CN110309610A - 一种基于改进遗传算法的粮食库温度场重构方法 - Google Patents
一种基于改进遗传算法的粮食库温度场重构方法 Download PDFInfo
- Publication number
- CN110309610A CN110309610A CN201910607805.5A CN201910607805A CN110309610A CN 110309610 A CN110309610 A CN 110309610A CN 201910607805 A CN201910607805 A CN 201910607805A CN 110309610 A CN110309610 A CN 110309610A
- Authority
- CN
- China
- Prior art keywords
- temperature
- individual
- heat source
- provision store
- measuring point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 235000013339 cereals Nutrition 0.000 description 23
- 238000010353 genetic engineering Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明基于改进遗传算法的粮食库温度场重构的方法,针对粮食库内热源特点创新性的改进遗传算法,加入强制变异机制,增强算法全局搜索能力。算法利用粮食库粮堆内固定测点的温度,对粮食库内热源进行重构,进而重构整个温度场,得到粮食库内粮堆除固定测点处其他位置的温度,从而判断是否存在霉变区域。大大减少霉变区域的发现时间,更好的保障粮食库的储粮安全。
Description
技术领域
本发明涉及粮食储备库领域,具体涉及一种基于改进遗传算法的粮食库温度场重构方法。
背景技术
我国有着数量众多的粮食储备库,每年因粮食储存过程的虫害、霉变自身陈化等因素造成的损失达数百亿元。其中,粮食霉变是粮食损失的主要因素。保障储粮安全的关键在于能够及时发现粮食霉变的迹象。粮食库粮堆的温度变化可以较为直观反映储粮的储存状态。目前我国大型粮食库普遍使用电子测温技术对粮温进行监管。该技术可以对发生在测温点的早期霉菌活动做出响应,但受限于测温点数量和单个测温点测温范围,霉变区域一旦离测温点较远,就难以检测和确定热源位置。
目前我国大型粮食库普遍采用的电子测温技术,以浅圆仓粮食库为例,半径大多为10-20米左右,在粮堆内部按照一定规律在粮堆的一些关键位置放置固定测点,由于测点的数量的限制,使得测点之间必然间隔一定距离。以大米为例的粮食堆属于典型的多孔传热介质,粮食的传热系数低,传热效率慢。当粮堆内出现因霉变导致的热源时,一旦热源位置距离测点较远或者热源强度偏低,依靠其附近固定测点的温度参数无法确定热源的位置和强度,难以判断霉变热源区域的具体位置。
发明内容
为了解决上述问题,本发明提供一种可以确定热源的位置和强度,判断霉变热源区域的具体位置的基于改进遗传算法的粮食库温度场重构方法,包括以下步骤,
S1:建立粮食库的有限元模型,设定粮堆实球形热源的位置、半径和温度,将所设定的球形热源的位置、半径和温度带入粮食库有限元模型并得到粮食库内固定测点的温度的矩阵Tm,Tm=[Tm1,Tm2,Tm3…Tmi],Tmi表示第i个测点的温度,Tmi为测点真实温度;
S2:随机生成初始种群P(0),
其中j表示种群中个体个数,NPj表示染色体,将每条染色体NPj翻译为包括热源位置,热源强度Q,热源半径R的一维矩阵Nj=[Xj,Yj,Zj,Qj,Rj],热源位置坐标为x、y、z,将Nj对应的热源信息代入有限元模型得到对应的模拟温度场各固定测点的温度矩阵Ts,
第1个个体的对应温度矩阵为Ts1=[T1,T2,T3…Ti];
第2个个体的对应温度矩阵为Ts2=[T1,T2,T3…Ti];
第3个个体的对应温度矩阵为Ts3=[T1,T2,T3…Ti];
…
第j个个体的对应温度矩阵为Tsj=[T1,T2,T3…Ti],Ti表示第i个固定测点的温度;
S3:计算每个个体的适应度,将每个个体对应的温度矩阵Tsj与真实热源温度矩阵Tm相减,将其残差相加,获取每个个体对应的适应度Fit(j), i为测点总数,Tsj(i)表示第i个测点的计算温度,Tm(i)表示第i个测点的真实温度;
S4:选择Fit(j)中最小的值作为当前代数中最佳适应度,并将其对应的个体作为当前代数最优个体保存到下一代,然后进行选择操作,交叉操作,变异操作产生子代,依次迭代,直到最佳适应度小于预设值或进化达到预设的最大代数;
S5:输出最优解并完成热源重构,得到粮食库模拟温度场。
进一步的,变异操作采用强制变异机制,随机选取染色体与种群内其他个体依次比对,当种群内出现与选中的染色体相同的染色体时,对选中染色体进行强制变异并放回其原来位置,该次强制变异结束。重复一定次数的强制变异。
进一步的,所述强制变异包括,每代种群完成选择,交叉,变异遗传操作后,生成子代,在子代中随机选取i个体,i<NP,NP表示种群内个体总数,并将其分别与种群其他个体进行对比,当种群中有基因与之相同的个体,则对随机选取的个体进行强制变异操作,然后放回到种群中原来的位置。
进一步的,步骤s4中选择操作采用轮盘赌方案,交叉概率0.8,变异概率0.1。
本发明的有益效果是,本发明基于改进遗传算法的粮食库温度场重构的方法,针对粮食库内热源特点创新性的改进遗传算法,加入强制变异机制,增强算法全局搜索能力。算法利用粮食库粮堆内固定测点的温度,对粮食库内热源进行重构,进而重构整个温度场,得到粮食库内粮堆除固定测点处其他位置的温度,从而判断是否存在霉变区域。大大减少霉变区域的发现时间,更好的保障粮食库的储粮安全。
附图说明
图1为粮堆截面固定测点位置分布示意图。
图2为重构粮食库温度场截面温度图。
图3为重构粮食库温度场截面等温线图。
具体实施方式
传统的电子测温技术依靠固定测点测量粮食库关键位置的温度,如图1所示。Tmi(i=1,2,3…10)为固定测点所测量的温度值。这种方法能得到储粮的部分位置点的温度数值,但无法得到远离温度测点处的温度信息,对于偏离测点较远的热源区域,难以及时的发现和确定位置。本方法利用粮堆内固定测点的温度Tmi结合GA遗传算法,对粮食库温度场进行重构。算法计算得到热源的位置、大小、温度信息,代入有限元模拟得到模拟温度场,然后真实固定测点的温度与模拟温度场内相对应的点相对比,不断修正计算的热源信息,最终结果如图2,图3所示。
本发明提供了基于改进遗传算法的粮食库温度场重构的方法,能够有效重构粮食库内部热源的位置、大小和温度,进而重构整个粮食库温度场,得到粮食库各个位置的温度信息。
本发明提供一种基于改进遗传算法的粮食库温度场重构的方法,包括:
第一步,首先针对粮食库建立相应的有限元模型,在采用传统遗传算法的基础上,染色体采用二进制编码。根据在各个固定测点所测量的真实温度数据得到固定测点的温度矩阵Tm:
Tm=[Tm1,Tm2,Tm3…Tmi],Tmi表示第i个测点的温度,记Tmi为测点真实温度。
第二步,算法随机生成初始种群P(0)。
(j表示种群中个体个数)
对种群中每条染色体翻译,每条染色体NPj按照一定规律翻译过来是一个包括热源位置(x,y,z),热源强度Q,热源半径R的一维矩阵Nj=[Xj,Yj,Zj,Qj,Rj]。将Nj对应的热源信息代入有限元模型得到对应的模拟温度场各固定测点的温度矩阵Ts,Ts为计算温度。
第1个个体的对应温度矩阵Ts1=[T1,T2,T3…Ti];
第2个个体的对应温度矩阵Ts2=[T1,T2,T3…Ti];
第3个个体的对应温度矩阵Ts3=[T1,T2,T3…Ti];
…
第j个个体的对应温度矩阵Tsj=[T1,T2,T3…Ti],Ti表示第i个测点的温度;
第三步,计算每个个体的适应度,将每个个体对应的温度矩阵与真实热源温度矩阵Tm相减,并将其残差相加,其适应度Fit(j)为:
i为测点总数,Tsj(i)和Tmi(i)分别表示第i个测点的计算温度和真实温度。
第四步,选择Fit中最小的值作为当前代数中最佳适应度minFit,并将其对应的个体fBest为当前代数最优个体保存到下一代。选择方案采用轮盘赌方案,更大概率选择适应度Fit值小的个体。采用传统的交叉和变异操作,交叉概率0.8,变异概率0.1。然后进行选择,交叉,变异操作产生子代,依次迭代。直到适应度最佳适应度minFit小于某个预设值或者进化达到最大代数。
第五步,输出算法最优解,即粮食库内热源区域的位置、大小和温度(Xbest,Ybest,Zbest,Rbest,Tbest)。完成热源重构,得到粮食库模拟温度场。
下面对本发明针对算法变异的改进进行说明。
大米的热导率低,传热效率慢,温度和半径不相同的热源在距离热源一定距离的位置上的温度分布可能极为相似甚至相同。传统GA算法在计算时,遵循选择交叉准则,算法在进行全局搜索,当得到一个局部最优解时,其子代中与其基因相似的个体逐渐增多。对于粮食库热源重构问题,基因的编码长度短,有可能出现多对靠近最优解的相同的染色体,这些染色体也有较大概率将基因遗传给子代,使得种群的越来越多染色体靠近局部最优解,种群的多样性减少。改进算法加入强制变异机制,随机选择一定数量的染色体与其余个体比对,如果出现相同的染色体,则对选择的染色体进行强制变异并放回原来位置。增加种群多样性,扩大搜索范围,增强全局搜索能力。
针对以上问题,本发明提出了改进的遗传算法(EVGA),EVGA通过增加强制变异机制,增加种群多样性,扩大搜索范围,增加全局搜索能力。
强制变异机制,即每代种群完成选择,交叉,变异遗传操作后,生成子代,在子代中随机选取i个个体,i<NP,NP表示种群内个体总数,并将其分别与种群其他个体进行对比,当种群中有基因与之相同的个体,则对随机选取的个体进行强制变异操作,然后放回到种群中原来的位置。
n代种群
随机选择不包括第一条染色体的第j(j≠1)条染色体Aj=[aj1 aj2 aj3…ajn]与种群内的其他染色体Ah=[ah1 ah2 ah3…ahn](h=1,2,3…NP,h≠j)进行对比,如果染色体Aj与染色体组Ah(h=1,2,3…NP,h≠j)中某一条染色体相同,则对Aj进行变异操作并放回到种群fn中。为防止强制变异丢失最优个体,故每代保留的最优个体不参与强制变异。过早强制变异可能会导致算法丢失可能最优解,在算法的强制变异在一定代数(本发明一实施例设定为10代)后开始。
下面对本发明一实施例中的重构过程进行说明。在选定适应度函数之后,设置遗传算法的种群和最大进化代数。
(1)初始化。设置进化代数计数器g=0和最大进化代数G,输入目标热源的温度场矩阵,随机生成NP×L(L为基因编码长度)的二进制矩阵作为初始种群P(0)。
(2)个体评价。遗传操作开始,将群体P(g)中各个个体的二进制基因翻译为实数,并进行模型计算,得到其对应的温度矩阵Ts并与目标热源的温度矩阵Tm对比计算,得到各个个体的适应度。
(3)选择算子。选用“轮盘赌法”,根据个体的适应度大小,依照轮盘赌方案,选择一些高适应度个体将基因遗传给子代。
(4)交叉算子。群体中随机选择两两组合的个体,以一定概率交换它们的部分基因,得到新的子代个体。
(5)变异算子。对选中的个体,以某一概率将一个或多个基因值替换为其他的等位基因。
(6)强制变异,设定强制变异开始代数k,当代数g超过k代后,进行i次随机选取除第一条以外的染色体与种群其他染色体对比,如果基因位完全相等,则对选取的染色体进行变异操作并放回到种群原来位置。群体P(g)经过遗传操作后得到子代群体P(g+1)。计算其适应度值并按高低排序,遗传操作结束,准备开始下一轮遗传操作。
(7)终止条件判断:若g≤G,则g=g+1,转到步骤(2);若g>G且Mmin<ε,则此进化过程中所得到的具有最小适应度的个体作为最优解Rs和Ts;若g>G且Mmin>ε,则g=0,转到转到步骤(2);
本发明的有益效果是,可以有效重构粮食库温度场,加入强制变异机制,相对于标准遗传算法,收敛速度和全局搜索能力有一定的提高。为粮食库生态系统与仓储粮食安全提供了新的技术方案。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于改进遗传算法的粮食库温度场重构方法,其特征在于,包括以下步骤,
S1:建立粮食库的有限元模型,设定粮堆实球形热源的位置、半径和温度,将所设定的球形热源的位置、半径和温度带入粮食库有限元模型并得到粮食库内固定测点的温度的矩阵Tm,Tm=[Tm1,Tm2,Tm3…Tmi],Tmi表示第i个测点的温度,Tmi为测点真实温度;
S2:随机生成初始种群P(0),
其中j表示种群中个体个数,NPj表示染色体,将每条染色体NPj翻译为包括热源位置,热源强度Q,热源半径R的一维矩阵Nj=[Xj,Yj,Zj,Qj,Rj],热源位置坐标为x、y、z,将Nj对应的热源信息代入有限元模型得到对应的模拟温度场各固定测点的温度矩阵Ts,
第1个个体的对应温度矩阵为Ts1=[T1,T2,T3…Ti];
第2个个体的对应温度矩阵为Ts2=[T1,T2,T3…Ti];
第3个个体的对应温度矩阵为Ts3=[T1,T2,T3…Ti];
…
第j个个体的对应温度矩阵为Tsj=[T1,T2,T3…Ti],Ti表示第i个固定测点的温度;
S3:计算每个个体的适应度,将每个个体对应的温度矩阵Tsj与真实热源温度矩阵Tm相减,将其残差相加,获取每个个体对应的适应度Fit(j), i为测点总数,Tsj(i)表示该个体所对应的模拟温度场的第i个测点的计算温度,Tm(i)表示第i个测点的真实温度;
S4:选择Fit(j)中最小的值作为当前代数中最佳适应度,并将其对应的个体作为当前代数最优个体保存到下一代,然后进行选择操作,交叉操作,变异操作产生子代,依次迭代,直到最佳适应度小于预设值或者进化达到预设的最大代数;
S5:输出最优解并完成热源重构,得到粮食库的最优模拟温度场。
2.如权利要求1所述的一种基于改进遗传算法的粮食库温度场重构方法,其特征在于,变异操作采用强制变异机制,随机一定数量选取染色体比对,对于相同染色体进行强制变异。
3.如权利要求2所述的一种基于改进遗传算法的粮食库温度场重构方法,其特征在于,所述强制变异包括,每代种群完成选择,交叉,变异遗传操作后,生成子代,在子代中随机选取i个个体,i<NP,NP表示种群内个体总数,并将其分别与种群其他个体进行对比,当种群中有基因与之相同的个体,则对随机选取的个体进行强制变异操作,然后放回到种群中原来的位置。
4.如权利要求1所述的一种基于改进遗传算法的粮食库温度场重构方法,其特征在于,所述步骤S4中,选择操作采用轮盘赌方案,交叉概率为0.8,变异概率为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607805.5A CN110309610A (zh) | 2019-07-08 | 2019-07-08 | 一种基于改进遗传算法的粮食库温度场重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607805.5A CN110309610A (zh) | 2019-07-08 | 2019-07-08 | 一种基于改进遗传算法的粮食库温度场重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309610A true CN110309610A (zh) | 2019-10-08 |
Family
ID=68079336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910607805.5A Pending CN110309610A (zh) | 2019-07-08 | 2019-07-08 | 一种基于改进遗传算法的粮食库温度场重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309610A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113063524A (zh) * | 2021-03-18 | 2021-07-02 | 武汉轻工大学 | 利用有限测温点构建平房仓高温异常区域温度场的方法 |
CN113361768A (zh) * | 2021-06-04 | 2021-09-07 | 重庆科技学院 | 一种粮食库健康状况预测方法,存储设备及服务器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060161365A1 (en) * | 2004-10-13 | 2006-07-20 | Omron Corporation | Temperature control method and apparatus |
CN102779320A (zh) * | 2012-06-28 | 2012-11-14 | 郑州华粮科技股份有限公司 | 标准化的粮食存储温湿度报警的数学模型系统 |
CN105512441A (zh) * | 2016-01-27 | 2016-04-20 | 湖北科技学院 | 一种物体内热源分布重构系统及方法 |
CN105930676A (zh) * | 2016-05-09 | 2016-09-07 | 南京航空航天大学 | 一种航天器瞬态热分析模型反演修正方法 |
CN108090628A (zh) * | 2018-01-16 | 2018-05-29 | 浙江大学 | 一种基于pso-lssvm算法的粮情安全检测分析方法 |
US20180361514A1 (en) * | 2017-06-20 | 2018-12-20 | Lincoln Global, Inc. | Machine learning for weldment classification and correlation |
-
2019
- 2019-07-08 CN CN201910607805.5A patent/CN110309610A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060161365A1 (en) * | 2004-10-13 | 2006-07-20 | Omron Corporation | Temperature control method and apparatus |
CN102779320A (zh) * | 2012-06-28 | 2012-11-14 | 郑州华粮科技股份有限公司 | 标准化的粮食存储温湿度报警的数学模型系统 |
CN105512441A (zh) * | 2016-01-27 | 2016-04-20 | 湖北科技学院 | 一种物体内热源分布重构系统及方法 |
CN105930676A (zh) * | 2016-05-09 | 2016-09-07 | 南京航空航天大学 | 一种航天器瞬态热分析模型反演修正方法 |
US20180361514A1 (en) * | 2017-06-20 | 2018-12-20 | Lincoln Global, Inc. | Machine learning for weldment classification and correlation |
CN108090628A (zh) * | 2018-01-16 | 2018-05-29 | 浙江大学 | 一种基于pso-lssvm算法的粮情安全检测分析方法 |
Non-Patent Citations (4)
Title |
---|
HAIBO HUANG等: "Diffusion and production of carbon dioxide in bulk corn at various temperatures and moisture contents", 《JOURNAL OF STORED PRODUCTS RESEARCH》 * |
刘一奎等: "基于节点简化策略的配电网孤岛优化划分", 《华东电力》 * |
张银花等: "基于云遗传RBF神经网络的储粮温度预测研究", 《粮食储藏》 * |
杜娟: "《基于STEP-NC的开放式数控系统及关键技术研究》", 30 September 2014, 国防工业出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113063524A (zh) * | 2021-03-18 | 2021-07-02 | 武汉轻工大学 | 利用有限测温点构建平房仓高温异常区域温度场的方法 |
CN113063524B (zh) * | 2021-03-18 | 2023-10-10 | 武汉轻工大学 | 利用有限测温点构建平房仓高温异常区域温度场的方法 |
CN113361768A (zh) * | 2021-06-04 | 2021-09-07 | 重庆科技学院 | 一种粮食库健康状况预测方法,存储设备及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oliveira et al. | Invited review: Advances and applications of random regression models: From quantitative genetics to genomics | |
Rizzon et al. | Striking similarities in the genomic distribution of tandemly arrayed genes in Arabidopsis and rice | |
CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
CN107944046B (zh) | 大规模高维数据快速检索方法及系统 | |
CN110309610A (zh) | 一种基于改进遗传算法的粮食库温度场重构方法 | |
CN108920812A (zh) | 一种机械加工表面粗糙度预测方法 | |
Salcedo-Sanz et al. | New coral reefs-based approaches for the model type selection problem: a novel method to predict a nation's future energy demand | |
CN112100940A (zh) | 光纤预制棒一次拉伸工艺参数预测方法及装置 | |
CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
CN106897703A (zh) | 基于aga‑pkf‑svm的遥感影像分类方法 | |
CN108053032A (zh) | 一种基于遗传算法的数据模型训练样本的选取方法 | |
Brito Lopes et al. | Improving genomic prediction accuracy for meat tenderness in Nellore cattle using artificial neural networks | |
CN112949211A (zh) | 发动机模型的优化方法、装置、计算机设备及存储介质 | |
CN112989529A (zh) | 一种基于遗传算法的鸡舍温度传感器布置优化方法 | |
CN109117529A (zh) | 电阻模型物理参数提取方法 | |
K. Sachs, D. Levy, AM Chen, EA Ingerman, PJ Simpson, MN Cornforth, P. Hahnfeldt, LR Hlatky | Random breakage and reunion chromosome aberration formation model; an interaction–distance version based on chromatin geometry | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
CN107784153B (zh) | 核电厂乏燃料装载方案的设计方法以及设计系统 | |
CN109599146A (zh) | 一种基于多目标遗传算法的带假结核酸结构预测方法 | |
Rahmi et al. | Genetic algorithms for optimization of multi-level product distribution | |
CN113935556B (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
KR20120033596A (ko) | 연료채널 다발별 특성에 따른 중수로 압력관 크립 예측 방법 | |
CN114758023A (zh) | 一种自适应遗传算法的胃部电阻抗断层成像方法 | |
CN114254803A (zh) | 换料装载方案搜索优化方法 | |
Aditama | Optimizing Single Exponential Smoothing Method by Using Genetics Algorithm for Object Selling Prediction |
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 |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |