CN116011502A - 基于多收敛方向粒子群寻优提升良品率的数据处理方法 - Google Patents
基于多收敛方向粒子群寻优提升良品率的数据处理方法 Download PDFInfo
- Publication number
- CN116011502A CN116011502A CN202310302080.5A CN202310302080A CN116011502A CN 116011502 A CN116011502 A CN 116011502A CN 202310302080 A CN202310302080 A CN 202310302080A CN 116011502 A CN116011502 A CN 116011502A
- Authority
- CN
- China
- Prior art keywords
- particle
- iteration
- sub
- dimension
- particles
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 239
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 10
- 239000011521 glass Substances 0.000 claims description 23
- 239000012212 insulator Substances 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多收敛方向粒子群寻优提升良品率的数据处理方法,该方法利用梯度提升回归方法训练的预测模型作为适应度函数,通过多收敛方向粒子群算法,将初始粒子群分为三个子粒子群,各子粒子群分别向单个粒子的历史最优(Pbest)靠拢、向历史全局最优(Gbest)靠拢、向每次迭代的当次迭代最优(Obest)靠拢,能够保证算法运行到后期也能拥有较丰富的多样性粒子,避免陷入局部最优,从而有效提升产品的良品率。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种基于多收敛方向粒子群寻优提升良品率的数据处理方法。
背景技术
目前,寻优算法作为基于机器学习的数据处理方法,已逐渐应用于提升产品的良品率中。以玻璃绝缘子为例,玻璃绝缘子是高压输电线路的关键部件之一,任何一个玻璃绝缘子发生问题,都会造成系统事故,因此对玻璃绝缘子的质量和可靠性的要求就非常高。在玻璃绝缘子的生产过程中提升良品率成为研究的重点。
相关技术中,虽然有基于机器学习的数据处理方法用于提升玻璃绝缘子的良品率。但已有的寻优算法存在运行到后期无法拥有较丰富的多样性粒子的问题,容易陷入局部最优,导致最终并不能有效的提升良品率。
发明内容
为此,本发明的实施例提出一种基于多收敛方向粒子群寻优提升良品率的数据处理方法,以解决现有技术在运行到后期无法拥有较丰富的多样性粒子,容易陷入局部最优的技术问题。
根据本发明一实施例的基于多收敛方向粒子群寻优提升良品率的数据处理方法,包括以下步骤:
S1,收集影响玻璃绝缘子生产的控制参数历史数据组成原始数据集;
S2,根据原始数据集,利用梯度提升回归方法训练预测模型;
S3,在指标参数范围内,随机生成初始粒子群,并初始化设定参数;
S4,将初始粒子群分为三个子粒子群,三个子粒子群分别向单个粒子的历史最优靠拢、向历史全局最优靠拢、向每次迭代的当次迭代最优靠拢;
S5,利用所述预测模型作为适应度函数,计算各子粒子群的适应度值,采用多收敛方向粒子群算法更新粒子的位置和速度;
S6,判断当前迭代数是否和最大迭代次数相等,若是,则跳出迭代,执行步骤S7,若否,则迭代次数加1,并返回步骤S5;
S7,输出全局最优的控制参数指标值。
根据本发明实施例的基于多收敛方向粒子群寻优提升良品率的数据处理方法,利用梯度提升回归方法训练的预测模型作为适应度函数,通过多收敛方向粒子群算法MCDPSO(Multiple Convergence Direction Particle Swarm Optimization),将初始粒子群分为三个子粒子群,各子粒子群分别向单个粒子的历史最优(Pbest)靠拢、向历史全局最优(Gbest)靠拢、向每次迭代的当次迭代最优(Obest)靠拢,能够保证算法运行到后期也能拥有较丰富的多样性粒子,避免陷入局部最优,本发明通过优化玻璃绝缘子的生产过程中的控制参数,能够有效提升玻璃绝缘子的良品率。
另外,根据本发明上述实施例的基于多收敛方向粒子群寻优提升良品率的数据处理方法,还可以具有如下附加的技术特征:
进一步地,步骤S1具体包括:
收集玻璃绝缘子生产参数的历史数据,对历史数据进行预处理,将影响玻璃绝缘子生产的控制参数作为输入参数,玻璃绝缘子的良品率作为输出参数,构建训练集和测试集数据。
进一步地,步骤S4具体包括:
将初始粒子群分为三个子粒子群,三个子粒子群分别向单个粒子的历史最优靠拢、向历史全局最优靠拢、向每次迭代的当次迭代最优靠拢,其中,向单个粒子的历史最优靠拢的子粒子群在初始粒子群中的占比为P,向历史全局最优靠拢的子粒子群在初始粒子群中的占比为G,向每次迭代的当次迭代最优靠拢的子粒子群在初始粒子群中的占比为O,P、G、O三者之和为1。
进一步地,步骤S5中,多收敛方向粒子群算法更新粒子的速度的公式为:
其中,表示向单个粒子的历史最优靠拢的子粒子群中的粒子i在第k+1次迭代的第d维的速度,表示向单个粒子的历史最优靠拢的子粒子群中的粒子i在第k次迭代的第d维的速度,表示向历史全局最优靠拢的子粒子群中的粒子j在第k+1次迭代的第d维的速度,表示向历史全局最优靠拢的子粒子群中的粒子j在第k次迭代的第d维的速度,表示向每次迭代的当次迭代最优靠拢的子粒子群中的粒子p在第k+1次迭代的第d维的速度,表示向每次迭代的当次迭代最优靠拢的子粒子群中的粒子p在第k次迭代的第d维的速度,表示速度更新的惯性权重,、、分别表示与向单个粒子的历史最优靠拢的子粒子群对应的学习因子、与向历史全局最优靠拢的子粒子群对应的学习因子、与向每次迭代的当次迭代最优靠拢的子粒子群对应的学习因子,、、分别表示与向单个粒子的历史最优靠拢的子粒子群对应的随机数、与向历史全局最优靠拢的子粒子群对应的随机数、与向每次迭代的当次迭代最优靠拢的子粒子群对应的随机数,表示粒子i第d维的历史最优位置,表示粒子j第d维的历史全局最优位置,表示粒子p第d维的当次迭代历史最优位置,表示粒子i第k次迭代的第d维的位置,表示粒子j第k次迭代的第d维的位置,表示粒子p第k次迭代的第d维的位置。
进一步地,步骤S5中,多收敛方向粒子群算法更新粒子的位置的公式为:
其中,表示粒子i第k+1次迭代的第d维的位置,表示粒子j第k+1次迭代的第d维的位置,表示粒子p第k+1次迭代的第d维的位置。
进一步地,步骤S5中,速度更新的惯性权重采用下式进行动态调整:
其中,表示惯性权重最大取值,表示惯性权重最小取值,表示粒子i的适应度值,表示向单个粒子的历史最优靠拢的子粒子群中最大的粒子适应度值。
进一步地,步骤S3中,初始化设定参数具体包括:
初始化设定粒子群的粒子个数、惯性权重、学习因子、种群的最大迭代次数、粒子维度、初始速度、粒子群中粒子各维度的最大更新速度。
附图说明
图1是根据本发明一实施例的基于多收敛方向粒子群寻优提升良品率的数据处理方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请参考图1,本发明实施例提出一种基于多收敛方向粒子群寻优提升良品率的数据处理方法,包括步骤S1~S7:
S1,收集影响玻璃绝缘子生产的控制参数历史数据组成原始数据集。
其中,步骤S1具体包括:
收集玻璃绝缘子生产参数的历史数据,对历史数据进行预处理,将影响玻璃绝缘子生产的控制参数作为输入参数,玻璃绝缘子的良品率作为输出参数,构建训练集和测试集数据。
玻璃绝缘子生产过程中的控制参数众多,本实施例中,对控制参数与良品率之间进行相关性分析,选取强相关的控制参数数据15项,对玻璃绝缘子生产的良品率影响最大的参数为“停机时长”,该参数在生产过程中代表设备停机,生产效率为0,因此,选取其他14个控制参数,其中7个控制参数属于窑炉生产环境,6个控制参数属于供料道生产环境。将这14个控制参数与玻璃绝缘子的良品率组成原始数据集,将数据集拆分为训练集和测试集时,训练集和测试集的比例为8:2。
S2,根据原始数据集,利用梯度提升回归方法训练预测模型。
其中,根据原始数据集,利用梯度提升回归方法将玻璃绝缘子生产过程的控制参数作为预测模型的输入,将良品率作为预测模型的输出,训练预测模型。
S3,在指标参数范围内,随机生成初始粒子群,并初始化设定参数。
其中,初始化设定参数具体包括:
初始化设定粒子群的粒子个数、惯性权重、学习因子、种群的最大迭代次数、粒子维度、初始速度、粒子群中粒子各维度的最大更新速度。
S4,将初始粒子群分为三个子粒子群,三个子粒子群分别向单个粒子的历史最优靠拢、向历史全局最优靠拢、向每次迭代的当次迭代最优靠拢。
其中,步骤S4具体包括:
将初始粒子群分为三个子粒子群,三个子粒子群分别向单个粒子的历史最优(Pbest)靠拢、向历史全局最优(Gbest)靠拢、向每次迭代的当次迭代最优(Obest)靠拢,其中,向单个粒子的历史最优靠拢的子粒子群在初始粒子群中的占比为P,向历史全局最优靠拢的子粒子群在初始粒子群中的占比为G,向每次迭代的当次迭代最优靠拢的子粒子群在初始粒子群中的占比为O,P、G、O三者之和为1。
本实施例中,单个粒子的历史最优靠拢的子粒子群的收敛方向是Gbest,为局部搜索部分。Gbest是全局历史最优粒子的位置,故粒子向其收敛的步长应该较小,以便快速找到最优解。此时如果搜索步长过大,可能会出现收敛振荡问题,不利于找到最优解。因此设置学习因子c1=0.2,增强种群的局部勘探能力。
向历史全局最优靠拢的子粒子群的收敛方向是Pbest,为均衡搜索部分。Pbest是个体粒子历史最优的位置,相比于Gbest,它的适应度值略小,但选择更多。因此向Pbest收敛的步长应该适中,方便找到更优解。若此时的搜索步长过小,则无法搜索到更多区域;若搜索步长过大,则无法准确收敛到当前最优位置。因此设置学习因子c2=1,强化种群的均衡搜索能力。
向每次迭代的当次迭代最优靠拢的子粒子群是朝向Obest收敛的,为全局搜索部分。Obest是当前迭代最优粒子的位置,其作用是丰富种群收敛的方向,以达到全局搜索的目的,故向其收敛的步长应较大,方便搜索到更多的区域。因此设置学习因子c3=2,强化种群的全局勘探能力。
S5,利用所述预测模型作为适应度函数,计算各子粒子群的适应度值,采用多收敛方向粒子群算法更新粒子的位置和速度。
其中,多收敛方向粒子群算法更新粒子的速度的公式为:
其中,表示向单个粒子的历史最优靠拢的子粒子群中的粒子i在第k+1次迭代的第d维的速度,表示向单个粒子的历史最优靠拢的子粒子群中的粒子i在第k次迭代的第d维的速度,表示向历史全局最优靠拢的子粒子群中的粒子j在第k+1次迭代的第d维的速度,表示向历史全局最优靠拢的子粒子群中的粒子j在第k次迭代的第d维的速度,表示向每次迭代的当次迭代最优靠拢的子粒子群中的粒子p在第k+1次迭代的第d维的速度,表示向每次迭代的当次迭代最优靠拢的子粒子群中的粒子p在第k次迭代的第d维的速度,表示速度更新的惯性权重,、、分别表示与向单个粒子的历史最优靠拢的子粒子群对应的学习因子、与向历史全局最优靠拢的子粒子群对应的学习因子、与向每次迭代的当次迭代最优靠拢的子粒子群对应的学习因子,、、分别表示与向单个粒子的历史最优靠拢的子粒子群对应的随机数、与向历史全局最优靠拢的子粒子群对应的随机数、与向每次迭代的当次迭代最优靠拢的子粒子群对应的随机数,表示粒子i第d维的历史最优位置,表示粒子j第d维的历史全局最优位置,表示粒子p第d维的当次迭代历史最优位置,表示粒子i第k次迭代的第d维的位置,表示粒子j第k次迭代的第d维的位置,表示粒子p第k次迭代的第d维的位置。
此外,步骤S5中,多收敛方向粒子群算法更新粒子的位置的公式为:
其中,表示粒子i第k+1次迭代的第d维的位置,表示粒子j第k+1次迭代的第d维的位置,表示粒子p第k+1次迭代的第d维的位置。
速度更新的惯性权重能直接影响粒子的移动步长,对PSO算法的收敛速度和精度起着重要作用,但在标准PSO算法中是固定的,这会导致算法无法自适应向当前搜索方向准确收敛。针对上述问题,本实施例中,对速度更新的惯性权重采用下式进行动态调整:
其中,表示惯性权重最大取值,表示惯性权重最小取值,表示粒子i的适应度值,表示向单个粒子的历史最优靠拢的子粒子群中最大的粒子适应度值。
在粒子群中,越接近,这部分粒子的性能相对就越好,所以这部分粒子的位置改变不应过大,粒子的位置越靠近最优解,惯性权重应越小。反之,若较小,这部分粒子的性能在种群中较差,此时应该对粒子进行一个较大位置的变化,使其能有机会跃迁到对应更高适应度值的位置。
通过构建自适应的惯性权重,有效的提升了粒子群算法的收敛效率,提高了粒子群的种群多样性与收敛精度,能进一步减缓算法陷入局部最优的情况。
S6,判断当前迭代数是否和最大迭代次数相等,若是,则跳出迭代,执行步骤S7,若否,则迭代次数加1,并返回步骤S5。
S7,输出全局最优的控制参数指标值。
通过对玻璃绝缘子生产过程中的控制参数指标值进行寻优,能够有效提升玻璃绝缘子的良品率。
综上,本发明提供的基于多收敛方向粒子群寻优提升良品率的数据处理方法,利用梯度提升回归方法训练的预测模型作为适应度函数,通过多收敛方向粒子群算法,将初始粒子群分为三个子粒子群,各子粒子群分别向单个粒子的历史最优靠拢、向历史全局最优靠拢、向每次迭代的当次迭代最优靠拢,能够保证算法运行到后期也能拥有较丰富的多样性粒子,避免陷入局部最优,本发明通过优化玻璃绝缘子的生产过程中的控制参数,能够有效提升玻璃绝缘子的良品率。
此外,通过构建自适应的惯性权重,有效的提升了粒子群算法的收敛效率,提高了粒子群的种群多样性与收敛精度,能进一步减缓算法陷入局部最优的情况。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨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,本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于多收敛方向粒子群寻优提升良品率的数据处理方法,其特征在于,包括以下步骤:
S1,收集影响玻璃绝缘子生产的控制参数历史数据组成原始数据集;
S2,根据原始数据集,利用梯度提升回归方法训练预测模型;
S3,在指标参数范围内,随机生成初始粒子群,并初始化设定参数;
S4,将初始粒子群分为三个子粒子群,三个子粒子群分别向单个粒子的历史最优靠拢、向历史全局最优靠拢、向每次迭代的当次迭代最优靠拢;
S5,利用所述预测模型作为适应度函数,计算各子粒子群的适应度值,采用多收敛方向粒子群算法更新粒子的位置和速度;
S6,判断当前迭代数是否和最大迭代次数相等,若是,则跳出迭代,执行步骤S7,若否,则迭代次数加1,并返回步骤S5;
S7,输出全局最优的控制参数指标值。
2.根据权利要求1所述的基于多收敛方向粒子群寻优提升良品率的数据处理方法,其特征在于,步骤S1具体包括:
收集玻璃绝缘子生产参数的历史数据,对历史数据进行预处理,将影响玻璃绝缘子生产的控制参数作为输入参数,玻璃绝缘子的良品率作为输出参数,构建训练集和测试集数据。
3.根据权利要求1所述的基于多收敛方向粒子群寻优提升良品率的数据处理方法,其特征在于,步骤S4具体包括:
将初始粒子群分为三个子粒子群,三个子粒子群分别向单个粒子的历史最优靠拢、向历史全局最优靠拢、向每次迭代的当次迭代最优靠拢,其中,向单个粒子的历史最优靠拢的子粒子群在初始粒子群中的占比为P,向历史全局最优靠拢的子粒子群在初始粒子群中的占比为G,向每次迭代的当次迭代最优靠拢的子粒子群在初始粒子群中的占比为O,P、G、O三者之和为1。
4.根据权利要求3所述的基于多收敛方向粒子群寻优提升良品率的数据处理方法,其特征在于,步骤S5中,多收敛方向粒子群算法更新粒子的速度的公式为:
其中,表示向单个粒子的历史最优靠拢的子粒子群中的粒子i在第k+1次迭代的第d维的速度,表示向单个粒子的历史最优靠拢的子粒子群中的粒子i在第k次迭代的第d维的速度,表示向历史全局最优靠拢的子粒子群中的粒子j在第k+1次迭代的第d维的速度,表示向历史全局最优靠拢的子粒子群中的粒子j在第k次迭代的第d维的速度,表示向每次迭代的当次迭代最优靠拢的子粒子群中的粒子p在第k+1次迭代的第d维的速度,表示向每次迭代的当次迭代最优靠拢的子粒子群中的粒子p在第k次迭代的第d维的速度,表示速度更新的惯性权重,、、分别表示与向单个粒子的历史最优靠拢的子粒子群对应的学习因子、与向历史全局最优靠拢的子粒子群对应的学习因子、与向每次迭代的当次迭代最优靠拢的子粒子群对应的学习因子,、、分别表示与向单个粒子的历史最优靠拢的子粒子群对应的随机数、与向历史全局最优靠拢的子粒子群对应的随机数、与向每次迭代的当次迭代最优靠拢的子粒子群对应的随机数,表示粒子i第d维的历史最优位置,表示粒子j第d维的历史全局最优位置,表示粒子p第d维的当次迭代历史最优位置,表示粒子i第k次迭代的第d维的位置,表示粒子j第k次迭代的第d维的位置,表示粒子p第k次迭代的第d维的位置。
5.根据权利要求4所述的基于多收敛方向粒子群寻优提升良品率的数据处理方法,其特征在于,步骤S5中,多收敛方向粒子群算法更新粒子的位置的公式为:
其中,表示粒子i第k+1次迭代的第d维的位置,表示粒子j第k+1次迭代的第d维的位置,表示粒子p第k+1次迭代的第d维的位置。
6.根据权利要求5所述的基于多收敛方向粒子群寻优提升良品率的数据处理方法,其特征在于,步骤S5中,速度更新的惯性权重采用下式进行动态调整:
其中,表示惯性权重最大取值,表示惯性权重最小取值,表示粒子i的适应度值,表示向单个粒子的历史最优靠拢的子粒子群中最大的粒子适应度值。
7.根据权利要求1所述的基于多收敛方向粒子群寻优提升良品率的数据处理方法,其特征在于,步骤S3中,初始化设定参数具体包括:
初始化设定粒子群的粒子个数、惯性权重、学习因子、种群的最大迭代次数、粒子维度、初始速度、粒子群中粒子各维度的最大更新速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310302080.5A CN116011502B (zh) | 2023-03-27 | 2023-03-27 | 基于多收敛方向粒子群寻优提升良品率的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310302080.5A CN116011502B (zh) | 2023-03-27 | 2023-03-27 | 基于多收敛方向粒子群寻优提升良品率的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116011502A true CN116011502A (zh) | 2023-04-25 |
CN116011502B CN116011502B (zh) | 2023-06-09 |
Family
ID=86025163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310302080.5A Active CN116011502B (zh) | 2023-03-27 | 2023-03-27 | 基于多收敛方向粒子群寻优提升良品率的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116011502B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903054A (zh) * | 2014-04-23 | 2014-07-02 | 武汉大学 | 一种自学习迁移粒子群人工智能算法 |
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN103971160A (zh) * | 2014-05-05 | 2014-08-06 | 北京航空航天大学 | 基于复杂网络的粒子群优化方法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂系统设计方法 |
CN106155170A (zh) * | 2016-07-15 | 2016-11-23 | 西安理工大学 | 一种太阳能电池最大功率跟踪控制方法 |
CN109871982A (zh) * | 2019-01-10 | 2019-06-11 | 北京国电通网络技术有限公司 | 一种配电网重构方法及云服务器、电子设备 |
CN114611373A (zh) * | 2022-03-30 | 2022-06-10 | 福建中锐网络股份有限公司 | 一种基于变种sigmoid函数和粒子变异的PSO改进算法 |
CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
WO2022267791A1 (zh) * | 2021-06-22 | 2022-12-29 | 南京邮电大学 | 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质 |
CN115755581A (zh) * | 2022-11-10 | 2023-03-07 | 吉林大学 | 一种pid控制器的控制方法 |
-
2023
- 2023-03-27 CN CN202310302080.5A patent/CN116011502B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN103903054A (zh) * | 2014-04-23 | 2014-07-02 | 武汉大学 | 一种自学习迁移粒子群人工智能算法 |
CN103971160A (zh) * | 2014-05-05 | 2014-08-06 | 北京航空航天大学 | 基于复杂网络的粒子群优化方法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂系统设计方法 |
CN106155170A (zh) * | 2016-07-15 | 2016-11-23 | 西安理工大学 | 一种太阳能电池最大功率跟踪控制方法 |
CN109871982A (zh) * | 2019-01-10 | 2019-06-11 | 北京国电通网络技术有限公司 | 一种配电网重构方法及云服务器、电子设备 |
WO2022267791A1 (zh) * | 2021-06-22 | 2022-12-29 | 南京邮电大学 | 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质 |
CN114611373A (zh) * | 2022-03-30 | 2022-06-10 | 福建中锐网络股份有限公司 | 一种基于变种sigmoid函数和粒子变异的PSO改进算法 |
CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
CN115755581A (zh) * | 2022-11-10 | 2023-03-07 | 吉林大学 | 一种pid控制器的控制方法 |
Non-Patent Citations (2)
Title |
---|
FENGYU YANG: "A Novel Real Number Encoding Method of Particle Swarm Optimization for Vehicle Routing Problem", IEEE * |
董立军;蒲亦非;周激流;: "基于多尺度分数阶多重记忆与学习的粒子群算法", 计算机应用研究, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116011502B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106598849B (zh) | 一种基于ap-pso算法的组合测试用例生成方法 | |
Pulido et al. | A constraint-handling mechanism for particle swarm optimization | |
CN113868366B (zh) | 一种面向流数据的在线跨模态检索方法与系统 | |
CN109657274B (zh) | 建筑结构中基于粒子群优化算法的弦支穹顶索力优化方法 | |
CN111222799B (zh) | 一种基于改进粒子群算法的装配序列规划方法 | |
Chen et al. | Mngnas: Distilling adaptive combination of multiple searched networks for one-shot neural architecture search | |
CN112596373A (zh) | 一种基于量子萤火虫算法的无人机姿控参数智能整定方法 | |
CN115271237A (zh) | 一种基于改进pso-ga和svm的工业数据质量预测方法 | |
CN114066122A (zh) | 一种基于多策略水波优化算法的调度方法 | |
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 | |
CN116011502B (zh) | 基于多收敛方向粒子群寻优提升良品率的数据处理方法 | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
Chen et al. | Research on an improved PSO algorithm with dual self-adaptation and dual variation | |
CN113034343B (zh) | 参数自适应的高光谱图像分类gpu并行方法 | |
CN113503885B (zh) | 一种基于采样优化ddpg算法的机器人路径导航方法及系统 | |
Zhuo et al. | A particle swarm optimization algorithm based on dynamic adaptive and chaotic search | |
Mohamed | Differential evolution (DE): A short review | |
Xu et al. | A new multi-stage perturbed differential evolution with multi-parameter adaption and directional difference | |
CN111738395A (zh) | 一种求解含等式约束优化问题的双适应度混沌粒子群算法 | |
Lei et al. | Complex optimization problems using highly efficient particle swarm optimizer | |
Zhang et al. | Porcellio scaber Algorithm with t-Distributed Elite Mutation for Global Optimization | |
CN114169098B (zh) | 基于捕食者策略和粒子群算法的先进安注箱参数优化方法 | |
US20220083856A1 (en) | Learning apparatus, method, and non-transitory computer readable medium | |
Nie et al. | Hyper heuristic method based on improved GEP for scheduling problems in shop floor | |
Wei et al. | Micro variation Chaos genetic 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |