CN116227311A - 一种改进的基于差分进化的亨利气体溶解度优化方法 - Google Patents
一种改进的基于差分进化的亨利气体溶解度优化方法 Download PDFInfo
- Publication number
- CN116227311A CN116227311A CN202310001979.3A CN202310001979A CN116227311A CN 116227311 A CN116227311 A CN 116227311A CN 202310001979 A CN202310001979 A CN 202310001979A CN 116227311 A CN116227311 A CN 116227311A
- Authority
- CN
- China
- Prior art keywords
- eho
- algorithm
- average
- optimization
- initialized
- 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 62
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 239000002245 particle Substances 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 5
- ZGBKEOLAPVBJFC-DJLDLDEBSA-N 1-[(2r,4s,5r)-5-(hydroxymethyl)-4-methoxyoxolan-2-yl]-5-methylpyrimidine-2,4-dione Chemical compound O1[C@H](CO)[C@@H](OC)C[C@@H]1N1C(=O)NC(=O)C(C)=C1 ZGBKEOLAPVBJFC-DJLDLDEBSA-N 0.000 description 4
- SUBDBMMJDZJVOS-UHFFFAOYSA-N 5-methoxy-2-{[(4-methoxy-3,5-dimethylpyridin-2-yl)methyl]sulfinyl}-1H-benzimidazole Chemical compound N=1C2=CC(OC)=CC=C2NC=1S(=O)CC1=NC=C(C)C(OC)=C1C SUBDBMMJDZJVOS-UHFFFAOYSA-N 0.000 description 4
- 241000283153 Cetacea Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- FRPRNNRJTCONEC-UHFFFAOYSA-N Ohmefentanyl Chemical compound C=1C=CC=CC=1N(C(=O)CC)C(C(C1)C)CCN1CC(O)C1=CC=CC=C1 FRPRNNRJTCONEC-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例公开了一种改进的基于差分进化的亨利气体溶解度优化方法。该算法优化的方法包括：基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。通过本发明，解决了相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，达到了将LF机制的优势与差分进化相结合，建立了增强的HGSO技术，以增强能源利用的动态性能的技术效果。
Description
技术领域
本发明涉及工程技术应用领域，尤其涉及一种改进的基于差分进化的亨利气体溶解度优化方法。
背景技术
在工程应用中，特别是在非线性全局优化问题中，经典的单解算法如扰动与观测(Perturb&Observe，简称P&O)和增量质量阻力(Incremental Mass Resistance，简称IMR)被认为是不可行的。为了解决最大功率问题，实用控制算法和元启发式优化方法的设计和使用在科学界引起了广泛的关注。元启发式方法是对启发式算法的改进，基于此，将元启发式算法分为基于生物进化的进化算法(Evolutionary Algorithm，简称EA)和基于群体智能策略的进化算法(Swarm Intelligence，简称SI)两大类。基于SI的方法模拟了自然界中动物群体的去中心化和强化行为，而基于EA的技术则受到了生物进化的启发。与基于进化的元启发式算法相比，基于群智能的元启发式算法使用的算子较少，实现更加直观,能够在后续迭代中保持搜索空间。
在能源利用领域，基于最大功率控制的鲸鱼优化算法被激发和研究，以提高能源提取过程的成本效率。2019年，亨利气体溶解度优化(Henry Gas SolubilityOptimization Algorithm，简称HGSO)方法被提出作为一种SI技术，这是一种基于群体的元启发式策略，其动机是亨利定律在物理学中的表现。在现有的粒子群优化算法(ParticleSwarm Optimization，简称PSO)、灰狼优化算法(Grey Wolf Optimizer，简称GWO)、鲸鱼优化方法(Whale Optimization Algorithm，简称WOA)、象群游牧算法(Elephant HerdingOptimizatione，简称EHO)和模拟退火算法(Simulated Algorithm，简称SA)等多种元启发式技术中，HGSO的性能通过CEC17测试套件和47个基准测试，显示了其在处理复杂优化问题方面的竞争力。基于这些行为，证明了HGSO算法能够有效地处理基于梯度优化器难以解决的实际工程优化问题。
在改进元启发式算法的混合变体中，通过对传统元启发式优化技术的研究和改进，使其在解决复杂的工业和现实问题时更加有效和准确。
虽然HGSO是目前最先进、最精确的元启发式策略，但基本的HGSO算法存在一些局限性，包括优化过程中的随机性导致收敛速度较低。此外，在HGSO算法中，搜索粒子的移动方向会受到当前溶解度的影响，主要缺点是其复杂性和运行时间消耗较大，导致优化过程的性能不理想。
针对目前相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，目前尚未得到有效的解决。
发明内容
本发明实施例提供了一种一种改进的基于差分进化的亨利气体溶解度优化方法，以至少解决相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题。
根据本发明实施例的一个方面，提供了一种算法优化的方法，包括：基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。
可选的，优化过程包括：将第i个搜索粒子i的解序列X初始化为：
其中，ρ是[0,1]中的随机常数，
是[-1,1]中的随机常数；Xi,j表示聚类j中的粒
子w；在数学优化模型中，定义当前搜索代理的Henry系数为：
搜索剂i在群j中的溶解度在数学上表示为：
Si,j(t)＝K×Hj(t)×Pi,j(t)；
第j个星团中第i个气体粒子的下一个位置被更新为：
所有的粒子都被作为能源利用的输入来评估，以找到最优的适应度值：
可选的，在优化过程的探索阶段中，基于列维飞行机制对EHO进行优化包括：列维飞行机制的数学表达式为:
可选的，该方法还包括：采用预设绩效指标评估目标优化结果，其中，预设绩效指标包括：平均适应度、平均执行时间和平均增强性能。
进一步地，可选的，平均适应度表示为：
其中，
为第i次执行的最优适应度值，M表示总的操作时间。
可选的，平均执行时间表示为：
其中，Tλ为第m次操作的操作时间，单位为秒。
可选的，平均增强性能，用于利用每个阶段每个执行时间的改进适应度值来限定算法的增强性能，其中，平均增强性能表示为：
其中，σMF为平均适应度，σMET为平均执行时间。
根据本发明实施例的另一个方面，提供了一种算法优化的装置，包括：初始化模块，用于基于差分演化机制对EHO进行初始化，得到初始化后的EHO；优化模块，用于基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。
本发明实施例中，基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。也就是说，本发明实施例能够解决了由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，从而达到了将LF机制的优势与差分进化相结合，建立了增强的HGSO技术，以增强能源利用的动态性能的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的一种算法优化的方法的流程示意图；
图2为本发明实施例提供的一种算法优化的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。
根据本发明实施例的一个方面，提供了一种算法优化的方法，图1为本发明实施例提供的一种算法优化的方法的流程示意图。如图1所示，本申请实施例提供算法优化的方法包括：
步骤S102，基于差分演化机制对EHO进行初始化，得到初始化后的EHO；
步骤S104，基于列维飞行机制对所述初始化后的EHO进行优化，得到优化后的算法。
可选的，优化过程包括：将第i个搜索粒子i的解序列X初始化为：
其中，ρ是[0,1]中的随机常数，
是[-1,1]中的随机常数；Xi,j表示聚类j中的粒
子w；在数学优化模型中，定义当前搜索代理的Henry系数为：
搜索剂i在群j中的溶解度在数学上表示为：
Si,j(t)＝K×Hj(t)×Pi,j(t)；
第j个星团中第i个气体粒子的下一个位置被更新为：
所有的粒子都被作为能源利用的输入来评估，以找到最优的适应度值：
可选的，在优化过程的探索阶段中，基于列维飞行机制对EHO进行优化包括：列维飞行机制的数学表达式为:
表1详细比较了EHO算法与传统的HGSO算法的主要特点。
表1
本申请实施例提供算法优化的方法提出的EHO方法的伪代码在算法1中得到了清晰的说明。
可选的，本申请实施例提供算法优化的方法还包括：采用预设绩效指标评估目标优化结果，其中，预设绩效指标包括：平均适应度、平均执行时间和平均增强性能。
进一步地，可选的，平均适应度表示为：
其中，
为第i次执行的最优适应度值，M表示总的操作时间。
可选的，平均执行时间表示为：
其中，Tλ为第m次操作的操作时间，单位为秒。
可选的，平均增强性能，用于利用每个阶段每个执行时间的改进适应度值来限定算法的增强性能，其中，平均增强性能表示为：
其中，σMF为所述平均适应度，σMET为所述平均执行时间。
具体的，在基于MPPT问题的进化性能度量的案例研究中，所提出的EHO算法的稳定性和效率与PRO模块中经典和最先进的竞争算法相比具有强大的说服力。通过插入DE算法改进了HGSO算法的开发过程，并采用LF策略增强了开发过程。三种策略中采用DE机制训练初始粒子，采用LF策略探索搜索空间区域。这种组合提高了标准HGSO算法的收敛速度，提高了求解质量，比原算法更加有效。
将EHO技术与几种元启发式技术进行了比较，实验结果表明，EHO算法在所有环境条件下都能达到最优性能，并且收敛到最优参数，优于其他算法。结果表明，EHO具有全局寻优能力，具有较高的寻优精度和收敛速度，从而实现了PRO装置的高成本效益。
基于上述观察到的优势，证实了所提出的EHO方法在解决实际优化问题方面的有效性和竞争力，如在复杂环境中寻找最佳运行参数和最佳动态优化。该混合方法的研究考虑了成本效益和在不同群体中的鲁棒搜索，为决策者提供了更多的选择，从而增加了问题解决的可能性。需要指出的是，与单级能源利用相比，双级能源利用、PRO/RO系统、PV/能源利用等混合系统可以产生更多的能量。最优控制和性能优化的研究一直是可再生能源系统研究的重要课题。在未来的研究中，所提出的EHO有望解决其他独立和混合可再生能源系统的性能优化问题。
为了更好地评估EHO策略的表现，采用了以下三个绩效指标:
1.平均适应度(OMF):MF是用来评估策略准确性的平均适应度值，定义为：
其中，
为第i次执行的最优适应度值。M表示总的操作时间。
2.平均执行时间(OMET):使用OMET强调运行率，其数学表达式为：
其中Tλ为第m次操作的操作时间，单位为秒。
3.平均增强性能(OMEP):利用每个阶段每个执行时间的改进适应度值来限定算法的增强性能。
本申请实施例提供算法优化的方法提出的EHO算法在各种工况下进行了广泛的测试，验证了其可靠性。在此过程中模拟了三种工况，包括操作温度、浓度和流量。(S1:T＝40,qd＝1,cd＝35g/kg,S2:T＝50,qd＝2,cd＝50g/kg,S3:T＝20,qd＝2.5,cd＝55g/kg)。将EHO算法与标准HGSO算法以及其他元启发式方法GWO、WODE和PSO方法进行了比较。利用三个性能指标OMF、OMET和OMEP对这些算法进行了评价。表2列出了五种方法的比较结果，即，本工作中所有算法的MPPT结果。
表2
MF、OMET和OMEP值表明，EHO方法具有较好的跟踪性能。
本申请实施例提供算法优化的方法在各场景应用如下：
一、参数设置
在本申请实施例提供算法优化的方法中，将提出的EHO的性能与基于上述性能度量的各种元启发式策略进行比较。一些成熟的算法，包括PSO、WODE、GWO和HGSO，在之前的研究中已经验证了它们在最大功率点跟踪问题上的优势。因此，我们选择这些最先进的方法作为竞争算法来研究所提出的EHO方法在解决MPPT问题时的性能和效率。在本工作中，我们考虑了两个场景来测试所有的技术，在这两个场景中，所有算法都有50个种群和75个迭代，表3是各种算法的因子，如表3所示：
表3
二、在渗透式电厂运行中盐度和温度的变化
本申请实施例提供算法优化的方法提出的EHO算法在各种工况下进行了广泛的测试，验证了其可靠性。在此过程中模拟了三种工况，包括操作温度、浓度和流量。(S1:T＝40,qd＝1,cd＝35g/kg,S2:T＝50,qd＝2,cd＝50g/kg,S3:T＝20,qd＝2.5,cd＝55g/kg)。将EHO算法与标准HGSO算法以及其他元启发式方法GWO、WODE和PSO方法进行了比较,利用三个性能指标OMF、OMET和OMEP对这些算法进行了评价。MF、OMET和OMEP值表明，EHO方法具有较好的跟踪性能。为了评估跟踪能力，采用了OMEP12用来量化每秒提取的能量。以S3为例，根据OMEP结果，基于EHO的技术优于其他同类技术，性能为7.841W/m2s，其他算法分别为5.601、4.481、5.808和2.851W/m2s。在OMF方面，一直观察到EHO算法的性能有显著的改善。提出的EHO算法最高，达到1.5682094W/m2。EHO方法提供了最佳的OMET值，达到了0.20s，而其他算法分别需要0.28s、0.35s、0.27s和0.55s。在3种工况下，本申请实施例提供算法优化的方法的OMEP值分别为5.285、11.520和7.841W/m2s，表明本申请实施例提供算法优化的方法能够在勘探和开发阶段之间实现平衡，从而实现更经济的最大功率点控制。这些结果表明，EHO算法在各项指标上都有很好的性能，与其他算法相比有明显的改进。
对于这五种算法的收敛模式,EHO在收敛速度上有很好的表现，其次是WODE、GWO、HGSO和PSO。虽然HGSO在寻找最优解方面优于其他三种方法，但它需要更多的执行时间，主要原因是它需要更多的时间来开发搜索空间。HGSO算法的性能仅次于EHO算法，PSO算法的性能最差。
对于EHO算法的优异性能，EHO算法相对于其他算法，与HGSO相比，三种情景下的改善分别达到了惊人的84.21％、111.11％和175.03％。值得注意的是，HGSO方法可以提供一个令人满意的OMF值，但由于其运行时间较长，得到的OMET值最低。在这方面，EHO算法在准确性和效率上都是非常优秀的。提高EHO性能的主要原因是该算法对群体的多样化和增强阶段都有贡献。这也可以证明应用DE策略可以提高系统的性能HGSO方法。
本发明实施例中，基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。也就是说，本发明实施例能够解决了由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，从而达到了将LF机制的优势与差分进化相结合，建立了增强的HGSO技术，以增强能源利用的动态性能的技术效果。
根据本发明实施例的另一个方面，提供了一种算法优化的装置，图2为本发明实施例提供的一种算法优化的装置的示意图。如图2所示，本申请实施例提供算法优化的装置包括：初始化模块22，用于基于差分演化机制对EHO进行初始化，得到初始化后的EHO；优化模块24，用于基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法
本发明实施例中，基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。也就是说，本发明实施例能够解决了由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，从而达到了将LF机制的优势与差分进化相结合，建立了增强的HGSO技术，以增强能源利用的动态性能的技术效果。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (8)
1.一种改进的基于差分进化的亨利气体溶解度优化方法，其特征在于，包括：
基于差分演化机制对EHO进行初始化，得到初始化后的EHO；
基于列维飞行机制对所述初始化后的EHO进行优化，得到优化后的算法。
2.根据权利要求1所述的方法，其特征在于，
优化过程包括：
将第i个搜索粒子i的解序列X初始化为：
其中，ρ是[0,1]中的随机常数，
是[-1,1]中的随机常数；Xi,j表示聚类j中的粒子w；在数学优化模型中，定义当前搜索代理的Henry系数为：
搜索剂i在群j中的溶解度在数学上表示为：
Si,j(t)＝K×Hj(t)×Pi,j(t)；
第j个星团中第i个气体粒子的下一个位置被更新为：
所有的粒子都被作为能源利用的输入来评估，以找到最优的适应度值：
3.根据权利要求2所述的方法，其特征在于，
在优化过程的探索阶段中，基于列维飞行机制对所述初始化后的EHO进行优化包括：列维飞行机制的数学表达式为:
其中r1和r2是(0,1)中的随机值，δ是设为1.5的常数。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采用预设绩效指标评估所述目标优化结果，其中，所述预设绩效指标包括：平均适应度、平均执行时间和平均增强性能。
5.根据权利要求4所述的方法，其特征在于，所述平均适应度表示为：
其中，
为第i次执行的最优适应度值，M表示总的操作时间。
6.根据权利要求4所述的方法，其特征在于，所述平均执行时间表示为：
其中，Tλ为第m次操作的操作时间，单位为秒。
7.根据权利要求4所述的方法，其特征在于，所述平均增强性能，用于利用每个阶段每个执行时间的改进适应度值来限定算法的增强性能，其中，所述平均增强性能表示为：
其中，σMF为所述平均适应度，σMET为所述平均执行时间。
8.一种算法优化的装置，其特征在于，包括：
初始化模块，用于基于差分演化机制对EHO进行初始化，得到初始化后的EHO；
优化模块，用于基于列维飞行机制对所述初始化后的EHO进行优化，得到优化后的算法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2022107757746 | 2022-07-01 | ||
| CN202210775774.6A CN115169518A (zh) | 2022-07-01 | 2022-07-01 | 算法优化的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116227311A true CN116227311A (zh) | 2023-06-06 |
Family
ID=83489838
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210775774.6A Pending CN115169518A (zh) | 2022-07-01 | 2022-07-01 | 算法优化的方法和装置 |
| CN202310001979.3A Pending CN116227311A (zh) | 2022-07-01 | 2023-01-03 | 一种改进的基于差分进化的亨利气体溶解度优化方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210775774.6A Pending CN115169518A (zh) | 2022-07-01 | 2022-07-01 | 算法优化的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN115169518A (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822902A (zh) * | 2023-07-17 | 2023-09-29 | 国网江苏省电力有限公司灌云县供电分公司 | 基于人工双象群算法的地区电网工业负荷与周边分布式新能源的资源聚合体集群划分方法 |
-
2022
- 2022-07-01 CN CN202210775774.6A patent/CN115169518A/zh active Pending
-
2023
- 2023-01-03 CN CN202310001979.3A patent/CN116227311A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN115169518A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
| CN107346459B (zh) | 一种基于遗传算法改进的多模式污染物集成预报方法 | |
| CN112085161B (zh) | 一种基于随机信息传递的图神经网络方法 | |
| CN104200272A (zh) | 一种基于改进遗传算法的复杂网络社区挖掘方法 | |
| CN116227311A (zh) | 一种改进的基于差分进化的亨利气体溶解度优化方法 | |
| CN115563610B (zh) | 入侵检测模型的训练方法、识别方法和装置 | |
| Chen et al. | A differential evolution based henry gas solubility optimizer for dynamic performance optimization problems of PRO system | |
| Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN109034479B (zh) | 一种基于差分进化算法的多目标调度方法及装置 | |
| CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
| CN103473599A (zh) | 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法 | |
| Wu et al. | IOT and cloud computing based parallel implementation of optimized RBF neural network for loader automatic shift control | |
| CN110084324B (zh) | 基于极限学习机的卡尔曼滤波参数自适应更新方法 | |
| Kim et al. | Scheduling 3D printers with multiple printing alternatives | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| Zhang et al. | Test case prioritization based on genetic algorithm and test-points coverage | |
| Ye et al. | Optimizing weight and threshold of BP neural network using SFLA: applications to nonlinear function fitting | |
| CN108764570A (zh) | 一种基于蚁群算法与Lin-Kernighan算法解决旅行商问题的杂交算法 | |
| CN112966155B (zh) | 基于路径相关性的链路预测方法 | |
| CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
| CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
| Lin et al. | A double learning models-based multi-objective estimation of distribution algorithm | |
| Rahmat et al. | Differential evolution immunized ant colony optimization technique in solving economic load dispatch problem | |
| Qin et al. | Scalable Bayesian non-linear matrix completion |
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 |