CN110490294A - 基于并行双种群pso的太阳辐射预测资料同化算法 - Google Patents

基于并行双种群pso的太阳辐射预测资料同化算法 Download PDF

Info

Publication number
CN110490294A
CN110490294A CN201910646890.6A CN201910646890A CN110490294A CN 110490294 A CN110490294 A CN 110490294A CN 201910646890 A CN201910646890 A CN 201910646890A CN 110490294 A CN110490294 A CN 110490294A
Authority
CN
China
Prior art keywords
population
particles
particle
thread
grouping
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
Application number
CN201910646890.6A
Other languages
English (en)
Inventor
童亚拉
徐斌
刘力源
董怡琦
郝泽霖
陈科
刘亚东
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201910646890.6A priority Critical patent/CN110490294A/zh
Publication of CN110490294A publication Critical patent/CN110490294A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于并行双种群PSO的太阳辐射预测资料同化算法，包括步骤：一：初始化算法参数；二:初始化读写同步锁，根据分组数依次创建线程，并将算法参数，各分组粒子数和最大迭代次数分配给各个线程；三：分线程随机初始化组内粒子；四：计算资料同化代价函数；五：分组线程获取读写同步锁；六：更新全局最优解；七：分组线程释放读写同步锁；八：分组线程计算粒子的扩散能、种群温度和粒子扩散概率；九：按时变双重压缩因子算法更新粒子速度，更新粒子位置；十：判断该分组是否到达最大迭代次数，满足条件则结束该分组线程；十一：等待各分组线程结束，输出结果。本发明利用双种群增加随机扰动，增加了种群多样性，提高了算法精度。

Description

基于并行双种群PSO的太阳辐射预测资料同化算法
技术领域
本发明涉及太阳能辐射预测及资料同化和粒子群优化算法技术领域，具体地指一种基于并行双种群PSO的太阳辐射预测资料同化算法。
背景技术
近年来，随着太阳能作为新能源带动光伏发电被广泛应用，质量高的光伏发电预测成为了一种需求，利用MM5模式即近年来由美国大气研究中心和美国滨州大学联合研制发展起来的中尺度数值预报模式是一热门手段。MM5中的资料同化是一种为数值预报模式提供高质量初值的方法，其中变分同化问题是一个非线性最优化问题，由于计算量太大、模式复杂及同化结果依赖于初猜值的选取，对于算法的收敛性、精确性均有很高的要求。
随着搜索算法在资料同化应用上的日渐成熟，大量优化方案层数不穷。其中，PSO方案相对于前人的多项式插值、逐步订正、卡尔曼滤波和集合卡尔曼滤波等方法不仅能产生高质量的同化结果，也拥有更强的鲁棒性。
然而，粒子群在特定同化过程中所达到的精度还远远不够；其次，由于缺乏对粒子个数的有效把控，同化过程中粒子迭代次数过多，导致耗费时间冗长，这些都是大多数智能优化算法在资料同化的应用上研究解决的重点。
发明内容
本发明的目的是为了解决上述背景技术存在的不足，而提出的一种基于并行双种群PSO的太阳辐射预测资料同化算法，给出了DPSO(并行双种群PSO)算法中粒子的扩散能、种群温度和粒子的扩散概率三个定义扩散机制，并利用这给双种群增加随机扰动，增加了种群多样性，提高了算法的精度。
为实现上述目的，本发明所设计的基于并行双种群PSO的太阳辐射预测资料同化算法，其特殊之处在于，所述算法包括如下步骤：
步骤一：初始化算法参数，设定种群规模，分组数和各分组的最大迭代数；
步骤二:初始化读写同步锁，根据分组数依次创建线程，并将算法参数，各分组粒子数和最大迭代次数分配给各个线程；
步骤三：分线程随机初始化组内粒子，并将每个线程中的粒子随机平均分为A、B两个种群；
步骤四：计算分组线程每个粒子的资料同化代价函数，如果粒子最优解优于当前组内最优解则更新组内最优解并转步骤五，否则转步骤八；
步骤五：分组线程获取读写同步锁；
步骤六：如果组内最优解优于当前全局最优解，则更新全局最优解；
步骤七：分组线程释放读写同步锁；
步骤八：分组线程计算粒子的扩散能、种群温度和粒子扩散概率，采用双种群PSO算法分别对种群A、B中的每一个粒子进行判定是否放入到扩散池中，输出种群A和B的全局极值和中的最优者；
步骤九分组线程更新粒子位置和速度，组内迭代数加一；
步骤十：分组线程判断该分组是否到达该线程设定的最大迭代次数，如果满足条件之一，则结束该分组线程，否则，转步骤四；
步骤十一：等待各分组线程结束，输出结果。
优选地，所述步骤八中对种群A、B中的每一个粒子的判定方法为：如果扩散池A中粒子数目大于等于2，则从中随机选择两个粒子m、n作为扩散粒子，分别为第k代粒子m、n的坐标，粒子m和n生成一个差异向量对全局极值添加一个随机扰动，得到一个临时的向量η为比例系数；如果向量优于种群B的全局极值，则替换之，否则不替换；同时如果扩散池B中粒子数目大于等于2，则从中随机选择两个粒子a、b作为扩散粒子，分别为第k代粒子a、b的坐标，粒子a和b生成一个差异向量对全局极值添加一个随机扰动，得到一个临时的向量如果向量优于种群A的全局极值，则替换之，否则不替换；通过此步骤实现两个种群之间的信息交流和扩散。
优选地，所述步骤八中根据公式计算种群A和B中所有粒子的扩散能，vij是粒子速度，M是粒子总数；根据公式计算种群A和B的温度；根据公式计算种群A和B中所有粒子的扩散概率。
优选地，所述步骤九中根据公式和调整种群A和B中粒子的速度和位置，是第k代第i个粒子的速度，是第k代第i个粒子的坐标，ω是惯性权重，r1,r2是两个0到1的随机数，Z为A或B，是在Z种群中第k代第i个粒子的历史最佳坐标位置pg Z是Z种群全局最优位置，c1,c2是学习因子。
优选地，所述步骤一中初始化算法参数为初始观测l表示粒子水平方向x,y或垂直方向z的空间步长。
优选地，所述资料同化代价函数的计算方法为：
此公式是为了计算第k次迭代第i号粒子的适应值,其中为前推模式方程的数值解，是在时间层tk＝k△t和空间格点li＝i△l处的观测值，k代表迭代次数，i为粒子序号，N为最大迭代次数，M为粒子总个数，△l表示粒子的空间步长，△t表示时间步长。
优选地，所述比例系数η设置为0.5，惯性权重ω从0.7线性递减到0.1,学习因子c1＝1.2,c2＝2.4。
本发明设计了一种新的含不连续“开关”过程的变分资料同化模型，采用双种群来模拟扩散机制，提出了一种基于扩散机制的双种群粒子群优化算法，类比于扩散理论中的扩散激活能和温度的概念，给出了DPSO(并行双种群PSO)算法中粒子的扩散能、种群温度和粒子的扩散概率三个定义扩散机制，并利用这给双种群增加随机扰动，增加了种群多样性，提高了算法精度；同时，将初始化粒子群分为四个子集，每个子集由多核CPU的一个核进行计算，每次迭代完成后都将每一子集中的头号精英粒子数据传递给公共部分，再进行下一次迭代，进行粒子的信息交换，在提高时效性的同时，通过粒子间交流的增强，维持同化精度。在与动态权重PSO算法和时变双重压缩因子PSO算法在同化精度、同化速度及收敛性上进行比较后，仿真结果表明，所设计的并行算法在收敛速度和同化精度上明显优于动态权重及时变压缩因子粒子群算法。
附图说明
图1为本发明基于并行分子运动PSO的太阳辐射预测资料同化算法的流程图。
图2为运用本发明算法迭代次数为400时1000次同化试验后的三种方案的比较结果。
图3为三种算法分别在叠迭代次数为50、100、150、200、250、300、350、400时的收敛精度变化趋势的曲线图。
图4为迭代次数分别为100、200、300、400时三种方案所耗费的同化时间。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提出一种基于并行双种群PSO的太阳辐射预测资料同化算法包括如下步骤：
步骤一：初始化算法参数，设定种群规模，将分组数设置为4个和各分组的最大迭代次数N设置为400。
由于基于PSO的变分资料同化的初始个体和初始粒子是随机生成的，本发明采用结合经验知识的随机初始化。1000次同化试验中，伴随方法的初猜值取为:(当i＝k＝1时)，初始粒子则是在(当i＝k＝1时)各分量上进行随机扰动产生。具体的产生方法为：随机生成3个[0,1]中的随机数r1,r2和r3,d0＝|r1-r2|。则GA和PSO方法中的初猜值取为由于关注的是不同优化算法在含开关过程的资料同化中的有效性，因此完美的观测资料是由初始观测通过前推模式积分产生。该前推数值模式为：
其中,△l表示粒子的空间步长,li＝i△l,i为空间格点；△t表示时间长,tk＝k△t,k为迭代次数。N＝T/△t为积分过程中总的时间层，即最大迭代次数；M＝(T/△t)+1为空间离散点总数，即粒子总个数。
第一个式子是为了计算第一个粒子的初始观测值，第二个式子通过第一代的第一个粒子提出第一代的其他粒子初始观测值，第三个式子是用来计算第一代以后的粒子的观测值。
其中，表示比湿；qt为饱和比湿，称为阈值；l表示粒子水平方向x,y或垂直方向z的空间步长；t为时间变量；F(t)为其他物理过程的源项，g为参数化过程的源项；a＝a(t,l)表示l方向速度，是一个给定的具有一阶连续偏导数的连续函数；(i＝1时)为初始比湿。qt满足区间[0,L]上连续可微，同时满足方程组中的为Heaviside单位步长函数：方程组中的F(t)＝G-S△t,其中G＝8，S＝11
步骤二:初始化读写同步锁，依次创建4个线程，并将算法参数，各分组粒子数和最大迭代次数分配给4个线程；
步骤三：分线程开始迭代组内粒子；
步骤四：计算分组线程每个粒子的资料同化代价函数，如果粒子最优解优于当前组内最优解则更新组内最优解并转步骤五，否则转步骤八。
变分资料同化的代价函数选用如下公式：
上述代价函数离散化后得到离散化函数：
其中为前推模式方程的数值解，而是在时间层tk＝k△t和空间格点li＝i△l处的观测值。
双种群PSO算法中的适应度函数定义为：
该离散化函数是离散形式的资料同化代价函数，与预测值和实际观测值之差正相关，J值越小，表明预测值和实际观测值越接近，预测的精确度越高。为该同化模型特定的适应度函数，在算法运行过程中，粒子种群向适应度高的粒子靠齐，最终整个种群趋近于适应度最高的粒子的位置，即全局最优值。由于与反相关，故全局最优对应精度最高的解。
步骤五：分组线程获取读写同步锁。
步骤六：如果组内最优解优于当前全局最优解，则更新全局最优解。
步骤七：分组线程释放读写同步锁。
步骤八：分组线程计算粒子的扩散能、种群温度和粒子扩散概率，采用双种群PSO算法分别对种群A、B中的每一个粒子进行判定是否放入到扩散池中，输出种群A和B的全局极值和中的最优者；
步骤九分组线程更新粒子位置和速度，组内迭代数加一。
步骤十：分组线程判断该分组是否到达该线程设定的最大迭代次数，如果满足条件之一，则结束该分组线程，否则，转步骤四；
步骤十一：等待各分组线程结束，输出结果。
上述算法中按时变双种群算法更新粒子速度的具体步骤为：
步骤1)分别初始化种群A和B中的所有粒子(群体规模为M)，包括位置、速度和加速度，设置最大迭代次数400。
步骤2)评价种群A和B中每个粒子资料同化代价函数
步骤3)更新种群A和B中粒子的个体历史极值及种群A和B的全局极值，分别用 和表示。
步骤4)根据公式计算种群A和B中所有粒子的扩散能，vij是粒子速度，M是粒子总数。
步骤5)根据公式计算种群A和B的温度。
步骤6)根据公式计算种群A和B中所有粒子的扩散概率。
步骤7)分别对种群A、B中的每一个粒子进行判定是否放入到扩散池中。
步骤8)如果扩散池A中粒子数目大于等于2，则从中随机选择两个粒子m,n作为扩散粒子，分别为第k代粒子m和n的坐标。粒子m和n生成一个差异向量对全局极值添加一个随机扰动，得到一个临时的向量η为比例系数。如果此向量优于种群B的全局极值，则替换之，否则不替换；同时如果扩散池B中粒子数目大于等于2，则从中随机选择两个粒子a,b作为扩散粒子，分别为第k代粒子a和b的坐标。粒子a和b生成一个差异向量对全局极值添加一个随机扰动，得到一个临时的向量如果此向量优于种群A的全局极值，则替换之，否则不替换。通过此步骤来实现两个种群之间的信息交流和扩散。
步骤9)输出种群A和B的全局极值和中的最优者。
步骤10)根据公式(Z为A或B)，调整种群A和B中粒子的速度和位置,r1,r2是两个0到1的随机数，组内迭代数加一。
步骤11)迭代次数未达到400则转步骤2)，否则DPSO算法结束。
在本发明所设计的并行粒子群算法中：比例系数η设置为0.5，惯性权重ω从0.7线性递减到0.1,学习因子c1＝1.2,c2＝2.4。初始化200个粒子进行400次迭代；测试环境为硬件Intel Core i5，软件MATLAB R2017a。
图一表示的是迭代次数为400时1000次同化试验后的比较结果。图中横线由上到下依次为PSOCIWAC(动态惯性权重PSO)、PSOTVCF(时变双重压缩因子PSO)、DPSO(并行双种群PSO)的同化试验结果；横坐标是迭代次数，纵坐标是收敛精度的对数log10J，越小代表同化后的初值越接近观测值。
图三是三种算法分别在叠迭代次数为50、100、150、200、250、300、350、400时的收敛精度变化趋势的曲线图。图中，迭代的最终值由上到下依次为PSOCIWAC、PSOTVCF、DPSO的收敛精度变化趋势，横坐标表示记录种群精度的次数(每隔50代记录一次)，纵坐标是收敛精度的对数log10J由图可知，在同化初期(150代以前)，三种方法结果大致相同；同化中期(100代以后)，PSOTVCF后来居上，同化质量远超PSOCIWAC和DPSO，并且仍有粒子尚未收敛；同化后期(200代以后)，PSOTVCF和PSOCIWAC都已经基本收敛，但DPSO还呈现为未完全收敛的状态，并且DPSO的精度已经远超另外两种方法。当迭代次数达到400次时，PSOCIWAC平均收敛到-11.2，PSOTVCF平均收敛到-13，DPSO收敛到-14。由此可知DPSO同化结果的质量远高于动态权重粒子群算法和时变双重压缩因子粒子群算法。
同化时间：图四展示了迭代次数分别为100、200、300、400时所耗费的同化时间，为避免偶然性，每种同化窗口一共进行4组同化试验，下表所示为其平均值。由图可知，在整个迭代期间，DPSO的同化时间均低于其余两种算法。由图可知，在整个迭代期间，DPSO的同化时间一直都比PSOCIWAC和PSOTVCF快40％左右。由此证明，DPSO通过多个CPU的联合计算可以在同化时间上具有很大的优越性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于并行双种群PSO的太阳辐射预测资料同化算法，其特征在于：所述算法包括如下步骤：
步骤一：初始化算法参数，设定种群规模，分组数和各分组的最大迭代数；
步骤二:初始化读写同步锁，根据分组数依次创建线程，并将算法参数，各分组粒子数和最大迭代次数分配给各个线程；
步骤三：分线程随机初始化组内粒子，并将每个线程中的粒子随机平均分为A、B两个种群；
步骤四：计算分组线程每个粒子的资料同化代价函数，如果粒子最优解优于当前组内最优解则更新组内最优解并转步骤五，否则转步骤八；
步骤五：分组线程获取读写同步锁；
步骤六：如果组内最优解优于当前全局最优解，则更新全局最优解；
步骤七：分组线程释放读写同步锁；
步骤八：分组线程计算粒子的扩散能、种群温度和粒子扩散概率，采用双种群PSO算法分别对种群A、B中的每一个粒子进行判定是否放入到扩散池中，输出种群A和B的全局极值和中的最优者；
步骤九分组线程更新粒子位置和速度，组内迭代数加一；
步骤十：分组线程判断该分组是否到达该线程设定的最大迭代次数，如果满足条件之一，则结束该分组线程，否则，转步骤四；
步骤十一：等待各分组线程结束，输出结果。
2.根据权利要求1所述的基于并行双种群PSO的太阳辐射预测资料同化算法，其特征在于：所述步骤八中对种群A、B中的每一个粒子的判定方法为：如果扩散池A中粒子数目大于等于2，则从中随机选择两个粒子m、n作为扩散粒子，分别为第k代粒子m、n的坐标，粒子m和n生成一个差异向量对全局极值添加一个随机扰动，得到一个临时的向量η为比例系数；如果向量优于种群B的全局极值，则替换之，否则不替换；同时如果扩散池B中粒子数目大于等于2，则从中随机选择两个粒子a、b作为扩散粒子，分别为第k代粒子a、b的坐标，粒子a和b生成一个差异向量对全局极值添加一个随机扰动，得到一个临时的向量如果向量优于种群A的全局极值，则替换之，否则不替换；通过此步骤实现两个种群之间的信息交流和扩散。
3.根据权利要求1所述的基于并行双种群PSO的太阳辐射预测资料同化算法，其特征在于：所述步骤八中根据公式计算种群A和B中所有粒子的扩散能，vij是粒子速度，M是粒子总数；根据公式计算种群A和B的温度；根据公式计算种群A和B中所有粒子的扩散概率。
4.根据权利要求2所述的基于并行双种群PSO的太阳辐射预测资料同化算法，其特征在于：所述步骤九中根据公式和调整种群A和B中粒子的速度和位置，是第k代第i个粒子的速度，是第k代第i个粒子的坐标，ω是惯性权重，r1,r2是两个0到1的随机数，Z为A或B，是在Z种群中第k代第i个粒子的历史最佳坐标位置pg Z是Z种群全局最优位置，c1,c2是学习因子。
5.根据权利要求1所述的基于并行双种群PSO的太阳辐射预测资料同化算法，其特征在于：所述步骤一中初始化算法参数为初始观测l表示粒子水平方向x,y或垂直方向z的空间步长。
6.根据权利要求1所述的基于并行双种群PSO的太阳辐射预测资料同化算法，其特征在于：所述资料同化代价函数的计算方法为：
此公式是为了计算第k次迭代第i号粒子的适应值,其中为前推模式方程的数值解，是在时间层tk＝k△t和空间格点li＝i△l处的观测值，k代表迭代次数，i为粒子序号，N为最大迭代次数，M为粒子总个数，△l表示粒子的空间步长，△t表示时间步长。
7.根据权利要求4所述的基于并行双种群PSO的太阳辐射预测资料同化算法，其特征在于：所述比例系数η设置为0.5，惯性权重ω从0.7线性递减到0.1,学习因子c1＝1.2,c2＝2.4。
CN201910646890.6A 2019-07-17 2019-07-17 基于并行双种群pso的太阳辐射预测资料同化算法 Pending CN110490294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910646890.6A CN110490294A (zh) 2019-07-17 2019-07-17 基于并行双种群pso的太阳辐射预测资料同化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910646890.6A CN110490294A (zh) 2019-07-17 2019-07-17 基于并行双种群pso的太阳辐射预测资料同化算法

Publications (1)

Publication Number Publication Date
CN110490294A true CN110490294A (zh) 2019-11-22

Family

ID=68547325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910646890.6A Pending CN110490294A (zh) 2019-07-17 2019-07-17 基于并行双种群pso的太阳辐射预测资料同化算法

Country Status (1)

Country Link
CN (1) CN110490294A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295214A (zh) * 2021-12-20 2022-04-08 哈尔滨工程大学 一种基于有效发射率的复杂环境下涡轮叶片辐射测温方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819651A (zh) * 2010-04-16 2010-09-01 浙江大学 粒子群算法在多机上并行执行的方法
CN104268635A (zh) * 2014-09-05 2015-01-07 国家电网公司 一种基于再分析资料的测风网络布局优化方法
US20170048088A1 (en) * 2015-08-12 2017-02-16 King Fahd University Of Petroleum And Minerals Apparatuses and methodologies for decision feedback equalization using particle swarm optimization
CN108399450A (zh) * 2018-02-02 2018-08-14 武汉理工大学 基于生物进化原则的改进粒子群算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819651A (zh) * 2010-04-16 2010-09-01 浙江大学 粒子群算法在多机上并行执行的方法
CN104268635A (zh) * 2014-09-05 2015-01-07 国家电网公司 一种基于再分析资料的测风网络布局优化方法
US20170048088A1 (en) * 2015-08-12 2017-02-16 King Fahd University Of Petroleum And Minerals Apparatuses and methodologies for decision feedback equalization using particle swarm optimization
CN108399450A (zh) * 2018-02-02 2018-08-14 武汉理工大学 基于生物进化原则的改进粒子群算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周飞红等: "自适应惯性权重的分组并行粒子群优化算法", 《计算机工程与应用》 *
徐星等: "基于扩散机制的双种群粒子群优化算法", 《计算机应用研究》 *
郑琴等: "动态权重粒子群算法在含"开关"过程思维变分资料同化中的有效应用", 《气象科技》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295214A (zh) * 2021-12-20 2022-04-08 哈尔滨工程大学 一种基于有效发射率的复杂环境下涡轮叶片辐射测温方法和装置

Similar Documents

Publication Publication Date Title
CN107862411B (zh) 一种大规模柔性作业车间调度优化方法
CN105426954A (zh) 一种基于多策略协同作用的粒子群优化的方法
Liu et al. A fault diagnosis intelligent algorithm based on improved BP neural network
CN106611379A (zh) 一种改进文化基因算法求解多目标柔性作业车间调度问题
CN108205703B (zh) 多输入多输出矩阵平均值池化向量化实现方法
CN108710970A (zh) 一种巨型梯级水电系统的多目标调度并行降维方法
CN110188880A (zh) 一种深度神经网络的量化方法及装置
CN109034479B (zh) 一种基于差分进化算法的多目标调度方法及装置
CN111461478B (zh) 一种大规模水光能源互补调度方法与系统
CN112421631A (zh) 一种新能源消纳能力评估方法和系统
CN110490294A (zh) 基于并行双种群pso的太阳辐射预测资料同化算法
Zhang et al. Short term load forecasting based on IGSA-ELM algorithm
CN110119317B (zh) 一种基于遗传算法的云计算任务调度方法和系统
CN110489243A (zh) 基于并行分子运动pso的太阳辐射预测资料同化算法
CN113312852B (zh) 一种基于神经网络算法预测玻璃介电损耗的方法
CN116231747A (zh) 分布式光伏逆变器控制方法、装置及存储介质
CN110516784A (zh) 基于并行时变因子pso的太阳辐射预测资料同化算法
CN116316629A (zh) 一种考虑拓扑特征学习的数据驱动最优潮流计算方法
Huang et al. Mobile robot path planning based on improved genetic algorithm
CN115271254A (zh) 一种基于海鸥算法优化极限学习机的短期风功率预测方法
CN114519457A (zh) 基于粒子群的省级智慧能源服务平台任务调度方法及系统
CN115169754A (zh) 能源调度方法、装置、电子设备及存储介质
CN107330302A (zh) 联合Memetic算法和S系统的生物模体重构方法
CN103050981A (zh) 一种电力系统无功优化的分布式并行求解方法
CN111738432A (zh) 一种支持自适应并行计算的神经网络处理电路

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: 20191122

RJ01 Rejection of invention patent application after publication