CN115271237A - 一种基于改进pso-ga和svm的工业数据质量预测方法 - Google Patents

一种基于改进pso-ga和svm的工业数据质量预测方法 Download PDF

Info

Publication number
CN115271237A
CN115271237A CN202210953317.1A CN202210953317A CN115271237A CN 115271237 A CN115271237 A CN 115271237A CN 202210953317 A CN202210953317 A CN 202210953317A CN 115271237 A CN115271237 A CN 115271237A
Authority
CN
China
Prior art keywords
population
algorithm
svm
improved
max
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
CN202210953317.1A
Other languages
English (en)
Inventor
陈晓兵
包涵
卢佳祺
康丽
张润
张冰莹
严虹
周冬冬
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202210953317.1A priority Critical patent/CN115271237A/zh
Publication of CN115271237A publication Critical patent/CN115271237A/zh
Pending legal-status Critical Current

Links

Images

Classifications

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

Abstract

本发明涉及工业信息技术领域，公开了一种基于改进PSO‑GA和SVM的工业数据质量预测方法，包括如下步骤：步骤1：对数据进行预处理，构建预测数据集；步骤2：提出改进PSO‑GA算法，结合优化后的学习因子和惯性权重策略改进粒子群算法，根据粒子群算法速度与位置更新公式进行种群演化，再引入自适应遗传算法来平衡种群多样性；步骤3：使用改进PSO‑GA优化SVM算法参数；步骤4：根据构建的SVM预测模型，进行工业数据质量预测。与现有技术相比，本发明有效实现局部搜索和全局搜索的最优化，有效避免PSO算法陷入局部最优，提高了函数的寻优能力，能够加快收敛，提高寻优精度，提升模型性能，提高预测的效果。

Description

一种基于改进PSO-GA和SVM的工业数据质量预测方法
技术领域
本发明涉及工业信息技术领域，具体涉及一种基于改进PSO-GA和SVM的工业数据质量预测方法。
背景技术
信息化、数字化是智能生产的基础，随着我国企业信息化建设的不断深入，众多企业成功实施了PDM、CAPP、MES等信息化系统，显著增强了企业生产加工过程中数据的采集能力，经过长时间的累计，大量的生产加工数据在企业数据库中涌现，但是大部分企业对于这些数据没有利用新一代的技术去挖掘背后的潜在价值。比如在工业现场，对零部件产品加工质量要求很高，特别是精密零部件产品；生产部门希望知道未来的质量趋势，如果能加以预测，并能实时预警，那么对于生产管理者来说，可以更加精确的决策，创造出更大的价值。
粒子群算法又称为鸟群觅食算法，属于群智能算法的一种，具有全局寻优的能力。在PSO中，假设优化问题的解为粒子A，通过初始化随机的A，迭代搜寻最优解，一个为个体最优解，另一个为全局最优解。由于食物位置信息在鸟群间传递并不断更新，使得该算法具有避开局部最优解进而搜索全局最优解的能力。
遗传算法是对包含多个个体的种群进行操作，是一个不断进化的迭代过程。在该算法中用一组编码串来表示个体或染色体，按照一定的编码方式生成编码串。用基因表示其中的每个编码单元，用个体的染色体来代表待优化问题的解，用每个个体适应度值来表示每个解。首先对群体进行初始化，并对染色体进行选择、交叉和变异这三种进化操作。然后基于染色体的适应度函数来对个体进行评价。个体对环境的适应力不断增强，然后保留下适应度较好的个体，将适应度较差的个体淘汰掉，使得种群以全局并行方式朝着该种群中最优的个体进化，直到满足设定的收敛要求。最终保留的就是对环境适应度最高的个体，即待求问题找到的最优解。
支持向量机(Support Vector Machine，简称SVM算法)能够根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折中，获得因变量和自变量之间非常复杂的映射关系与传统的基于经验风险最小化的神经网络方法相比，具有学习速度快、全局最优和推广能力强的优点，得出的评价和拟合结果大多明显好于其他的模型和方法，因此得到较为广泛的应用。
研究发现，影响SVM算法的精度的主要因素是SVM的参数，惩罚参数C以及所选核函数参数，传统的粒子群算法存在着局部搜索精度不高和易陷入局部最优等不足，同时传统的遗传算法易陷入局部最优的缺陷，导致两种算法对SVM关键参数的优化程度较低，以致预测精度不足，难以保证产品质量，不利于推进企业制造智能化。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种基于改进PSO-GA和SVM的工业数据质量预测方法，引入线性同步的学习因子以及基于线性递减策略的惯性因子改进PSO算法，能够有效实现局部搜索和全局搜索的最优化；同时利用自适应遗传算法平衡种群多样性，能够有效避免PSO算法陷入局部最优，提高了函数的寻优能力，得到改进PSO-GA算法，通过改进PSO-GA优化SVM参数，能够加快收敛，提高寻优精度，提升模型性能，提高预测的效果。
技术方案：本发明提供了一种基于改进PSO-GA和SVM的工业数据质量预测方法，包括如下步骤：
步骤1：对工业数据进行预处理，构建预测数据集；
步骤2：提出改进PSO-GA算法，结合优化后的学习因子和惯性权重策略改进粒子群算法，根据粒子群算法速度与位置更新公式进行种群演化，再引入自适应遗传算法来平衡种群多样性；
步骤3：使用改进PSO-GA优化SVM算法参数；
步骤4：根据构建的SVM预测模型，进行工业数据质量预测。本发明可与计算机系统结合，从而完成工业数据的质量预测。
进一步地，所述步骤1中数据预处理包括如下步骤：
步骤1.1：异常值处理及均值处理，采用3倍标准差异常值检测方法：
Figure BDA0003789149190000021
Figure BDA0003789149190000022
式中，z′表示zi(i＝1，2，...，n)的均值，σ表示标准差，异常值判定标准是zi是否超出z′±3σ的范围；
步骤1.2：对数据的缺失值进行填补，数值型的缺失值采用无缺失样本的均值填补，离散型的缺失值采用无缺失样本的众数填补；
步骤1.3：对数据进行标准化处理；
步骤1.4：利用one-hot方法对数据中的离散属性进行数值化处理。
进一步地，所述步骤2中改进PSO-GA算法具体包括如下步骤：
步骤2.1：初始化种群，设置种群规模k；
步骤2.2：构造合适的适应度函数，计算初始总体值；
步骤2.3：结合优化后的学习因子和惯性权重策略改进粒子群算法，根据粒子群算法速度与位置更新公式进行种群演化；
对学习因子的优化采用引入线性同步变化的调整方法：
c1＝c1max-(c1max-c1min)*n/N (3)
c2＝c2max-(c2max-c2min)*n/N (4)
式中，c1表示个体学习的因素，c1max表示最大个体学习因子，c1min表示最小个体学习因子，c2表示社会学习的因素，c2max表示最大社会学习因子，c2min表示最小社会学习因子，c1与c2介于(0，4)之间；
对惯性权重的优化采用线性递减的调整方法：
ω＝ωmax-(n-1)*(ωmax-ωmin)/(N-1) (5)
式中，ω表示惯性权重，ωmax表示最大惯性权重，ωmin表示最小惯性权重，ωmin与ωmax介于(0，1)之间；
步骤2.4：进入遗传算法，利用轮盘赌策略从进化种群中选择新种群；
步骤2.5：通过交叉和变异得到最新的种群，并记录最优值；
步骤2.6：判断是否满足终止条件，如果满足终止条件，则输出结果，结束算法；如果不满足终止条件，则以当前种群作为新的初始种群，并返回步骤2.3，开始新一轮的迭代。
进一步地，所述步骤2.3中粒子群算法速度与位置更新公式如下：
Figure BDA0003789149190000031
Figure BDA0003789149190000032
式中，
Figure BDA0003789149190000033
表示更新后粒子速度，
Figure BDA0003789149190000034
表示更新后粒子位置，c1与c2表示学习因子，r1与r2分别为(0，1)之间的随机数，n为当前迭代数，
Figure BDA0003789149190000035
表示第i个粒子的个体极值，
Figure BDA0003789149190000036
表示群体全局极值。
进一步地，所述步骤2.5中自适应交叉与变异概率计算公式如下：
Figure BDA0003789149190000041
Figure BDA0003789149190000042
式中，pc表示交叉概率，pm表示变异概率，fs为两个杂交亲代中适应度值较小的个体，favg是种群的平均值，fmin是种群中最小的适应度值，厂为变异个体的适应度值，k1、k2、k3、k4都是常数。
6.根据权利要求1所述的基于改进PSO-GA和SVM的工业数据质量预测方法，其特征在于，所述步骤3中使用改进PSO-GA优化SVM算法参数的具体操作为：
步骤3.1：设置最大迭代次数，初始化种群参数；
步骤3.2：计算粒子的适应度F(Xi)，选择SVM中K折交叉验证下的准确率作为适应度值；
步骤3.3：根据优化粒子群算法更细新粒子个体与群体极值；
步骤3.4：判断是否陷入局部最优，如果算法陷入局部最优，调用遗传算法，对种群进行自适应交叉和变异操作；
步骤3.5：判断是否满足终止条件，终止条件为预设的迭代次数或者误差，如果满足终止条件，则输出最优的SVM参数，构建预测模型并结束算法；如果不满足终止条件，则更新粒子速度与位置并返回步骤3.2，开始新的迭代过程。
有益效果：
本发明基于已有的PSO粒子群算法与GA遗传算法，利用改进PSO算法和GA组合出一种改进PSO-GA算法进行SVM模型参数寻优，引入线性同步的学习因子以及基于线性递减策略的惯性因子改进PSO算法，能够有效实现局部搜索和全局搜索的最优化；利用自适应遗传算法平衡种群多样性，能够有效避免PSO算法陷入局部最优，提高了函数的寻优能力，通过改进PSO-GA优化SVM参数，能够加快收敛，提高寻优精度，提升模型性能，提高预测的效果。
附图说明
图1为本发明基于改进PSO-GA和SVM的工业数据质量预测方法流程图；
图2为本发明使用改进PSO-GA优化SVM算法参数的具体流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
参见附图1和附图2，本发明公开了一种基于改进PSO-GA和SVM的工业数据质量预测方法，包括如下步骤：
步骤1：获取工业数据，本实施例以工件制造工艺参数与质量属性工业数据为例，对该工业数据进行预处理，构建预测数据集。
步骤1.1：异常值处理及均值处理，对异常值的处理采用3倍标准差异常值检测方法：
Figure BDA0003789149190000051
Figure BDA0003789149190000052
式中，z′表示zi(i＝1，2，...，n)的均值，σ表示标准差，异常值判定标准是zi是否超出z′±3σ的范围。
步骤1.2：对数据的缺失值进行填补，数值型的缺失值采用无缺失样本的均值填补，离散型的缺失值采用无缺失样本的众数填补。
步骤1.3：对数据进行标准化处理，一方面可以消除量纲的影响，另一方面可以加快SVM模型的训练速度。
步骤1.4：利用one-hot方法对数据中的离散属性进行数值化处理。
步骤2：提出改进PSO-GA算法，结合优化后的学习因子和惯性权重策略改进粒子群算法，根据粒子群算法速度与位置更新公式进行种群演化，再引入自适应遗传算法来平衡种群多样性。
步骤2.1：初始化种群，设置种群规模k；
步骤2.2：构造合适的适应度函数，计算初始总体值；
步骤2.3：结合优化后的学习因子和惯性权重策略改进粒子群算法，根据粒子群算法速度与位置更新公式进行种群演化；
对学习因子的优化采用引入线性同步变化的调整方法：
c1＝c1max-(c1max-c1min)*n/N (3)
c2＝c2max-(c2max-c2min)*n/N (4)
式中，c1表示个体学习的因素，c1max表示最大个体学习因子，c1min表示最小个体学习因子，c2表示社会学习的因素，c2max表示最大社会学习因子，c2min表示最小社会学习因子，c1与c2介于(0，4)之间；
对惯性权重的优化采用线性递减的调整方法：
ω＝ωmax-(n-1)*(ωmax-ωmin)/(N-1) (5)
式中，ω表示惯性权重，ωmax表示最大惯性权重，ωmin表示最小惯性权重，ωmin与ωmax介于(0，1)之间。
粒子群算法速度与位置更新公式如下：
Figure BDA0003789149190000061
Figure BDA0003789149190000062
式中，
Figure BDA0003789149190000063
表示更新后粒子速度，
Figure BDA0003789149190000064
表示更新后粒子位置，c1与c2表示学习因子，r1与厂2分别为(0，1)之间的随机数，n为当前迭代数，
Figure BDA0003789149190000065
表示第i个粒子的个体极值，
Figure BDA0003789149190000066
表示群体全局极值。
步骤2.4：进入遗传算法，利用轮盘赌策略从进化种群中选择新种群；
步骤2.5：通过交叉和变异得到最新的种群，并记录最优值。
自适应交叉与变异概率计算公式如下：
Figure BDA0003789149190000067
Figure BDA0003789149190000068
式中，pc表示交叉概率，pm表示变异概率，fs为两个杂交亲代中适应度值较小的个体，favg是种群的平均值，fmin是种群中最小的适应度值，厂为变异个体的适应度值，k1、k2、k3、k4都是常数。
步骤2.6：判断是否满足终止条件，如果满足终止条件，则输出结果，结束算法；如果不满足终止条件，则以当前种群作为新的初始种群，并返回步骤2.3，开始新一轮的迭代。
步骤3：使用改进PSO-GA优化SVM算法参数。
使用改进PSO-GA优化SVM算法参数的具体操作为：
步骤3.1：设置最大迭代次数，初始化种群参数；
步骤3.2：计算粒子的适应度F(Xi)，选择SVM中K折交叉验证下的准确率作为适应度值；
步骤3.3：根据优化粒子群算法更细新粒子个体与群体极值；
步骤3.4：判断是否陷入局部最优，如果算法陷入局部最优，调用遗传算法，对种群进行自适应交叉和变异操作；
步骤3.5：判断是否满足终止条件，终止条件为预设的迭代次数或者误差，如果满足终止条件，则输出最优的SVM参数，构建预测模型并结束算法；如果不满足终止条件，则更新粒子速度与位置并返回步骤3.2，开始新的迭代过程。
步骤4：根据构建的SVM预测模型，进行工业数据质量预测。
本发明可与计算机系统结合，从而完成工业数据的质量预测。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于改进PSO-GA和SVM的工业数据质量预测方法，其特征在于，包括如下步骤：
步骤1：对工业数据进行预处理，构建预测数据集；
步骤2：提出改进PSO-GA算法，结合优化后的学习因子和惯性权重策略改进粒子群算法，根据粒子群算法速度与位置更新公式进行种群演化，再引入自适应遗传算法来平衡种群多样性；
步骤3：使用改进PSO-GA优化SVM算法参数；
步骤4：根据构建的SVM预测模型，进行工业数据质量预测。本发明可与计算机系统结合，从而完成工业数据的质量预测。
2.根据权利要求1所述的基于改进PSO-GA和SVM的工业数据质量预测方法，其特征在于，所述步骤1中数据预处理包括如下步骤：
步骤1.1：异常值处理及均值处理，采用3倍标准差异常值检测方法：
Figure FDA0003789149180000011
Figure FDA0003789149180000012
式中，z′表示zi(i＝1，2，...，n)的均值，σ表示标准差，异常值判定标准是zi是否超出z′±3σ的范围；
步骤1.2：对数据的缺失值进行填补，数值型的缺失值采用无缺失样本的均值填补，离散型的缺失值采用无缺失样本的众数填补；
步骤1.3：对数据进行标准化处理；
步骤1.4：利用one-hot方法对数据中的离散属性进行数值化处理。
3.根据权利要求1所述的基于改进PSO-GA和SVM的工业数据质量预测方法，其特征在于，所述步骤2中改进PSO-GA算法具体包括如下步骤：
步骤2.1：初始化种群，设置种群规模k；
步骤2.2：构造合适的适应度函数，计算初始总体值；
步骤2.3：结合优化后的学习因子和惯性权重策略改进粒子群算法，根据粒子群算法速度与位置更新公式进行种群演化；
对学习因子的优化采用引入线性同步变化的调整方法：
c1＝c1max-(c1max-c1min)*n/N (3)
c2＝c2max-(c2max-c2min)*n/N (4)
式中，c1表示个体学习的因素，c1max表示最大个体学习因子，c1min表示最小个体学习因子，c2表示社会学习的因素，c2max表示最大社会学习因子，c2min表示最小社会学习因子，c1与c2介于(0，4)之间；
对惯性权重的优化采用线性递减的调整方法：
ω＝ωmax-(n-1)*(ωmax-ωmin)/(N-1) (5)
式中，ω表示惯性权重，ωmax表示最大惯性权重，ωmin表示最小惯性权重，ωmin与ωmax介于(0，1)之间；
步骤2.4：进入遗传算法，利用轮盘赌策略从进化种群中选择新种群；
步骤2.5：通过交叉和变异得到最新的种群，并记录最优值；
步骤2.6：判断是否满足终止条件，如果满足终止条件，则输出结果，结束算法；如果不满足终止条件，则以当前种群作为新的初始种群，并返回步骤2.3，开始新一轮的迭代。
4.根据权利要求3所述的基于改进PSO-GA和SVM的工业数据质量预测方法，其特征在于，所述步骤2.3中粒子群算法速度与位置更新公式如下：
Figure FDA0003789149180000021
Figure FDA0003789149180000022
式中，
Figure FDA0003789149180000023
表示更新后粒子速度，
Figure FDA0003789149180000024
表示更新后粒子位置，c1与c2表示学习因子，r1与r2分别为(0，1)之间的随机数，n为当前迭代数，
Figure FDA0003789149180000025
表示第i个粒子的个体极值，
Figure FDA0003789149180000026
表示群体全局极值。
5.根据权利要求3所述的基于改进PSO-GA和SVM的工业数据质量预测方法，其特征在于，所述步骤2.5中自适应交叉与变异概率计算公式如下：
Figure FDA0003789149180000027
Figure FDA0003789149180000031
式中，pc表示交叉概率，pm表示变异概率，fs为两个杂交亲代中适应度值较小的个体，favg是种群的平均值，fmin是种群中最小的适应度值，厂为变异个体的适应度值，k1、k2、k3、k4都是常数。
6.根据权利要求1所述的基于改进PSO-GA和SVM的工业数据质量预测方法，其特征在于，所述步骤3中使用改进PSO-GA优化SVM算法参数的具体操作为：
步骤3.1：设置最大迭代次数，初始化种群参数；
步骤3.2：计算粒子的适应度F(Xi)，选择SVM中K折交叉验证下的准确率作为适应度值；
步骤3.3：根据优化粒子群算法更细新粒子个体与群体极值；
步骤3.4：判断是否陷入局部最优，如果算法陷入局部最优，调用遗传算法，对种群进行自适应交叉和变异操作；
步骤3.5：判断是否满足终止条件，终止条件为预设的迭代次数或者误差，如果满足终止条件，则输出最优的SVM参数，构建预测模型并结束算法；如果不满足终止条件，则更新粒子速度与位置并返回步骤3.2，开始新的迭代过程。
CN202210953317.1A 2022-08-09 2022-08-09 一种基于改进pso-ga和svm的工业数据质量预测方法 Pending CN115271237A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953317.1A CN115271237A (zh) 2022-08-09 2022-08-09 一种基于改进pso-ga和svm的工业数据质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953317.1A CN115271237A (zh) 2022-08-09 2022-08-09 一种基于改进pso-ga和svm的工业数据质量预测方法

Publications (1)

Publication Number Publication Date
CN115271237A true CN115271237A (zh) 2022-11-01

Family

ID=83751242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953317.1A Pending CN115271237A (zh) 2022-08-09 2022-08-09 一种基于改进pso-ga和svm的工业数据质量预测方法

Country Status (1)

Country Link
CN (1) CN115271237A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908930A (zh) * 2022-12-01 2023-04-04 江苏海洋大学 一种基于改进cfwpso-svm的前视声呐图像识别分类方法
CN117495468A (zh) * 2023-12-26 2024-02-02 山东省交通规划设计院集团有限公司 基于大数据的公路工程计量计费方法及系统
CN117807818A (zh) * 2024-03-01 2024-04-02 西安慧金科技有限公司 一种结合动态篮环优化算法的工业炉寿命预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908930A (zh) * 2022-12-01 2023-04-04 江苏海洋大学 一种基于改进cfwpso-svm的前视声呐图像识别分类方法
CN117495468A (zh) * 2023-12-26 2024-02-02 山东省交通规划设计院集团有限公司 基于大数据的公路工程计量计费方法及系统
CN117495468B (zh) * 2023-12-26 2024-06-21 山东省交通规划设计院集团有限公司 基于大数据的公路工程计量计费方法及系统
CN117807818A (zh) * 2024-03-01 2024-04-02 西安慧金科技有限公司 一种结合动态篮环优化算法的工业炉寿命预测方法
CN117807818B (zh) * 2024-03-01 2024-05-10 西安慧金科技有限公司 一种结合动态篮环优化算法的工业炉寿命预测方法

Similar Documents

Publication Publication Date Title
CN115271237A (zh) 一种基于改进pso-ga和svm的工业数据质量预测方法
Wang et al. A cluster-based competitive particle swarm optimizer with a sparse truncation operator for multi-objective optimization
CN109063355A (zh) 基于粒子群优化与Kriging模型的近似优化方法
CN111258984B (zh) 工业大数据环境下的产品质量端-边-云协同预报方法
CN110708318A (zh) 基于改进的径向基神经网络算法的网络异常流量预测方法
CN107885971B (zh) 采用改进花授粉算法识别关键蛋白质的方法
CN110543913A (zh) 一种基于遗传算法的近邻传播聚类方法
CN109444840B (zh) 一种基于机器学习的雷达杂波抑制方法
CN115906399A (zh) 一种改进的小样本数据下产品关键工艺质量预测方法
CN114580763A (zh) 一种基于改进蜻蜓与轻量级梯度提升树模型的电力负荷预测方法
Wu et al. Many-objective brain storm optimization algorithm
CN111275074A (zh) 基于栈式自编码网络模型的电力cps信息攻击辨识方法
CN116952265A (zh) 基于袋獾优化算法的工厂智能车巡检路径规划方法及系统
CN117421171A (zh) 一种大数据任务监控方法、系统、装置及存储介质
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
Tan et al. Multi-UAV path planning based on IB-ABC with restricted planned arrival sequence
CN113837428B (zh) 原烟养护的传感器优化布局及温湿度预测算法
CN112330164B (zh) 基于消息总线的数据质量治理系统及方法
CN115344046A (zh) 一种基于改进深度q网络算法的移动机器人路径规划
CN112308229B (zh) 基于自组织映射的动态多目标演化优化方法
CN114912368A (zh) 结合梯度算法和演化算法对神经网络模型进行优化的方法
CN114417074A (zh) 高维度量空间数据的快速knn检索方法及系统
CN111176865B (zh) 一种基于优化算法的对等模式并行处理方法及框架
Qu et al. An automatic clustering algorithm using nsga-ii with gene rearrangement
CN112579580B (zh) 一种基于工业大数据预测的预报警方法

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