CN109284579A - 基于改进差分进化算法的非线性***参数辨识方法 - Google Patents
基于改进差分进化算法的非线性***参数辨识方法 Download PDFInfo
- Publication number
- CN109284579A CN109284579A CN201811340163.9A CN201811340163A CN109284579A CN 109284579 A CN109284579 A CN 109284579A CN 201811340163 A CN201811340163 A CN 201811340163A CN 109284579 A CN109284579 A CN 109284579A
- Authority
- CN
- China
- Prior art keywords
- individual
- algorithm
- value
- vector
- population
- 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
- 238000012850 discrimination method Methods 0.000 title claims description 11
- 230000009467 reduction Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000004075 alteration Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 9
- 238000012546 transfer Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000002028 premature Effects 0.000 abstract description 3
- 238000001027 hydrothermal synthesis Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本专利针对非线性模型参数辨识困难和不准确的问题，提出一种基于改进的差分进化算法的辨识算法。通过建立寿命机制，根据寿命值大小，动态调整缩放因子和交叉率，在算法初期保持多样性来避免早熟收敛，在后期保留优质解，加快收敛速度。为验证改进算法的性能和实用性，用典型测试函数进行对比测试，并辨识非线性传递函数模型和Hammerstein模型，试验结果表明改进的算法收敛速度快，辨识精度高，对非线性***参数辨识有效可行。
Description
技术领域
本发明涉及热工自动化技术领域，特别是涉及基于改进差分进化算法的非线性***参数辨识方法。
背景技术
在工业领域中，研究对象通常非常复杂，内部机理模糊不清，很难有理论直接获得相应的数学模型，而且大部分为非线性模型，因此提出利用已知的观测数据来辨识研究对象的数学模型及其参数。随着智能优化算法的出现，非线性***模型参数可以使用神经网络、遗传算法、粒子群算法等算法进行辨识。差分进化(Differential Evolution,DE)算法是为求解切比雪夫多项式共同提出的一种采用浮点矢量编码在连续空间中进行随机搜索的优化算法。DE的原理简单，受控参数少，实施随机、并行、直接的全局搜索，易于理解和实现,受到了广泛的关注。但差分进化算法存在随着进化代数的增加，容易收敛于局部最优点或算法停滞。为此需要寻找新的方法改进缺点，本专利将动态调整缩放因子和交叉率的方法结合在一起，提出新的改进方法，对非线性***模型进行参数辨识。
发明内容
为了解决差分进化算法存在随着进化代数的增加，容易收敛于局部最优点或算法停滞的缺点，本发明提供基于改进差分进化算法的非线性***参数辨识方法，将动态调整缩放因子和交叉率的方法结合在一起，提出新的改进方法。根据个体的寿命值大小，动态调整缩放因子和交叉率，在算法初期保持多样性来避免早熟收敛，在后期保留优质解，加快收敛速度，最终使非线性***的辨识参数更准确、辨识速度更快，为达此目的，本发明提供基于改进差分进化算法的非线性***参数辨识方法，具体步骤如下：
(1)初始化种群，在问题的可行解空间生成随机初始化种群：
(2)变异操作，DE通过差分策略实现个体变异，将两个任意个体的差分向量加到另一个随机的个体向量上成为变异向量；
(3)交叉操作，通过交叉操作生成试验向量，通过随机选择，使试验向量至少有一个分量由变异向量提供；
(4)选择操作，DE采用“贪婪”选择策略，根据目标向量与试验向量的适应值来选择最优个体。
本发明的进一步改进，所述步骤一详细步骤如下；
初始化种群为xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,NP，其中D为维数，NP为种群规模；
寿命在个体生成时被赋值，个体的寿命每进化一代寿命降低1，当某个体的寿命降为0时，则认为此个体无继续进化的能力，淘汰此个体并复制精英个体，使算法寻优能力进一步加强，加快收敛速度，根据双线性分配策略分配寿命值，如式(1)、(2)所示；
其中，minfit、maxfit和avgfit分别表示当前种群适应值的最小值、最大值和平均值，LFmin和LFmax分别代表寿命的最小值和最大值，LF∈(0,100)，这种分配策略利用当前种群的进化信息以及个体自身特性信息，加大具有相近适应值个体的寿命值差异。
本发明的进一步改进，所述步骤二详细步骤如下；
变异方式为：
vi,g+1＝xr1,g+F*(xr2,g-xr3,g) (3)
其中，r1≠r2≠r3≠i，g为代数，F为缩放因子；
缩放因子F较大时，扰动较大，能在更大范围内寻求有潜力的解，有利于保持种群的多样性，F较小时，则对基向量造成的扰动较小，搜索范围较小，提高算法的开发能力，易找到高质量的最优解，因此在寿命较大时，个体适应值较优，采用较小的F，对个体所对应的差分向量进行较小的缩放，使算法在此较优个体的附近继续进化，容易求得更好的解，缩放因子的取值如式(4)所示；
其中Fmax和Fmin分别为缩放因子的最大值和最小值，LF(i)为个体的寿命值，F(i)为个体的缩放因子。
本发明的进一步改进，所述步骤三详细步骤如下；
交叉操作的方程为：
其中，j＝1,2，…，D，jrand为[1,D]内随机选择的整数，CR∈(0,1)为交叉率；
变异率CR越大就代表着新生个体被引入变异个体越多，能够增加种群的多样性，同时也会增加种群的收敛速度，CR较小时，算法的收敛速度比较慢，但是成功搜索到最优解的概率增加，会增加算法的鲁棒性，因此为了在算法后期增加种群多样性和收敛速度，随着寿命值的降低，CR减小，交叉率取值如式(6)所示。
其中CRmax和CRmin分别代表交叉率的最大值和最小值，CR(i)为个体的交叉率。
本发明的进一步改进，所述步骤四详细步骤如下；
根据目标向量xi,g与试验向量ui,g+1的适应值f(x)来选择最优个体；对于最小化问题，选择操作的公式为：
本发明基于改进差分进化算法的非线性***参数辨识方法，具有如下优点：
1)本发明差分进化算法DE的原理简单，受控参数少，实施随机、并行、直接的全局搜索，易于理解和实现。
2)本发明改进差分进化算法的最优解和收敛精度比基本的差分进化算法更精确。
3)本发明改进的差分进化算法对非线性***的适应性好，对非线性模型参数的辨识误差低、精确度提高。
附图说明
图1为本发明改进算法流程图；
图2为本发明参数辨识结果示意图；
图3为本发明相同输入下实际输出与辨识估计输出值对比图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于改进差分进化算法的非线性***参数辨识方法，将动态调整缩放因子和交叉率的方法结合在一起，提出新的改进方法。根据个体的寿命值大小，动态调整缩放因子和交叉率，在算法初期保持多样性来避免早熟收敛，在后期保留优质解，加快收敛速度，最终使非线性***的辨识参数更准确、辨识速度更快。
本发明DE算法是一种基于种群的智能优化方法，借助于种群个体之间的差分信息对个体形成扰动来搜索整个种群空间，并利用贪婪竞争机制选择优化，寻求最优解。改进的DE算法的基本步骤如图1所示。具体步骤如下：
(1)初始化种群。在问题的可行解空间生成随机初始化种群：xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,NP。其中D为维数，NP为种群规模。
寿命在个体生成时被赋值，个体的寿命每进化一代寿命降低1，当某个体的寿命降为0时，则认为此个体无继续进化的能力，淘汰此个体并复制精英个体，使算法寻优能力进一步加强，加快收敛速度。根据双线性分配策略分配寿命值，如式(1)、(2)所示。
其中，minfit、maxfit和avgfit分别表示当前种群适应值的最小值、最大值和平均值、。LFmin和LFmax分别代表寿命的最小值和最大值。LF∈(0,100)。这种分配策略可以利用当前种群的进化信息以及个体自身特性信息，加大具有相近适应值个体的寿命值差异。
(2)变异操作。DE通过差分策略实现个体变异，将两个任意个体的差分向量加到另一个随机的个体向量上成为变异向量。常用的变异方式为：
vi,g+1＝xr1,g+F*(xr2,g-xr3,g) (3)
其中，r1≠r2≠r3≠i，g为代数，F为缩放因子。
缩放因子F较大时，扰动较大，能在更大范围内寻求有潜力的解，有利于保持种群的多样性。F较小时，则对基向量造成的扰动较小，搜索范围较小，提高算法的开发能力，易找到高质量的最优解。因此在寿命较大时，个体适应值较优，采用较小的F，对个体所对应的差分向量进行较小的缩放，使算法在此较优个体的附近继续进化，容易求得更好的解。缩放因子的取值如式(4)所示。
其中Fmax和Fmin分别为缩放因子的最大值和最小值。LF(i)为个体的寿命值。F(i)为个体的缩放因子。
(3)交叉操作。通过交叉操作生成试验向量。通过随机选择，使试验向量至少有一个分量由变异向量提供。交叉操作的方程为：
其中，j＝1,2，…，D，jrand为[1,D]内随机选择的整数，CR∈(0,1)为交叉率。
变异率CR越大就代表着新生个体被引入变异个体越多，能够增加种群的多样性，同时也会增加种群的收敛速度。CR较小时，算法的收敛速度比较慢，但是成功搜索到最优解的概率增加，会增加算法的鲁棒性。因此为了在算法后期增加种群多样性和收敛速度，随着寿命值的降低，CR减小。交叉率取值如式(6)所示。
其中CRmax和CRmin分别代表交叉率的最大值和最小值。CR(i)为个体的交叉率。
(4)选择操作。DE采用“贪婪”选择策略，根据目标向量xi,g与试验向量ui,g+1的适应值f(x)来选择最优个体；对于最小化问题，选择操作的公式为：
为进一步说明改进算法的准确性和快速性，结合实施例对改进的算法在matlab下进行仿真验证。
实施例1：
为验证算法的有效性，利用多个基准函数进行测试。测试函数为Schwefel，Ackley，Rastrigin，Alpine，Griewank函数，最优解均为0。种群数目设置为维数的10倍，其余参数设置如下：基本DE:F＝0.6，CR＝0.9，DEAFCR的参数为：Fmax＝1，Fmin＝0.2，CRmax＝1，CRmin＝0.8。表1给出了这两种算法对30维的测试函数的优化结果，对每一个函数运行30次，最大迭代次数为1000次.
表格1算法测试结果
由表1的测试数据看出DEAFCR算法在保持算法稳定性的同时，比DE算法的最优解、平均值都小，因此DEAFCR算法搜索到的最优解和收敛精度比基本DE算法好。
实施例2：
为试验改进差分进化算法在非线性定长***的辨识效果，本专利选取传递函数模型和Hammerstein模型进行辨识与仿真研究。结果与遗传(GA)算法的和自适应变异率和动态交叉变异率进化差分算法(MCDE)进行对比分析，验证算法的有效性。
二阶惯性环节加纯时延的传递函数模型如式(8)所示。
待辨识的参数为增益系数k、时间常数T1、T2和延迟时间τ。参数的搜索范围0≤k≤4,0≤T1≤4,0≤T2≤4,0≤τ≤2,采样周期为0.1s，采样数据为100个，输入为随机输入u，采样时间0≤t≤9.9，用lsim函数求输出输出信号y，y＝lism(G,u,t)。
仿真实验中的参数设置为：维数D＝4，种群规模NP＝40，迭代次数为200次，其余参数与函数测试时相同。仿真30次，取平均值。仿真结果如表2所示。
表格2传递函数模型辨识结果对比
由图2-3进的DE算法精确度较高。
实施例3：
Hammerstein模型是由一个无记忆非线性增益环节和线性子***串联而成，在有色噪声干扰下的模型可描述为：
A(q-1)y(k)＝B(q-1)x(k)+C(q-1)w(k) (9)
考虑如式(9)的Hammerstein模型，噪声w(k)为均值为0，方差为0.01的高斯白噪声。输入u(k)为均值为0，方差为0.2的高斯白噪声。取：A(q-1)＝1-1.5q-1+0.7q-2，B(q-1)＝q-1+0.5q-2，C(q-1)＝1+1.5q-1，x(k)＝u(k)+0.5u2(k)+0.3u3(k)+0.1u4(k)。
因此该模型的待辨识参数为8个，a1、a2、b1、b2、c1、r2、r3、r4,维度为8，种群规模NP为80，迭代次数为1000次，参数搜索范围为[-2,2]，其余参数设置同上。仿真结果如表3。
表格3Hammerstein模型参数辨识结果对比
由表3可以看出三种算法对传递函数模型的辨识都有较高的精度。但对于辨识Hammerstein模型来说，本专利提出的改进DE算法更准确。由表3可知，改进的DE算法对非线性参数r4的估计值比MCDE算法精度提高7.5％，比GA算法对参数c1的估计精确度提高82.72％。因此专利提出的改进算法对非线性***辨识的误差更低，精度更高，证明该方法的可行性和有效性。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (5)
1.基于改进差分进化算法的非线性***参数辨识方法，具体步骤如下，其特征在于：
(1)初始化种群，在问题的可行解空间生成随机初始化种群：
(2)变异操作，DE通过差分策略实现个体变异，将两个任意个体的差分向量加到另一个随机的个体向量上成为变异向量；
(3)交叉操作，通过交叉操作生成试验向量，通过随机选择，使试验向量至少有一个分量由变异向量提供；
(4)选择操作，DE采用“贪婪”选择策略，根据目标向量与试验向量的适应值来选择最优个体。
2.根据权利要求1所述的基于改进差分进化算法的非线性***参数辨识方法，其特征在于：所述步骤一详细步骤如下；
初始化种群为xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,NP，其中D为维数，NP为种群规模；
寿命在个体生成时被赋值，个体的寿命每进化一代寿命降低1，当某个体的寿命降为0时，则认为此个体无继续进化的能力，淘汰此个体并复制精英个体，使算法寻优能力进一步加强，加快收敛速度，根据双线性分配策略分配寿命值，如式(1)、(2)所示；
其中，minfit、maxfit和avgfit分别表示当前种群适应值的最小值、最大值和平均值，LFmin和LFmax分别代表寿命的最小值和最大值，LF∈(0,100)，这种分配策略利用当前种群的进化信息以及个体自身特性信息，加大具有相近适应值个体的寿命值差异。
3.根据权利要求1所述的基于改进差分进化算法的非线性***参数辨识方法，其特征在于：所述步骤二详细步骤如下；
变异方式为：
vi,g+1＝xr1,g+F*(xr2,g-xr3,g) (3)
其中，r1≠r2≠r3≠i，g为代数，F为缩放因子；
缩放因子F较大时，扰动较大，能在更大范围内寻求有潜力的解，有利于保持种群的多样性，F较小时，则对基向量造成的扰动较小，搜索范围较小，提高算法的开发能力，易找到高质量的最优解，因此在寿命较大时，个体适应值较优，采用较小的F，对个体所对应的差分向量进行较小的缩放，使算法在此较优个体的附近继续进化，容易求得更好的解，缩放因子的取值如式(4)所示；
其中Fmax和Fmin分别为缩放因子的最大值和最小值，LF(i)为个体的寿命值，F(i)为个体的缩放因子。
4.根据权利要求1所述的基于改进差分进化算法的非线性***参数辨识方法，其特征在于：所述步骤三详细步骤如下；
交叉操作的方程为：
其中，j＝1,2，…，D，jrand为[1,D]内随机选择的整数，CR∈(0,1)为交叉率；
变异率CR越大就代表着新生个体被引入变异个体越多，能够增加种群的多样性，同时也会增加种群的收敛速度，CR较小时，算法的收敛速度比较慢，但是成功搜索到最优解的概率增加，会增加算法的鲁棒性，因此为了在算法后期增加种群多样性和收敛速度，随着寿命值的降低，CR减小，交叉率取值如式(6)所示。
其中CRmax和CRmin分别代表交叉率的最大值和最小值，CR(i)为个体的交叉率。
5.根据权利要求1所述的基于改进差分进化算法的非线性***参数辨识方法，其特征在于：所述步骤四详细步骤如下；
根据目标向量xi,g与试验向量ui,g+1的适应值f(x)来选择最优个体；对于最小化问题，选择操作的公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340163.9A CN109284579A (zh) | 2018-11-12 | 2018-11-12 | 基于改进差分进化算法的非线性***参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340163.9A CN109284579A (zh) | 2018-11-12 | 2018-11-12 | 基于改进差分进化算法的非线性***参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109284579A true CN109284579A (zh) | 2019-01-29 |
Family
ID=65175321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811340163.9A Pending CN109284579A (zh) | 2018-11-12 | 2018-11-12 | 基于改进差分进化算法的非线性***参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284579A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146839A (zh) * | 2019-05-30 | 2019-08-20 | 中国海洋大学 | 一种移动平台磁梯度张量***校正方法 |
| CN110175420A (zh) * | 2019-05-30 | 2019-08-27 | 南通大学 | 锅炉床温***时延非线性模型改进粒子群参数辨识方法 |
| CN110222300A (zh) * | 2019-05-21 | 2019-09-10 | 北京科技大学 | 一种计算立方系材料母相与子相间位向关系的方法 |
| CN110298060A (zh) * | 2019-04-30 | 2019-10-01 | 哈尔滨工程大学 | 一种基于改进自适应遗传算法的间冷燃气轮机状态空间模型辨识方法 |
| CN110442149A (zh) * | 2019-07-30 | 2019-11-12 | 北京航空航天大学 | 一种基于改进差分进化算法的无人机气动参数辨识方法 |
| CN110779531A (zh) * | 2019-09-16 | 2020-02-11 | 北京航空航天大学 | 一种天基仅测角差分进化一次精确定轨方法 |
| CN112394640A (zh) * | 2020-08-18 | 2021-02-23 | 东南大学 | 参数整定方法、装置、存储介质及参数整定单元 |
| CN112598282A (zh) * | 2020-12-24 | 2021-04-02 | 清华大学 | 电力***负荷模型参数辨识方法及装置 |
| CN112800676A (zh) * | 2021-01-28 | 2021-05-14 | 中国三峡新能源(集团)股份有限公司 | 基于ide-bas算法的风电场参数分步辨识动态等值方法 |
| CN112993993A (zh) * | 2020-12-11 | 2021-06-18 | 国网冀北电力有限公司计量中心 | 基于改进型差分进化算法的非侵入式电力负荷感知识别方法 |
| CN113976585A (zh) * | 2021-10-22 | 2022-01-28 | 戴祖清 | 基于差分进化算法的有机垃圾最优压保值的计算方法 |
-
2018
- 2018-11-12 CN CN201811340163.9A patent/CN109284579A/zh active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298060A (zh) * | 2019-04-30 | 2019-10-01 | 哈尔滨工程大学 | 一种基于改进自适应遗传算法的间冷燃气轮机状态空间模型辨识方法 |
| CN110222300A (zh) * | 2019-05-21 | 2019-09-10 | 北京科技大学 | 一种计算立方系材料母相与子相间位向关系的方法 |
| CN110146839A (zh) * | 2019-05-30 | 2019-08-20 | 中国海洋大学 | 一种移动平台磁梯度张量***校正方法 |
| CN110175420A (zh) * | 2019-05-30 | 2019-08-27 | 南通大学 | 锅炉床温***时延非线性模型改进粒子群参数辨识方法 |
| CN110442149A (zh) * | 2019-07-30 | 2019-11-12 | 北京航空航天大学 | 一种基于改进差分进化算法的无人机气动参数辨识方法 |
| CN110779531B (zh) * | 2019-09-16 | 2020-11-20 | 北京航空航天大学 | 一种天基仅测角差分进化一次精确定轨方法 |
| CN110779531A (zh) * | 2019-09-16 | 2020-02-11 | 北京航空航天大学 | 一种天基仅测角差分进化一次精确定轨方法 |
| CN112394640A (zh) * | 2020-08-18 | 2021-02-23 | 东南大学 | 参数整定方法、装置、存储介质及参数整定单元 |
| CN112394640B (zh) * | 2020-08-18 | 2022-06-07 | 东南大学 | 参数整定方法、装置、存储介质及参数整定单元 |
| CN112993993A (zh) * | 2020-12-11 | 2021-06-18 | 国网冀北电力有限公司计量中心 | 基于改进型差分进化算法的非侵入式电力负荷感知识别方法 |
| CN112598282A (zh) * | 2020-12-24 | 2021-04-02 | 清华大学 | 电力***负荷模型参数辨识方法及装置 |
| CN112800676A (zh) * | 2021-01-28 | 2021-05-14 | 中国三峡新能源(集团)股份有限公司 | 基于ide-bas算法的风电场参数分步辨识动态等值方法 |
| CN112800676B (zh) * | 2021-01-28 | 2023-12-26 | 中国三峡新能源(集团)股份有限公司 | 基于ide-bas算法的风电场参数分步辨识动态等值方法 |
| CN113976585A (zh) * | 2021-10-22 | 2022-01-28 | 戴祖清 | 基于差分进化算法的有机垃圾最优压保值的计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284579A (zh) | 基于改进差分进化算法的非线性***参数辨识方法 | |
| CN113052334B (zh) | 一种联邦学习实现方法、***、终端设备及可读存储介质 | |
| CN110286586A (zh) | 一种磁流变阻尼器混合建模方法 | |
| CN113219836A (zh) | 一种分数阶复值忆阻神经网络的投影同步方法及其应用 | |
| Xinsong et al. | Adaptive pinning synchronization of coupled neural networks with mixed delays and vector-form stochastic perturbations | |
| CN105427241A (zh) | 一种大视场显示设备的畸变校正方法 | |
| CN114036861A (zh) | 基于infoGAN的三维温度场预测方法 | |
| CN104616072A (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
| CN113779873A (zh) | 一种tdecq测量模型的构建方法及应用 | |
| CN116451145A (zh) | 用于干细胞运输的降温装置及方法 | |
| CN108388961A (zh) | 基于模块度优化的自适应随机邻居社团划分算法 | |
| An et al. | A learning-based end-to-end wireless communication system utilizing a deep neural network channel module | |
| CN106953820A (zh) | 基于双Sigmoid复数连续神经网络的信号盲检测方法 | |
| CN106612158A (zh) | 一种基于复合正弦混沌神经网络的信号盲检测方法 | |
| CN102799940B (zh) | 基于遗传算法和先验知识的网络社区划分方法 | |
| Wang et al. | Estimation of control energy and control strategies for complex networks | |
| CN116310642A (zh) | 基于pate框架的可变动态鉴别器差分隐私数据生成器 | |
| Li et al. | An improved adaptive particle swarm optimization algorithm | |
| CN107315918A (zh) | 一种利用噪声提高稳健估计的方法 | |
| CN106528996B (zh) | 基于适应性教学优化的变压器优化设计方法 | |
| Li et al. | Research on intelligent volume algorithm based on improved genetic annealing algorithm | |
| CN106325069A (zh) | 一种无线网络控制***最优线性控制策略设计方法 | |
| Li et al. | An improvement proposal of genetic algorithms based on information entropy and game theory | |
| CN110048435B (zh) | 一种基于Jensen不等式的电力广域时滞控制器设计方法 | |
| CN110009111A (zh) | 一种机器学习逆过程中生成最优训练集的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |
|
| RJ01 | Rejection of invention patent application after publication |