是一种模拟青蛙群体觅食行为的全新的启发式群体进化算法，该算法具有较强的全局信息和交互能力。自提出来在车间调度、最优化问题、电网规划等方面得到了广泛的应用，但混合蛙跳算法易早熟、易陷入局部最优。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种锅炉燃烧系统氧量对象模型的辨识方法。
本发明的目的可以通过以下技术方案来实现：
一种锅炉燃烧系统氧量对象模型的辨识方法，包括以下步骤：
S1、在混合蛙跳算法的种群初始化时用混沌初始化代替随机初始化，并引入局部变异高斯因子对局部搜索策略进行改进，得到改进的混合蛙跳算法；
S2、采集火电厂锅炉燃烧系统的实际运行数据作为样本数据；
S3、利用改进的混合蛙跳算法通过样本数据对氧量对象模型进行辨识，得到辨识结果。
优选的，所述步骤S1具体包括：
S11、利用Logistic方程产生混沌序列，生产初始蛙群；
S12、划分蛙群模因组，并更新模因组中性能最差的青蛙Xw；
S13、利用引入高斯变异因子的最差青蛙个体的更新公式更新Xw，得到更新后的青蛙Xw′；
S14、如果更新后的青蛙性能优于Xw，则直接替代Xw，否则执行选择操作：先用全局性能最优的青蛙代替每个模因组中性能最优的青蛙继续执行最差青蛙个体的更新公式，如果更新后Xw的性能仍没有改进，则随机产生一只青蛙代替Xw；
S15、当完成一次全局搜索后，将所有青蛙重新混合排序，返回执行步骤S12，如此反复直到满足收敛条件。
优选的，所述Logistic方程为：
Figure BDA0002079094760000021
其中，Sk表示0-1间的随机数，μ表示大于0的常数，μ＝4时产生混沌序列，max表示某种群的总个数。
优选的，所述引入高斯变异因子的最差青蛙个体的更新公式为：
S＝r·(Xb-Xw)·G(0,1)
其中，Xb表示每个模因组中性能最优的青蛙，r表示0-1间的随机数，G(0,1)表示高斯随机数。
更新后的青蛙为：
Xw′＝Xw+S,||S||≤Smax
其中，Smax表示最大更新步长，S表示每次更新步长。
优选的，所述对氧量对象模型进行辨识过程中的适应度函数采用误差指标函数Q：
Figure BDA0002079094760000022
其中，N表示取样总点数，y1i表示仿真对象输出，yi表示模型输出。
优选的，所述氧量对象模型的输入量包括总送风量和总燃煤量，输出量包括尾部烟气含氧量。
优选的，所述氧量对象模型的传递函数包括总送风量对尾部烟气含氧量的传递函数W1和总燃煤量对尾部烟气含氧量的传递函数W2：
Figure BDA0002079094760000031
Figure BDA0002079094760000032
其中，T1、T2分别表示W1和W2的系统惯性时间常数，n1、n2分别表示W1和W2的惯性部分的阶次，k1、k2分别表示W1和W2的系统增益，τ1、τ2分别表示W1和W2的纯迟延时间常数。
优选的，所述锅炉燃煤系统为三输入双输出系统，输入量为送风量、引风量和燃煤量，输出量为炉膛压力和尾部烟气含氧量。
与现有技术相比，本发明利用改进的混合蛙跳算法对氧量对象模型进行辨识，改进后的混合蛙跳算法在同等种群规模下，初始化种群有更好的遍历性，增加了种群的多样性；局部搜索的速度更快，能够有效地避免陷入局部最优；全局收敛速度更快，稳定性更好；相比基本混合蛙跳算法，基于改进混合蛙跳算法的氧量对象模型的曲线拟合程度更高，整体的辨识效果更好，有较好的实用性。
附图说明
图1为发明中的改进混合蛙跳算法流程图；
图2为氧量对象辨识系统的模型结构图；
图3为大型锅炉燃煤系统工艺流程示意图；
图4为某1000MW火电机组运行数据的零初始化处理后的总送风量运行曲线图；
图5为某1000MW火电机组运行数据的零初始化处理后的总燃煤量运行曲线图；
图6为某1000MW火电机组运行数据的零初始化处理后的尾部烟气含氧量运行曲线图；
图7为基本混合蛙跳算法和改进的混合蛙跳算法的收敛曲线对比图；
图8为基本混合蛙跳算法和改进的混合蛙跳算法下的辨识结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本申请提出一种锅炉燃烧系统氧量对象模型的辨识方法，包括以下步骤：
S1、在混合蛙跳算法的种群初始化时用混沌初始化代替随机初始化，并引入局部变异高斯因子对局部搜索策略进行改进，得到改进的混合蛙跳算法，如图1所示；
S2、采集火电厂锅炉燃烧系统的实际运行数据作为样本数据；
S3、利用改进的混合蛙跳算法通过样本数据对氧量对象模型进行辨识，得到辨识结果。
步骤S1具体包括：
S11、利用Logistic方程产生混沌序列，生产初始蛙群，Logistic方程为：
Figure BDA0002079094760000041
其中，Sk表示0-1间的随机数，μ表示大于0的常数，max表示某种群的总个数；μ＝4时，控制系统呈现完全混沌状态，初值S0可取为0.3；
S12、划分蛙群模因组，并更新模因组中性能最差的青蛙Xw；
S13、利用引入高斯变异因子的最差青蛙个体的更新公式S＝r·(Xb-Xw)·G(0,1)更新Xw，其中，Xb表示每个模因组中性能最优的青蛙，G(0,1)表示高斯随机数，得到更新后的青蛙Xw′为：
Xw′＝Xw+S,||S||≤Smax，
其中，Smax表示最大更新步长，S表示每次更新步长；
S14、如果更新后的青蛙性能优于Xw，则直接替代Xw，否则执行选择操作：先用全局性能最优的青蛙Xg代替每个模因组中性能最优的青蛙Xb继续执行最差青蛙个体的更新公式，如果更新后Xw的性能仍没有改进，则随机产生一只青蛙代替Xw；
S15、当完成一次全局搜索后，将所有青蛙重新混合排序，返回执行步骤S12，如此反复直到满足收敛条件。
一般火电厂锅炉燃烧系统的氧量对象模型是两输入单输出的模型，如图2所示，主要的控制量为总送风量和总燃煤量，被控量为尾部烟气含氧量。分析锅炉运行特性可知，总送风量和总燃煤量变化使得尾部烟气含氧量发生了较大变化，因此这两个通道的传递函数互不相关，分别设为W1和W2。送风量和燃煤量引起尾部烟气含氧量变化的过程是一个有自平衡、有惯性和纯滞后的过程，所以氧量对象模型的传递函数为：
Figure BDA0002079094760000051
Figure BDA0002079094760000052
其中，T1、T2分别表示W1和W2的系统惯性时间常数，n1、n2分别表示W1和W2的惯性部分的阶次，k1、k2分别表示W1和W2的系统增益，τ1、τ2分别表示W1和W2的纯迟延时间常数。
对氧量对象模型进行辨识过程中的适应度函数采用误差指标函数Q：
Figure BDA0002079094760000053
其中，N表示取样总点数，y1i表示仿真对象输出，yi表示模型输出。
本实施例中，以某1000MW火电机组锅炉燃烧系统为具体实施例来验证本方法的有效性。其锅炉燃烧系统的氧量对象模型当做被控对象，输出量为尾部烟气含氧量，输入量为总送风量和总燃煤量。
如图3所示，为大型燃煤机组锅炉燃烧系统的工艺流程。其中总送风量、总引风量和总燃煤量是该系统的主要控制量。炉膛压力、尾部烟气含氧量是该系统的主要被控量。该锅炉燃煤系统可以认为是三输入双输出系统，送风量和引风量影响炉膛压力，送风量和燃煤量影响尾部烟气含氧量。
在步骤S2采集数据中选取其中一段含氧量明显变化的数据段，得到总送风量、总燃煤量及尾部烟气含氧量的部分原初始数据经过零初始化后的响应曲线分别如图4、5、6所示。分析锅炉运行特性可知，总送风量和总燃煤量变化使得尾部烟气含氧量发生了较大变化，因此这两个通道的传递函数互不相关，从总送风量和总燃煤量的变化曲线可以看出，总送风量和总燃料量变化互不相关，因此可以用这段数据辨识总送风量和总燃料量分别对应空气预热器进口氧量的传递函数。
本实施例中，利用改进后的混合蛙跳算法(igsfla)和未改进的混合蛙跳算法(sfla)对氧量对象模型进行辨识，具体过程包括：
首先，在模型辨识前先对两种算法的收敛能力做个比较，并绘制两种算法的收敛曲线对比图。相关参数设置如下：种群分组数m＝30，每组青蛙个数n＝15，组内迭代Nemax＝15，全局迭代MAXGEN＝80。
比较两种算法的寻优能力和收敛情况。两种算法的收敛曲线对比情况如图7所示，虽然基本混合蛙跳算法刚开始的目标函数值比较小，但其寻优能力比较差。从图7可以看出，基本混合蛙跳算法在搜索过程中陷入了局部最优，大概在10代左右时陷入局部最优，并一直在局部最优值附近搜索，最终的全局最优值大概为0.8744。相比之下，改进的混合蛙跳算法的寻优能力比较强，避免了陷入局部最优这种情况，搜索结束后其全局最优值大约为0.6240。而且改进的混合蛙跳算法的收敛速度更快，大约在44代左右达到收敛，基本混合蛙跳算法大约在75代左右达到收敛。
因此总体来讲改进的混合蛙跳算法在收敛速度和寻优能力上都有所改善，能够有效减缓陷入局部最优解的状况，具有较好的全局寻优能力。
最后利用改进后的混合蛙跳算法和未改进的混合蛙跳算法对氧量对象模型进行辨识，并绘制两种算法的收敛曲线和辨识曲线对比图。本实施例中，用MATLAB语言实现整个辨识过程。
利用本申请提出的改进混合蛙跳算法对辨识模型中的参数T1、T2、n1、n2、τ1、τ2进行寻优。从图4～6中可以看到，总风量的最大变化量大约为350t/h，总燃煤量的最大变化量大约为70t/h，尾部烟气含氧量的最大变化量大约为0.6％，因此可以确定k1、k2的取值范围。分析可知燃烧后的尾部烟气进入空气预热器是一个较长的过程，主要是因为总送风量和总燃煤量需要进入炉膛燃烧才能产生尾部烟气，所以这一过程的惯性时间常数在100s的数量级上。而且高阶自平衡对象的模型阶次一般为二至五阶，由此确定辨识参数T1、T2、n1、n2、τ1、τ2的取值范围。
得到改进混合蛙跳算法的传递函数分别为：
Figure BDA0002079094760000061
Figure BDA0002079094760000062
得到混合蛙跳算法的传递函数分别为：
Figure BDA0002079094760000071
Figure BDA0002079094760000072
图8为改进混合蛙跳算法和混合蛙跳算法辨识结果对比曲线图。本实施例采用采用均方差σ和确定系数R-square来衡量传递函数模型和仿真对象的拟合程度，从而评价两种算法的辨识效果。均方差可表示为：
Figure BDA0002079094760000073
σ越小表示拟合程度越高。确定系数R-square＝SSR/SST，其中SSR表示辨识输出数据和实际输出数据均值之差的平方和，SST表示实际输出数据和其均值之差的平方和。确定系数越接近1，说明模型对数据拟合程度越高。
其中改进的混合蛙跳算法辨识的均方差为σ＝0.03786，确定系数R-square＝0.95324。基本混合蛙跳算法辨识的均方差为σ＝0.06425，确定系数R-square＝0.74418。总送风量和总燃煤量在原来基础上减少时，尾部烟气含氧量短时间内处于上升状态是因为原有燃煤还在充分燃烧，几分钟后含氧量迅速下降是因为风煤比的变化导致锅炉内燃烧原料不充足，燃烧过程受限，尾部烟气含氧量相应降低。相应地从图8可以看出，整个辨识曲线的变化趋势符合实际分析趋势。而且改进的混合蛙跳算法能够有效避免陷入局部最优搜索的情况，全局寻优能力更强、寻优精度更高。从以上几方面均可以得出改进的混合蛙跳算法明显比混合蛙跳算法的辨识效果好。

Claims (4)

1.一种锅炉燃烧系统氧量对象模型的辨识方法，其特征在于，包括以下步骤：
S1、在混合蛙跳算法的种群初始化时用混沌初始化代替随机初始化，并引入局部变异高斯因子对局部搜索策略进行改进，得到改进的混合蛙跳算法，具体包括以下子步骤：
S11、利用Logistic方程产生混沌序列，生产初始蛙群；
S12、划分蛙群模因组，并更新模因组中性能最差的青蛙Xw；
S13、利用引入高斯变异因子的最差青蛙个体的更新公式更新Xw，得到更新后的青蛙Xw′，具体为：
引入高斯变异因子的最差青蛙个体的更新公式为：
S＝r·(Xb-Xw)·G(0,1)
其中，Xb表示每个模因组中性能最优的青蛙，r表示0-1间的随机数，G(0,1)表示高斯随机数；
更新后的青蛙为：
Xw′＝Xw+S,||S||≤Smax
其中，Smax表示最大更新步长，S表示每次更新步长；
S14、如果更新后的青蛙性能优于Xw，则直接替代Xw，否则执行选择操作：先用全局性能最优的青蛙代替每个模因组中性能最优的青蛙继续执行最差青蛙个体的更新公式，如果更新后Xw的性能仍没有改进，则随机产生一只青蛙代替Xw；
S15、当完成一次全局搜索后，将所有青蛙重新混合排序，返回执行步骤S12，如此反复直到满足收敛条件；
S2、采集火电厂锅炉燃烧系统的实际运行数据作为样本数据；
S3、利用改进的混合蛙跳算法通过样本数据对氧量对象模型进行辨识，得到辨识结果，具体为：
氧量对象模型的输入量包括总送风量和总燃煤量，输出量包括尾部烟气含氧量；氧量对象模型的传递函数包括总送风量对尾部烟气含氧量的传递函数W1和总燃煤量对尾部烟气含氧量的传递函数W2，表达式分别为：
Figure FDA0004122431670000011
Figure FDA0004122431670000021
其中，T1、T2、n1、n2、τ1、τ2为待辨识寻优的模型参数，T1、T2分别表示W1和W2的系统惯性时间常数，n1、n2分别表示W1和W2的惯性部分的阶次，k1、k2分别表示W1和W2的系统增益，τ1、τ2分别表示W1和W2的纯迟延时间常数。
2.根据权利要求1所述的一种锅炉燃烧系统氧量对象模型的辨识方法，其特征在于，所述Logistic方程为：
Figure FDA0004122431670000022
其中，Sk表示0-1间的随机数，μ表示大于0的常数，μ＝4时产生混沌序列，max表示某种群的总个数。
3.根据权利要求1所述的一种锅炉燃烧系统氧量对象模型的辨识方法，其特征在于，所述对氧量对象模型进行辨识过程中的适应度函数采用误差指标函数Q：
Figure FDA0004122431670000023
其中，N表示取样总点数，y1i表示仿真对象输出，yi表示模型输出。
4.根据权利要求1所述的一种锅炉燃烧系统氧量对象模型的辨识方法，其特征在于，所述锅炉燃煤系统为三输入双输出系统，输入量为送风量、引风量和燃煤量，输出量为炉膛压力和尾部烟气含氧量。
CN201910464745.6A 2019-05-30 2019-05-30 一种锅炉燃烧系统氧量对象模型的辨识方法 Active CN110245400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910464745.6A CN110245400B (zh) 2019-05-30 2019-05-30 一种锅炉燃烧系统氧量对象模型的辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910464745.6A CN110245400B (zh) 2019-05-30 2019-05-30 一种锅炉燃烧系统氧量对象模型的辨识方法

Publications (2)

Publication Number Publication Date
CN110245400A CN110245400A (zh) 2019-09-17
CN110245400B true CN110245400B (zh) 2023-05-02

Family

ID=67885472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910464745.6A Active CN110245400B (zh) 2019-05-30 2019-05-30 一种锅炉燃烧系统氧量对象模型的辨识方法

Country Status (1)

Country Link
CN (1) CN110245400B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111579940A (zh) * 2020-05-06 2020-08-25 国网山东省电力公司电力科学研究院 一种电弧炉建模和谐波分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007002799A1 (en) * 2005-06-29 2007-01-04 Lightspeed Logic, Inc. Methods and systems for placement
CN106445881A (zh) * 2016-09-21 2017-02-22 景德镇陶瓷大学 一种基于多层次信息反馈的多目标混合蛙跳算法
CN106502092A (zh) * 2016-10-21 2017-03-15 东南大学 一种采用改进混合粒子群算法的热工过程模型参数辨识方法
CN107633105A (zh) * 2017-07-12 2018-01-26 西北工业大学 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007002799A1 (en) * 2005-06-29 2007-01-04 Lightspeed Logic, Inc. Methods and systems for placement
CN106445881A (zh) * 2016-09-21 2017-02-22 景德镇陶瓷大学 一种基于多层次信息反馈的多目标混合蛙跳算法
CN106502092A (zh) * 2016-10-21 2017-03-15 东南大学 一种采用改进混合粒子群算法的热工过程模型参数辨识方法
CN107633105A (zh) * 2017-07-12 2018-01-26 西北工业大学 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于改进粒子群算法的热工温度模型辨识";黄伟等;《热能动力工程》;20171130;第32卷(第11期);第98-103页 *
"基于混沌优化策略的SFLA算法";张海玉等;《计算机应用研究》;20130630;第30卷(第6期);第1708-1711页 *
"基于混沌和动态变异的蛙跳算法";刘悦婷;《计算机应用与软件》;20121231;第29卷(第12期);第137-140页 *
刘悦婷."基于混沌和动态变异的蛙跳算法".《计算机应用与软件》.2012,第29卷(第12期),第137-140页. *

Also Published As

Publication number Publication date
CN110245400A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN110597070B (zh) 火电机组系统模型参数的辨识方法
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN112687349A (zh) 一种降低辛烷值损失模型的构建方法
CN105279397A (zh) 一种识别蛋白质相互作用网络中关键蛋白质的方法
CN110442974B (zh) 马蹄焰玻璃窑蓄热室性能优化方法和装置
CN106960017A (zh) 电子书分类及其训练方法、装置和设备
US20070179917A1 (en) Intelligent design optimization method and system
CN112163376A (zh) 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN114239400A (zh) 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法
Tang et al. A deep learning model for measuring oxygen content of boiler flue gas
CN110245400B (zh) 一种锅炉燃烧系统氧量对象模型的辨识方法
CN111507365A (zh) 一种基于模糊聚类的置信规则自动生成方法
CN111123232A (zh) 一种具有任务适应性的雷达个体识别系统
CN116755753A (zh) 一种基于代码语言模型的程序缺陷自动修复方法及系统
CN113049259B (zh) 台架控制系统的模糊控制方法、存储介质及设备
CN117454765A (zh) 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法
Martínez-Morales et al. Artificial neural network based on genetic algorithm for emissions prediction of a SI gasoline engine
TWI735385B (zh) 硫氧化物的預測方法與燒結工廠
CN114038513A (zh) 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端
Dhlamini et al. Condition monitoring of HV bushings in the presence of missing data using evolutionary computing
Hao et al. Evolutionary neural network-based method for constructing surrogate model with small scattered dataset and monotonicity experience
CN114417727B (zh) 一种面向二噁英检测的多目标混合优化虚拟样本生成方法
CN111860923A (zh) 基于多模型聚类集成的锅炉烟气NOx排放量预测算法
CN113722837B (zh) 根据不同工况的数据簇建立柴油车辆油耗与排放模型方法

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
GR01 Patent grant
GR01 Patent grant