CN116737671A - 用于电力工程项目全过程管理的数据文件分析处理方法 - Google Patents
用于电力工程项目全过程管理的数据文件分析处理方法 Download PDFInfo
- Publication number
- CN116737671A CN116737671A CN202311014925.7A CN202311014925A CN116737671A CN 116737671 A CN116737671 A CN 116737671A CN 202311014925 A CN202311014925 A CN 202311014925A CN 116737671 A CN116737671 A CN 116737671A
- Authority
- CN
- China
- Prior art keywords
- data
- power engineering
- engineering project
- data file
- electric power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000005065 mining Methods 0.000 claims abstract description 21
- 238000007418 data mining Methods 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 241000257303 Hymenoptera Species 0.000 claims description 44
- 235000013305 food Nutrition 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
-
- 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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，尤其为用于电力工程项目全过程管理的数据文件分析处理方法，包括如下步骤：S1：采集电力工程项目全过程数据文件并进行标准化处理；S2：基于数据挖掘算法对采集的数据文件进行挖掘分析；S3：基于改进的人工蜂群算法优化的分类函数对挖掘分析的数据文件进行分类处理；S4：基于分类处理结果生成电力工程项目全过程数据的可视化结果。本发明通过对电力工程项目全过程管理的数据文件进行挖掘分析，能够提升数据的表征能力及数据分析的准确度，基于由改进的人工蜂群算法优化的多个二分类器构成的有向无环图结构进行数据的分类，能够极大地提高扩展性，提升数据的分类效率与准确率。
Description
技术领域
本发明涉及数据处理技术领域，尤其是用于电力工程项目全过程管理的数据文件分析处理方法。
背景技术
文件处理是运用计算机对各类信息进行综合处理，其范围包括：(1)计算机储存行政管理纪录和其他有关信息(数据、文字、图表等)；(2)用计算机把大量数据、文字、图表等信息进行编辑加工，形成文件。对于电力工程项目的全过程，会产生大量的数据文件，现有技术对于数据文件的分析处理方法较为繁琐，极易影响数据分析的效率与准确率。
发明内容
本发明的目的是通过提出用于电力工程项目全过程管理的数据文件分析处理方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供用于电力工程项目全过程管理的数据文件分析处理方法，包括如下步骤：
S1：采集电力工程项目全过程数据文件并进行标准化处理；
S2：基于数据挖掘算法对采集的数据文件进行挖掘分析；
S3：基于改进的人工蜂群算法优化的分类函数对挖掘分析的数据文件进行分类处理；
S4：基于分类处理结果生成电力工程项目全过程数据的可视化结果。
作为本发明的一种优选技术方案：所述S1中的标准化处理包括对数据文件的文件格式的标准化处理、对文件编码方式的标准化处理和对文件数据类型的标准化处理。
作为本发明的一种优选技术方案：所述S2中，所述数据挖掘算法具体如下：
设电力工程项目全过程数据文件来自一个超级种群，由有限数量的集群按权重比例分别组成的数据文件,为第个数据文件的权重参数，
其中：
将超级种群进行多变量正态分布，其中为数据的个数：
其中，表示由数据文件产生数据的概率，为数据文件的均值向量，为
数据文件的协方差矩阵，、和分别为权重参数、均值向量和协方差矩阵第次迭代
时的值，为数学常量，表示数据的转置。
作为本发明的一种优选技术方案：所述数据挖掘算法基于迭代值进行数据的多变量正态分布的重复计算直至收敛。
作为本发明的一种优选技术方案：所述数据挖掘算法基于判别函数进行数据的挖掘分类：
其中，为判别函数，、为数据的均值向量和协方差矩阵。
作为本发明的一种优选技术方案：所述S3中，基于所述S2的挖掘分析获取电力工
程项目全过程数据，其中，，表示数据包含类数据，构建由个二
分类器构成的有向无环图结构对数据进行分类。
作为本发明的一种优选技术方案：所述二分类器具体如下：
其中，为分类函数，为拉格朗日乘子，为数据的类别标签，为核函数，用
于代替内积，为分布参数。
作为本发明的一种优选技术方案：所述分类函数中，基于改进的人工蜂群算法进行拉格朗日乘子的寻优，获取最优分类器函数进行电力工程项目全过程数据的分类。
作为本发明的一种优选技术方案：所述改进的人工蜂群算法具体如下：
设置分类函数的误差函数的倒数为适应度函数，种群初始化阶段，设食物源的数
量为，则引领蜂的数量也为，解的维度为，引领蜂初始种群按照下式生成：
其中，表示第只引领蜂第个维度的位置，、分别为第个维度的蜂
群位置的上限和下限，为之间的随机数；
引领蜂阶段，每次迭代每个引领蜂通过下式进行邻域搜索：
其中，为经过领域搜索获得的新的候选解，表示第只引领蜂第个维度的
位置，为之间的随机数；
计算与的适应度并进行评价，择优选择进入下一次迭代；
跟随蜂阶段：
随机选取两个引领蜂分享的路径信息，基于两条新路径的适应度大小，采用自适应交叉的方法，与上一代对应的跟随蜂比较，并进行贪婪选择；
其中，为交叉概率，为经过自适应选择的交叉概率，、分别为最大交
叉概率和最小交叉概率，为适应度平均值，为第只引领蜂的适应度值，、分别
为适应度最大值和最小值；
侦查蜂阶段：如果第个食物源经过最大次数进行迭代仍然没有被更新，则判断该
解陷入局部最优，则舍弃该食物源，引领蜂变为侦查蜂，则根据初始种群生成算法重新产生
一个新解代替原来的解；判定是否满足收敛条件，满足则输出最优解，否则返回重新根据引
领蜂位置进行邻域搜索直至满足收敛条件。
作为本发明的一种优选技术方案：所述S4中的可视化结果为电力工程项目全过程数据的图表文件。
本发明提供的用于电力工程项目全过程管理的数据文件分析处理方法，与现有技术相比，其有益效果有：
本发明通过对电力工程项目全过程管理的数据文件进行挖掘分析，挖掘获取隐含数据，提升数据的表征能力，提升数据分析的准确度，基于由多个二分类器构成的有向无环图结构进行数据的分类，能够极大地提高扩展性，提升数据的分类效率与准确率，同时通过改进的人工蜂群算法对二分类器函数进行寻优，能够保证分类的效率与准确率。
附图说明
图1为本发明优选实施例的方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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。
参照图1，本发明优选实施例提供了用于电力工程项目全过程管理的数据文件分析处理方法，包括如下步骤：
S1：采集电力工程项目全过程数据文件并进行标准化处理；
S2：基于数据挖掘算法对采集的数据文件进行挖掘分析；
S3：基于改进的人工蜂群算法优化的分类函数对挖掘分析的数据文件进行分类处理；
S4：基于分类处理结果生成电力工程项目全过程数据的可视化结果。
所述S1中的标准化处理包括对数据文件的文件格式的标准化处理、对文件编码方式的标准化处理和对文件数据类型的标准化处理。
所述S2中，所述数据挖掘算法具体如下：
设电力工程项目全过程数据文件来自一个超级种群，由有限数量的集群按权重比例分别组成的数据文件,为第个数据文件的权重参数，其中：
将超级种群进行多变量正态分布，其中为数据的个数：
其中，表示由数据文件产生数据的概率，为数据文件的均值向量，为
数据文件的协方差矩阵，、和分别为权重参数、均值向量和协方差矩阵第次迭代
时的值，为数学常量，表示数据的转置。
所述数据挖掘算法基于迭代值进行数据的多变量正态分布的重复计算直至收敛。
所述数据挖掘算法基于判别函数进行数据的挖掘分类：
其中，为判别函数，、为数据的均值向量和协方差矩阵。
所述S3中，基于所述S2的挖掘分析获取电力工程项目全过程数据，其中，，表示数据包含类数据，构建由个二分类器构成的有向无环图结
构对数据进行分类。
所述二分类器具体如下：
其中，为分类函数，为拉格朗日乘子，为数据的类别标签，为核函数，用
于代替内积，为分布参数。
所述分类函数中，基于改进的人工蜂群算法进行拉格朗日乘子的寻优，获取最优分类器函数进行电力工程项目全过程数据的分类。
所述改进的人工蜂群算法具体如下：
设置分类函数的误差函数的倒数为适应度函数，种群初始化阶段，设食物源的数
量为，则引领蜂的数量也为，解的维度为，引领蜂初始种群按照下式生成：
其中，表示第只引领蜂第个维度的位置，、分别为第个维度的蜂
群位置的上限和下限，为之间的随机数；
引领蜂阶段，每次迭代每个引领蜂通过下式进行邻域搜索：
其中，为经过领域搜索获得的新的候选解，表示第只引领蜂第个维度的
位置，为之间的随机数；
计算与的适应度并进行评价，择优选择进入下一次迭代；
跟随蜂阶段：
随机选取两个引领蜂分享的路径信息，基于两条新路径的适应度大小，采用自适应交叉的方法，与上一代对应的跟随蜂比较，并进行贪婪选择；
其中，为交叉概率，为经过自适应选择的交叉概率，、分别为最大交
叉概率和最小交叉概率，为适应度平均值，为第只引领蜂的适应度值，、分别
为适应度最大值和最小值；
侦查蜂阶段：如果第个食物源经过最大次数进行迭代仍然没有被更新，则判断该
解陷入局部最优，则舍弃该食物源，引领蜂变为侦查蜂，则根据初始种群生成算法重新产生
一个新解代替原来的解；判定是否满足收敛条件，满足则输出最优解，否则返回重新根据引
领蜂位置进行邻域搜索直至满足收敛条件。
S4中的可视化结果为电力工程项目全过程数据的图表文件。
本实施例中，采集电力过程项目全过程数据文件，但是数据在采集、读取、存储、使用等方面存在较多不统一、不规范等问题，故对采集的电力过程项目全过程数据文件的文件格式、文件编码方式和文件数据类型进行标准化处理。
基于数据挖掘算法对标准化处理后的电力过程项目全过程数据文件进行挖掘分析：
设电力工程项目全过程数据文件来自一个超级种群，由集群按权重比
例分别组成的数据文件，其中：
将超级种群进行多变量正态分布，其中数据的个数为135：
其中，表示由数据文件产生数据的概率，为数据文件的均值向量，为
数据文件的协方差矩阵，、和分别为权重参数、均值向量和协方差矩阵第次迭代
时的值，为数学常量，表示数据的转置。
数据挖掘算法基于迭代值进行数据的多变量正态分布的重复计算直至收敛。
数据挖掘算法基于判别函数进行数据的挖掘分类：
其中，为判别函数，、为数据的均值向量和协方差矩阵。
基于上述的数据挖掘算法挖掘获取电力过程项目全过程数据文件中隐含的数据文件，或是具有关联性的数据文件，能够提升电力过程项目全过程数据文件的表征能力。
基于挖掘分析获取电力工程项目全过程数据，其中，，表示数据
包含类数据，构建由个二分类器构成的有向无环图结构对数据进行
分类：
其中，为分类函数，为拉格朗日乘子，为数据的类别标签，为核函数，用
于代替内积，为分布参数。
基于由105个二分类器构成的有向无环图结构，能够极大地提高扩展性，提升电力工程项目全过程数据文件的分类效率与准确率。
分类函数中，基于改进的人工蜂群算法进行拉格朗日乘子的寻优，获取最优分类
器函数进行电力工程项目全过程数据的分类：
设置分类函数的误差函数的倒数为适应度函数，种群初始化阶段，设食物源的数
量为25，则引领蜂的数量也为25，解的维度为，引领蜂初始种群按照下式生成：
其中，表示第只引领蜂第个维度的位置，、分别为第个维度的蜂
群位置的上限和下限，为之间的随机数；
引领蜂阶段，每次迭代每个引领蜂通过下式进行邻域搜索：
其中，为经过领域搜索获得的新的候选解，表示第只引领蜂第个维度的
位置，为之间的随机数；
计算与的适应度并进行评价，择优选择进入下一次迭代；
跟随蜂阶段：
随机选取两个引领蜂分享的路径信息，采用单点交叉的方法，确定路径中交叉点的位置，然后将交叉点后的路径信息进行交叉互换，得到两条新路径，最后计算两条新路径的适应度大小，与上一代对应的跟随蜂比较，并进行贪婪选择；
随机选取两个引领蜂分享的路径信息，基于两条新路径的适应度大小，采用自适应交叉的方法，与上一代对应的跟随蜂比较，并进行贪婪选择；
其中，为交叉概率，为经过自适应选择的交叉概率，、分别为最大交
叉概率和最小交叉概率，为适应度平均值，为第只引领蜂的适应度值，、分别
为适应度最大值和最小值；
侦查蜂阶段：如果第个食物源经过最大次数进行迭代仍然没有被更新，则判断该
解陷入局部最优，则舍弃该食物源，引领蜂变为侦查蜂，则根据初始种群生成算法重新产生
一个新解代替原来的解；判定是否满足收敛条件，满足则输出最优解，否则返回重新根据引
领蜂位置进行邻域搜索直至满足收敛条件。
人工蜂群算法中，引领蜂也被称为雇佣蜂，负责寻找食物源，因此在数量上与食物源对应，每经过一次迭代，引领蜂会在邻域内进行搜索，若得到的新解更优，则替换旧解，否则保留旧解。此外，引领蜂还负责分享食物源的相关信息，供其他蜜蜂进行选择和判断。
跟随蜂的作用在于根据引领蜂提供的蜜源信息来选择食物源，一般采用的是轮盘赌的方式，并也在邻域内搜索新的食物源，同时进行贪婪选择，起到促进种群收敛和邻域内扩大种群多样性的作用。但是这种在邻域内的搜索，一方面与引领蜂的更新方式类似，只是起到一个补充作用，另一方面缺乏在全局范围内产生新解的作用，故引入自适应交叉的方法，能够在全局范围内获取新解，在跟随蜂的更新方式中引入交叉策略，这样既能保证让引领蜂继续在邻域范围内更新更优解，也能让整个种群在全局范围内补充新解。
侦查蜂的作用在于跳出局部最优，在迭代过程中若某个引领蜂在多次迭代过后依然没有找到更优的解，则该引领蜂就会变为侦查蜂，在全局范围内重新寻找一个食物源。
基于改进的人工蜂群算法优化后的分类函数进行电力工程项目全过程数据文件的分类处理，并基于分类处理结果构建电力工程项目全过程数据文件的图表文件等可视化结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：包括如下步骤：
S1：采集电力工程项目全过程数据文件并进行标准化处理；
S2：基于数据挖掘算法对采集的数据文件进行挖掘分析；
S3：基于改进的人工蜂群算法优化的分类函数对挖掘分析的数据文件进行分类处理；
S4：基于分类处理结果生成电力工程项目全过程数据的可视化结果。
2.根据权利要求1所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述S1中的标准化处理包括对数据文件的文件格式的标准化处理、对文件编码方式的标准化处理和对文件数据类型的标准化处理。
3.根据权利要求1所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述S2中，所述数据挖掘算法具体如下：
设电力工程项目全过程数据文件来自一个超级种群，由有限数量/>的集群按权重比例/>分别组成的数据文件,/>为第/>个数据文件的权重参数，其中：
将超级种群进行多变量正态分布，其中/>为数据/>的个数：
其中，表示由数据文件/>产生数据/>的概率，/>为数据文件/>的均值向量，/>为数据文件/>的协方差矩阵，/>、/>和/>分别为权重参数、均值向量和协方差矩阵第/>次迭代时的值，/>为数学常量，/>表示数据的转置。
4.根据权利要求3所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述数据挖掘算法基于迭代值进行数据的多变量正态分布的重复计算直至收敛。
5.根据权利要求4所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述数据挖掘算法基于判别函数进行数据的挖掘分类：
其中，为判别函数，/>、/>为数据/>的均值向量和协方差矩阵。
6.根据权利要求5所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述S3中，基于所述S2的挖掘分析获取电力工程项目全过程数据，其中，，/>表示数据包含/>类数据，构建由/>个二分类器构成的有向无环图结构对数据/>进行分类。
7.根据权利要求6所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述二分类器具体如下：
其中，为分类函数，/>为拉格朗日乘子，/>为数据/>的类别标签，/>为核函数，用于代替内积，/>为分布参数。
8.根据权利要求7所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述分类函数中，基于改进的人工蜂群算法进行拉格朗日乘子的寻优，获取最优分类器函数进行电力工程项目全过程数据的分类。
9.根据权利要求8所述的用于电力工程项目全过程管理的数据文件分析处理方法，其特征在于：所述改进的人工蜂群算法具体如下：
设置分类函数的误差函数的倒数为适应度函数，种群初始化阶段，设食物源的数量为，则引领蜂的数量也为/>，解的维度为/>，引领蜂初始种群按照下式生成：
其中，表示第/>只引领蜂第/>个维度的位置，/>、/>分别为第/>个维度的蜂群位置的上限和下限，/>为/>之间的随机数；
引领蜂阶段，每次迭代每个引领蜂通过下式进行邻域搜索：
其中，为经过领域搜索获得的新的候选解，/>表示第/>只引领蜂第/>个维度的位置，为/>之间的随机数；
计算与/>的适应度并进行评价，择优选择进入下一次迭代；
跟随蜂阶段：
随机选取两个引领蜂分享的路径信息，基于两条新路径的适应度大小，采用自适应交叉的方法，与上一代对应的跟随蜂比较，并进行贪婪选择；
其中，为交叉概率，/>为经过自适应选择的交叉概率，/>、/>分别为最大交叉概率和最小交叉概率，/>为适应度平均值，/>为第只引领蜂的适应度值，/>、/>分别为适应度最大值和最小值；
侦查蜂阶段：如果第个食物源经过最大次数进行迭代仍然没有被更新，则判断该解陷入局部最优，则舍弃该食物源，引领蜂变为侦查蜂，则根据初始种群生成算法重新产生一个新解代替原来的解；判定是否满足收敛条件，满足则输出最优解，否则返回重新根据引领蜂位置进行邻域搜索直至满足收敛条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311014925.7A CN116737671B (zh) | 2023-08-14 | 2023-08-14 | 用于电力工程项目全过程管理的数据文件分析处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311014925.7A CN116737671B (zh) | 2023-08-14 | 2023-08-14 | 用于电力工程项目全过程管理的数据文件分析处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116737671A true CN116737671A (zh) | 2023-09-12 |
| CN116737671B CN116737671B (zh) | 2023-10-31 |
Family
ID=87904749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311014925.7A Active CN116737671B (zh) | 2023-08-14 | 2023-08-14 | 用于电力工程项目全过程管理的数据文件分析处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116737671B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056167A (zh) * | 2016-07-01 | 2016-10-26 | 山东大学 | 一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法 |
| KR101687217B1 (ko) * | 2015-11-30 | 2016-12-16 | 수원대학교산학협력단 | 인터벌 타입-2 rbf 신경회로망 기반 ct 기법을 이용한 강인한 얼굴 인식 패턴 분류 방법 및 이를 실행하기 위한 시스템 |
| CN106875050A (zh) * | 2017-04-01 | 2017-06-20 | 哈尔滨工业大学 | 一种基于改进混沌蜂群算法的工程约束参数优化方法 |
| CN108510052A (zh) * | 2017-02-27 | 2018-09-07 | 顾泽苍 | 一种人工智能新型神经网络的构建方法 |
| CN109543741A (zh) * | 2018-11-16 | 2019-03-29 | 重庆邮电大学 | 一种基于改进人工蜂群的fcm算法优化方法 |
| CN111291921A (zh) * | 2020-01-15 | 2020-06-16 | 西安建筑科技大学 | 一种基于改进人工蜂群算法的群控电梯调度优化方法 |
| CN111613340A (zh) * | 2020-05-21 | 2020-09-01 | 安徽理工大学 | 矿工健康评估方法及系统 |
| CN111967506A (zh) * | 2020-07-31 | 2020-11-20 | 西安工程大学 | 一种人工蜂群优化bp神经网络的脑电信号分类方法 |
| CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
| CN112819192A (zh) * | 2020-11-09 | 2021-05-18 | 江苏科技大学 | 一种基于蜂群算法优化的rf_gru网络短期电力负荷预测方法 |
| CN113569461A (zh) * | 2021-06-08 | 2021-10-29 | 西安航天精密机电研究所 | 一种基于改进人工蜂群算法的谐振子设计方法 |
| CN113886442A (zh) * | 2021-09-30 | 2022-01-04 | 兰州交通大学 | 一种基于rfm模型和人工蜂群算法的铁路货运客户细分方法 |
| CN114036947A (zh) * | 2021-12-09 | 2022-02-11 | 广东工业大学 | 一种半监督学习的小样本文本分类方法和系统 |
| CN114648393A (zh) * | 2022-05-19 | 2022-06-21 | 四川隧唐科技股份有限公司 | 一种应用于招投标的数据挖掘方法、系统及设备 |
| CN114721914A (zh) * | 2022-06-09 | 2022-07-08 | 深圳市大创科技信息有限公司 | 一种改进型深度学习算法模型的信息分析方法 |
| US20220405544A1 (en) * | 2021-06-02 | 2022-12-22 | Imam Abdulrahman Bin Faisal University | System, computer readable storage medium, and method for segmentation and enhancement of brain mri images |
| CN116128199A (zh) * | 2022-11-18 | 2023-05-16 | 南通慧泉数据有限公司 | 一种基于人工智能的情报数据分析控制平台及方法 |
-
2023
- 2023-08-14 CN CN202311014925.7A patent/CN116737671B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101687217B1 (ko) * | 2015-11-30 | 2016-12-16 | 수원대학교산학협력단 | 인터벌 타입-2 rbf 신경회로망 기반 ct 기법을 이용한 강인한 얼굴 인식 패턴 분류 방법 및 이를 실행하기 위한 시스템 |
| CN106056167A (zh) * | 2016-07-01 | 2016-10-26 | 山东大学 | 一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法 |
| CN108510052A (zh) * | 2017-02-27 | 2018-09-07 | 顾泽苍 | 一种人工智能新型神经网络的构建方法 |
| CN106875050A (zh) * | 2017-04-01 | 2017-06-20 | 哈尔滨工业大学 | 一种基于改进混沌蜂群算法的工程约束参数优化方法 |
| CN109543741A (zh) * | 2018-11-16 | 2019-03-29 | 重庆邮电大学 | 一种基于改进人工蜂群的fcm算法优化方法 |
| CN111291921A (zh) * | 2020-01-15 | 2020-06-16 | 西安建筑科技大学 | 一种基于改进人工蜂群算法的群控电梯调度优化方法 |
| CN111613340A (zh) * | 2020-05-21 | 2020-09-01 | 安徽理工大学 | 矿工健康评估方法及系统 |
| CN111967506A (zh) * | 2020-07-31 | 2020-11-20 | 西安工程大学 | 一种人工蜂群优化bp神经网络的脑电信号分类方法 |
| CN112819192A (zh) * | 2020-11-09 | 2021-05-18 | 江苏科技大学 | 一种基于蜂群算法优化的rf_gru网络短期电力负荷预测方法 |
| CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
| US20220405544A1 (en) * | 2021-06-02 | 2022-12-22 | Imam Abdulrahman Bin Faisal University | System, computer readable storage medium, and method for segmentation and enhancement of brain mri images |
| CN113569461A (zh) * | 2021-06-08 | 2021-10-29 | 西安航天精密机电研究所 | 一种基于改进人工蜂群算法的谐振子设计方法 |
| CN113886442A (zh) * | 2021-09-30 | 2022-01-04 | 兰州交通大学 | 一种基于rfm模型和人工蜂群算法的铁路货运客户细分方法 |
| CN114036947A (zh) * | 2021-12-09 | 2022-02-11 | 广东工业大学 | 一种半监督学习的小样本文本分类方法和系统 |
| CN114648393A (zh) * | 2022-05-19 | 2022-06-21 | 四川隧唐科技股份有限公司 | 一种应用于招投标的数据挖掘方法、系统及设备 |
| CN114721914A (zh) * | 2022-06-09 | 2022-07-08 | 深圳市大创科技信息有限公司 | 一种改进型深度学习算法模型的信息分析方法 |
| CN116128199A (zh) * | 2022-11-18 | 2023-05-16 | 南通慧泉数据有限公司 | 一种基于人工智能的情报数据分析控制平台及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姚雅等: "基于混合人工蜂群的模糊聚类算法", 计算机与数字工程, no. 5, pages 1072 - 1077 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116737671B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6061439B2 (ja) | データ処理システム、コンピュータ可読の媒体、データ・マイニング結果を分析する方法、データ・モデルを処理する方法（統計技術を使用するデータ・マイニング・モデル解釈、最適化、及びカスタマイゼーション） | |
| CN112084237A (zh) | 一种基于机器学习和大数据分析的电力系统异常预测方法 | |
| CN116741397B (zh) | 基于多组学数据融合的癌症分型方法、系统及存储介质 | |
| von Lücken et al. | An overview on evolutionary algorithms for many‐objective optimization problems | |
| Mohammadi et al. | Improving linear discriminant analysis with artificial immune system-based evolutionary algorithms | |
| CN113256409A (zh) | 基于机器学习的银行零售客户流失预测方法 | |
| Waqas et al. | Robust bag classification approach for multi-instance learning via subspace fuzzy clustering | |
| Gharehchopogh et al. | A hybrid African vulture optimization algorithm and harmony search: Algorithm and application in clustering | |
| Pelikan et al. | Getting the best of both worlds: Discrete and continuous genetic and evolutionary algorithms in concert | |
| CN117349786B (zh) | 基于数据均衡的证据融合变压器故障诊断方法 | |
| Liu et al. | Ensemble component selection for improving ICA based microarray data prediction models | |
| CN112613391A (zh) | 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 | |
| CN117423391A (zh) | 一种基因调控网络数据库的建立方法、系统及设备 | |
| CN116737671B (zh) | 用于电力工程项目全过程管理的数据文件分析处理方法 | |
| CN111832645A (zh) | 基于离散型乌鸦差分协同搜索算法的分类数据特征选择方法 | |
| Nahid et al. | Home occupancy classification using machine learning techniques along with feature selection | |
| CN112801163B (zh) | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 | |
| Ma | The Research of Stock Predictive Model based on the Combination of CART and DBSCAN | |
| CN114334168A (zh) | 结合协同学习策略的粒子群混合优化的特征选择算法 | |
| CN110263906B (zh) | 非对称负相关搜索方法 | |
| CN114707033A (zh) | 基于三维视域专利地图和深度学习的量子行业分析方法 | |
| CN108764991B (zh) | 基于K-means算法的供应链信息分析方法 | |
| CN111127184A (zh) | 一种分布式组合信用评估方法 | |
| JP6230501B2 (ja) | 縮約素性生成装置、情報処理装置、方法、及びプログラム | |
| CN117951457B (zh) | 基于生物炭的负碳产品碳减排量核算方法及系统 |
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 |