导读:本文包含了混合智能优化论文开题报告文献综述及选题提纲参考文献，主要关键词:光伏阵列,最大功率点跟踪,智能优化
混合智能优化论文文献综述
孙虎,韩景森,高慧敏[1]（2019）在《混合智能优化算法在光伏最大功率点跟踪技术的应用》一文中研究指出针对传统的光伏最大功率点跟踪(maximum power point tracking,MPPT)技术因外界环境发生变化而导致失效这一现象,采用粒子集群算法与遗传算法相结合的混合智能优化算法,首先通过粒子集群算法进行全局搜索,确定最大值所在的区域,再利用遗传算法的局部搜索能力,对最大值附近的空间进行搜索.混合智能优化算法可以大大提高搜索的速度和精度,仿真实验验证了该算法的优越性.(本文来源于《嘉兴学院学报》期刊2019年06期）
囤金军,宋金香[2]（2019）在《智能混合动力汽车跟车能耗优化控制研究》一文中研究指出提出一种基于模型预测控制的油耗优化算法对智能混合动力汽车进行多目标自适应跟车控制。通过客车仿真分析表明,此能耗优化算法性能优异,在保证车辆跟车性能的同时能够降低油耗。(本文来源于《交通世界》期刊2019年30期）
王改云,王磊杨,路皓翔[3]（2019）在《基于混合群智能算法优化的RSSI质心定位算法》一文中研究指出传感器节点的自身定位是无线传感器网络中最为关键的技术之一。针对无线传感器网络的定位问题,提出了粒子群结合模拟退火算法优化(Particle Swarm Optimization and Simulated Annealing algorithm,PSO-SA)的RSSI测距模型质心定位算法。该方法首先利用RSSI测距模型计算出传感器网络中节点间的距离,然后选取距离未知节点最近的3个参考节点和已被定位的节点建立以未知节点坐标为参数的数学模型,在求解的过程中采用粒子群结合模拟退火算法进行优化。为了评估所提方法的性能,以传统的质心定位算法、基于RSSI的加权质心定位算法和基于粒子群算法优化的RSSI质心定位算法为对比进行实验。结果表明,较其他3种算法,基于PSO-SA的RSSI质心定位算法具有较高的定位精度、较强的泛化性能。(本文来源于《计算机科学》期刊2019年09期）
高学伟,付忠广,谢鲁冰,王圣毫,王树成[4]（2019）在《基于混合群智能算法优化的NO_X排放KELM模型设计》一文中研究指出燃煤电站脱硝系统在变负荷工况下具有非线性、大滞后的特性,传统的控制方式很难保证喷氨量的精确控制。随着燃煤发电厂超低排放标准的实施,有必要对脱硝系统进行运行优化。通过挖掘海量脱硝系统的历史运行数据,提出一种基于混合群智能算法优化的核极限学习机NO_X排放动态预测模型。首先,对选择性催化还原(SCR)脱硝反应系统进行理论分析和实际运行研究,研究了采用核函数代替极限学习机中隐含层节点的显式映射的方法,从而无需事先给定隐含层节点数。然后,采用混合蚁群和粒子群优化的混合智能算法,对核极限学习机的学习参数进行优化。最后,以某电站锅炉脱硝系统为例,利用提出的方法进行验证,得到较高的建模精度。该研究为下一步脱硝系统控制优化打下良好基础。(本文来源于《自动化仪表》期刊2019年08期）
杨春江[5]（2019）在《炼钢连铸混合智能优化调度方法及应用》一文中研究指出根据多级、多机、不同精炼次数的生产环境,建立了考虑机器分配和时间安排的非线性规划模型,提出了一种混合智能优化调度方法,包括专家系统分配、基于人机交互的邻域搜索和基于模型转换的时间优化。最后,将该调度方法成功地应用于某大型钢铁厂。应用结果表明,该方法能明显缩短钢水的冗余等待时间,提高设备的负荷率。(本文来源于《中小企业管理与科技(中旬刊)》期刊2019年06期）
毕京学[6]（2019）在《智能手机Wi-Fi/PDR室内混合定位优化问题研究》一文中研究指出无线保真(Wireless Fidelity,Wi-Fi)定位、行人航位推算(Pedestrian Dead Reckoning,PDR)以及智能手机Wi-Fi/PDR混合定位是国内外研究热点,也是最普适、最值得大面积推广的室内技术,这些技术都存在一系列瓶颈,譬如,Wi-Fi指纹库快速构建、复杂活动快速准确识别、复杂活动下航位推算以及混合定位策略等。研究Wi-Fi/PDR室内混合定位优化问题,有助于提升室内定位系统可用性和稳定性,既能丰富和完善室内多源混合定位方法与理论,又能为室内多源混合定位提供技术支撑。本文以智能手机为研究载体,以机器学习方法和最优化理论为基础,通过理论研究、仿真计算和现场测试,系统研究距离相似度、指纹库快速构建、自适应指纹定位、复杂活动快速准确识别、顾及活动识别的改进行人航位推算以及Wi-Fi/PDR混合定位方法优化,主要贡献如下:(1)揭示了Wi-Fi信号缺失现象,针对此类现象以及参考指纹与测试指纹的遍历方式,提出了改进信号域距离相似度和归一化混合距离。通过实验发现,归一化混合距离能够提升聚类效果,改进信号域距离能够提高聚类识别准确率和定位精度,与采用-100dBm替代信号缺失值的信号域距离相比,无聚类时定位精度提高了22.6%~38%,有聚类时定位精度提高了2%~22.8%,在一定程度上说明了信号缺失现象对指纹定位的影响。(2)对比了动/静态指纹的优劣,提出了基于静态众包指纹和自适应路径损耗模型插值的指纹库构建方法。通过与完全人工指纹库、反距离权重(Inverse Distance Weighted,IDW)和克里金(Kriging)插值指纹库进行比较发现,本文所提方法构建的指纹库定位精度要优于IDW和Kriging插值方法,而且仅需少于15.4%的参考点数据即可实现与完全人工指纹库相同的定位精度,可节省约85%的时间和工作量。同时,本文提出的方法也可以用于指纹库的快速更新。(3)针对无线信号动态变化、Wi-Fi指纹信息尚未深入挖掘、固定K值易产生误差等问题,离线阶段基于归一化混合距离和仿射传播聚类算法进行聚类分析,并改进顾及过渡区域的聚类结果,提出了基于位置域距离和仿射传播聚类的AWKNN定位方法。采用改进指纹并集信号域距离开展AWKNN定位测试,平均定位误差约为2.4米,均方根误差约为1.9米,与基于遍历参考指纹求和信号域距离的WKNN方法相比,平均定位误差减小了1.4米,均方根误差减小了1.53米,定位精度提高了37%,稳定性有很大改善。同时,本文所提方法弱化了K值选择对定位精度的影响,避免了不同K值定位精度的重复评估,只需设定较大K值就可以实现较高精度定位。(4)针对现有活动识别研究实时性差、大量使用频域特征以及未考虑室内定位干扰活动等问题,在大量传感器数据分析的基础上,对室内行人常见复杂活动进行细化并定义,将竖直和水平晃动等运动模式引入室内活动识别,对静止和运动时的活动进行细分,以减少静止站立时摇摆、晃动等活动对室内定位的干扰;建立了顾及活动识别实时性的时间窗口选择依据,将航向角余弦差值引入活动识别,为了避免大量频率计算,提出了仅利用时域特征基于随机森林快速准确识别室内复杂活动的方法。通过比较分析朴素贝叶斯、决策树、支持向量机、随机森林和神经网络分类算法的分类结果发现,本文提出的时域特征在个性化和普适化活动识别上都具有很高的精度,其中,基于随机森林进行个性化活动识别和普适化活动识别的精度分别为99.78%和99.5%。实验结果表明,本文提出的时域特征可以用于准确识别室内复杂活动。(5)针对行人航位推算抗干扰能力弱、实时性差和航向估计不准等问题,着重分析了不同活动下传感器数据的波动变化情况,提出了不同活动下顾及时间同步的步态探测方法、基于随机森林回归的步长估计模型以及波形校准航向估计方法,形成了顾及活动识别的改进行人航位推算方法体系。在距离约为211米的走廊分别开展步行平端和步行口袋活动下行人航位推算实验,对这两种活动分别进行步态探测、步长估计和航向估计,两种活动下的计步准确率达99.6%,步长累计误差小于2.2米,航向估计误差小于6度,闭合误差小于2.4米,位置发散率低于1.2%,平均定位误差小于1.8米,均方根误差小于1.4米,方法具有较高精度。实验结果表明,本文提出的顾及活动识别的改进行人航位推算方法抗干扰能力强、航向估计准、定位精度高。(6)针对Wi-Fi指纹定位结果变化大、更新频率低、聚类识别易出错以及Wi-Fi/PDR混合定位结果产生回跳等问题,提出了基于位置约束、位移约束和方向约束的Wi-Fi/PDR混合定位优化方法。分别在步行平端和步行口袋活动下开展混合定位优化实验,两种活动下的定位结果与真实轨迹重合度较高,步行平端活动的平均定位误差小于1.6米,均方根误差约为1米,步行口袋活动的平均定位误差约为1.62米,均方根误差为约1.4米;与优化前步行平端活动下Wi-Fi/PDR混合定位方法相比,优化后混合定位结果的平均定位误差减小了0.91米,定位精度提高了36.5%,均方根误差减小了至少1.9米。实验结果表明,所提方法能够大幅度提高混合定位精度,解决Wi-Fi指纹定位结果变化大、更新频率低和聚类识别易出错等问题,避免混合定位结果回跳现象出现,优化混合定位系统性能。(本文来源于《中国矿业大学》期刊2019-06-01）
韩广智[7]（2019）在《矿井混合无线Mesh网络智能优化路由协议研究》一文中研究指出混合无线Mesh网络具有网络容量大、鲁棒性强、组网简单等特点,适用于煤矿复杂区域和应急救灾场景下的网络通信。本文针对矿井混合无线Mesh网络拓扑长链状、数据种类多、能量受限等特点,设计了以下两种基于智能优化方法的路由协议。(1)基于变形虫模型的多参数自主优化路由协议。协议将混合无线Mesh网络中节点能量、缓存、节点深度等参数应用于变形虫模型的泊松方程求解链路质量,并提出了节点资源相关型和位置适应型两种参数自适应调整策略。协议在节点在能量不足时能够突出其能量消耗问题,并降低多对一的数据传输中关键节点的负载压力,实现了网络状态自适应的分布式路由决策。(2)基于模糊决策的数据分类优化传输路由协议。协议将混合无线Mesh网络中的数据分为紧急数据和常规数据,并根据不同数据类型自适应的选择相应的模糊决策参数和决策规则,实现支持数据区分服务的路由决策,以满足不同数据类型的传输需求。在路径性能发生变化后,协议的路径软切换策略能够保证数据传输的连续性,提高网络性能。基于NS2平台,本文测试了两种协议的性能并与相关协议加以对比。结果表明,两种协议在平均端到端时延、投递率等方面表现良好,有效的延长了网络生存时间。两种协议分别实现了网络的负载均衡和能量均衡,满足了不同类型数据的传输需求,提高了数据传输效率。(本文来源于《中国矿业大学》期刊2019-05-20）
涂伟平,李春祥[8]（2019）在《基于混合智能算法优化LSSVM的短期风压预测》一文中研究指出利用最小二乘支持向量机(least square support vector machine, LSSVM)预测建筑表面的风压.为提高LSSVM对风压预测的泛化能力与精度,提出了基于混合蚁群(ant colony optimization, ACO)和粒子群(particle swarm optimization, PSO)优化LSSVM的预测方法(ACO+PSO-LSSVM),对参数进行搜索寻优,该方法避免了ACO和PSO二者的缺点并实现优势互补.利用ACO+PSO-LSSVM算法对建筑表面风压进行单点和空间点预测,并与ACO-LSSVM和PSO-LSSVM算法作比较.结果表明,基于混合蚁群优化和粒子群优化的LSSVM预测模型预测精度高、鲁棒性强,具有较高的工程应用前景.(本文来源于《上海大学学报(自然科学版)》期刊2019年02期）
庄星,韩飞[9]（2019）在《基于混合群智能算法优化BP神经网络的粮食产量预测》一文中研究指出针对前馈神经网络预测粮食产量的方法易陷入局部最优的问题,提出一种基于粒子群算法和人工蜂群算法的改进BP神经网络模型.利用粒子群优化算法和人工蜂群算法在全局搜索能力上的不同优势,结合两者对BP神经网络的权值和阈值进一步优化,以提升粮食产量预测模型的准确性与鲁棒性.给出基于粒子群和人工蜂群混合的ABPSO算法的具体实现,并选择1979年至2012年我国粮食的产量及影响其产量的8项因素作为数据集进行试验.结果表明:改进的BP神经网络能够较好地预测国内近几年的粮食产量变化趋势;相比未优化的BP模型,新算法预测误差平均值由847 780 t降低至240 320 t,误差范围由1 894 200 t降低至586 800 t.(本文来源于《江苏大学学报(自然科学版)》期刊2019年02期）
曹裕捷,张彬桥[10]（2019）在《混合智能算法的多目标无功优化方法》一文中研究指出传统电力无功优化主要集中在引入或改进某种单一智能优化算法,进化算子的不变性难以保证算法在各寻优阶段的稳定性和普适性.本文提出基于多种智能算法动态混合策略的多目标无功优化方法.该方法采用计及系统网损与电压偏移的多目标优化模型,考虑多种智能算法在不同寻优阶段的优劣特征,基于帕累托最优动态确定备选算法的使用比例,使多种智能算法优势互补以提高整体寻优效率.以IEEE 30节点、系统多目标无功优化为算例,结果表明新方法在帕累托前沿和收敛特性等方面都表现更优.(本文来源于《叁峡大学学报(自然科学版)》期刊2019年01期）
混合智能优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出一种基于模型预测控制的油耗优化算法对智能混合动力汽车进行多目标自适应跟车控制。通过客车仿真分析表明,此能耗优化算法性能优异,在保证车辆跟车性能的同时能够降低油耗。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合智能优化论文参考文献
[1].孙虎,韩景森,高慧敏.混合智能优化算法在光伏最大功率点跟踪技术的应用[J].嘉兴学院学报.2019
[2].囤金军,宋金香.智能混合动力汽车跟车能耗优化控制研究[J].交通世界.2019
[3].王改云,王磊杨,路皓翔.基于混合群智能算法优化的RSSI质心定位算法[J].计算机科学.2019
[4].高学伟,付忠广,谢鲁冰,王圣毫,王树成.基于混合群智能算法优化的NO_X排放KELM模型设计[J].自动化仪表.2019
[5].杨春江.炼钢连铸混合智能优化调度方法及应用[J].中小企业管理与科技(中旬刊).2019
[6].毕京学.智能手机Wi-Fi/PDR室内混合定位优化问题研究[D].中国矿业大学.2019
[7].韩广智.矿井混合无线Mesh网络智能优化路由协议研究[D].中国矿业大学.2019
[8].涂伟平,李春祥.基于混合智能算法优化LSSVM的短期风压预测[J].上海大学学报(自然科学版).2019
[9].庄星,韩飞.基于混合群智能算法优化BP神经网络的粮食产量预测[J].江苏大学学报(自然科学版).2019
[10].曹裕捷,张彬桥.混合智能算法的多目标无功优化方法[J].叁峡大学学报(自然科学版).2019