基于猴群算法的加气站项目进度研究

合集下载

基于猴群算法的混合动力汽车能量管理策略

基于猴群算法的混合动力汽车能量管理策略申彩英;高韬【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)014【摘要】Hybrid Electric Vehicles(HEV)are usually powered by two different energy sources. It is important to split the instantaneous power between the two energy sources in order to minimize fuel consumption, while the vehicle per-forms a given driving cycle. Mathematical models of vehicle are nonlinear and under restraint in practice, in combination with theory of Monkey Algorithm(MA), energy management strategy based on MA is presented. Simulation results dem-onstrate that MA has a good global search capability and can get the optimum solution quickly with small population size. Thus it can realize low fuel consumption.%混合动力汽车通常由两种不同的动力源驱动，对于驾驶员需求，如何分配动力源的输出，使得整个循环的耗油量达到最小是混合动力系统控制表示法需要解决的问题。

实际汽车中各部件模型是非线性的，而且受到约束，结合猴群算法理论，提出了基于猴群算法的能量管理策略。

对505及NEDC等标准工况进行了仿真，结果表明，猴群算法用很小的猴群就可以很快收敛到全局最优解，寻优能力强，可以实现低油耗。

CNG算法的研究与实现的开题报告

DTX/CNG算法的研究与实现的开题报告一、选题背景和意义DTX（Discontinuous Transmission）即不连续传输，是指在信道质量较差时暂停语音传输，以减少带宽开销和提高通信质量。

而CNG （Comfort Noise Generation）是一种用于在语音空白期间生成合适的背景噪声信号，以保证通话时的良好体验，同时也可以节省带宽资源。

这两种技术在语音通信领域中都有广泛应用。

本项目选题主要是想要研究和实现在语音通信中的DTX/CNG算法，探讨其原理和实现方法，以期能够提高通信质量和降低带宽开销，同时也具有一定的应用价值和研究意义。

二、研究内容和目标本项目主要研究内容包括以下几个方面：1、DTX算法原理与实现。

通过对DTX算法的原理进行研究，了解其工作流程和流程控制，进而实现DTX算法的代码，并进行实验测试和优化。

2、CNG算法原理与实现。

探究CNG算法的原理和实现方法，包括如何生成合适的噪声信号以及如何将其与语音信号进行混合，进而实现CNG算法的代码，并进行实验测试和优化。

3、DTX/CNG算法综合应用。

将上述两种算法结合起来，实现语音通信中的DTX/CNG功能，测试其应用效果和性能指标，并进行优化和改进。

本项目的研究目标主要有以下几个方面：1、深入理解DTX/CNG算法的原理和实现方法。

2、掌握DTX/CNG算法的代码实现和优化技巧。

3、实现具有一定性能指标的DTX/CNG算法，以提高语音通信质量和降低带宽开销。

三、研究方法和步骤本项目的研究方法主要是以文献调研和实践操作相结合，具体步骤如下：1、文献调研。

通过查阅相关专业文献和资料，了解DTX/CNG算法的原理、应用和研究现状，为后续的实践操作提供参考和指导。

2、算法实现。

根据文献调研的结果，结合具体的实践操作，编写和实现DTX/CNG算法的代码，并进行实验测试和优化。

3、综合应用。

将DTX/CNG算法应用到语音通信中，并测试其应用效果和性能指标，进一步优化和改进算法实现。

基于遗传算法的天然气消费量预测研究

第25卷第2期2009年4月德州学院学报Journal of Dezhou U niversityV ol.25,N o.2Apr.,2009基于遗传算法的天然气消费量预测研究帅训波1,杨遂发1,周相广1,马书南2(11中国石油勘探开发研究院廊坊分院地球物理与信息研究所,河北廊坊　065007;2.北京工业大学计算机学院,北京　100022) 摘　要:天然气消费量受众多因素影响,应用单一预测方法产生的预测值误差较大.提出了一种天然气消费量优化组合预测模型的构造方法,给出了优化组合预测模型提高预测精度的理论依据,并应用实数编码遗传算法对优化组合模型进行求解.实例计算结果分析表明,优化组合预测模型具有更高的预测精度.关键词:天然气;消费预测;优化组合;遗传算法中图分类号:F224,TP301 文献标识码:A 文章编号:100429444(2009)022*******收稿日期:2008209216作者简介:帅训波(19792),男,山东单县人,助理工程师,在读博士,主要从事石油信息系统建设与规划、人工智能方面的研究. 天然气消费量是反映居民生活消费水平的一个重要的指数,对其精确预测对国家制定与分析价格政策、意义.天然气消费受众多因素影响,各影响因素与消费量之间存在着高度的复杂性和非线性[1],因此,关于天气消费量的预测研究越来越备受关注[1-4].常用的预测方法主要有两类:一类是因果解释预测方法,分析消费量的主要影响因素,建立起预测变量与影响因素的关系模型,如回归分析法;另一类是历史数据法,依赖于被预测量的历史观测数据,通过序列分析找出其系统演变规律,并进而对系统未来发展做出预测,如时间序列分析、灰色预测法等[1].研究发现,由于每种单一预测方法均不能包括影响天然气消费的所有有用信息,导致预测值与实际消费量之间存在较大误差[2-4].针对应用单一预测方法存在预测值误差较大的问题,文中从组合预测的角度[5-7],提出了一种天然气消费量优化组合预测模型的构造方法,给出了优化组合预测模型提高预测精度的理论依据,并应用基于实数编码的遗传算法对组合优化模型进行求解.实例计算结果分析表明,优化组合模型有更高的预测精度.1　优化组合预测模型构造为了避免单一的天然气消费量预测模型对部分有用信息的丢失,充分综合多种模型的预测结果,提高预测精度.天然气消费量优化组合预测模型的构造基本方法1对这每种天然气消费量预测模型赋予不同的权重,并建立目标函数,通过最优化算法确定最佳的预测方法组合.通过求取目标函数中的优化组合权值,从而可以得出优化组合预测模型.设n 为观测数据个数,m 为被选应用的预测模型个数,实际历史数据值为y (0)(i )(i =1,2,3,…,n ),m 种预测模型的输出预测结果值分别为y (1)(i ),y (2)(i ),……,y (m )(i ),w j (j =1,2,3,…,m 为第j 种预测模型在组合预测模型的权重,∑mj =1wj=1且0<w j <1,当存在w =(w 1,w 2,w 3…,w m )数值,使得预测误差函数:F =∑ni =1[∑mj =1w j y j (i )-y 0(i )]2值尽可能地小,则y z (i )=∑m j =1wjy j (i )为该组消费量观测数据的优化组合预测模型,当函数F 取得最小值时,则y z (i )为该组观测值的最优化组合预测模型.定理[5]　假定m 不同种单项预测方法的预测离差向量组ε1,ε2,…,εm 是线性无关的,基于相关系数的组合预测模型中,若最优解出现权重系数为零的个数k ≠(m -1),则最优解对应的组合预测是优性的组合预测.根据天然气消费量的优化组合预测模型构造方法过程,由定理可知,构造的优化组合天然气消费量模型要“好于”被选择的m 种单一预测模型中的“最优”者,具有更好的预测性能.2　基于遗传算法的权重参数求解如何求取一组权重参数w =(w 1,w 2,w 3…,w m ),且Πw j ≠1(j =1,2,3,…,m ),确保预测误差函数:F =∑ni =1[∑mj =1w jy j (i )-y 0(i )]2取得尽可能小,以至取得最小值,是实现天然气消费量优化组合预测模型具有更好应用预测性能的关键.由于函数F 具有高度非线性,这对于常规试差法、最小二乘法等求解w 值是难以实现的.遗传算法具有多点寻优、并行处理和不依赖于问题模型等特点,特别适合用于处理传统方法难于解决的复杂的非线性问题,它已被广泛用于许多领域[8-11].文中应用基于实数编码的遗传算法求解参数优化组合预测模型中权重参数,通过算例表明,可以得到理想的结果值.遗传算法步骤描述为1)初始化.确定种群规模S ,交叉概率p c ,变异概率p m 以及迭代终止条件,随机生成一个基于特定编码的N 个体组成初始种群;2)基于适度函数对个体进行评价.计算当前种群中每一个体的适应度函数值;3)种群进化.先对每一个体按照其适应度值计算其繁殖概率,再以设定的交叉概率、变异概率进行遗传操作,最后依据选择策略生成由N 个体组成的新一代种群;4)重复步骤(2)、(3)直至结果收敛.遗传算法中实数编码是连续参数优化问题的直接描述,取消了编码、解码过程,提高了算法的速度和精度,优点非常明显[9-11].模型F 的权重参数均为实数,采用实数编码更为适合.2.1　适应度函数建立适应度函数来确定个体的适应度值以评估其优劣,并以此作为遗传操作的依据.天然气消费量的优化组合预测模型的函数一般形式为 y z (i )=∑mj =1wjy j (i ), ∑mj =1w j =1且0<w j <1(1)预测误差函数F =∑ni =1[∑mj =1w jy j(i )-y 0(i )]2(2)为了保证误差越大,适应度值越小,则选取适应度函数为:f =n/F ,其中n 为观测数据的个数.2.2　选择策略遗传操作的目的是根据进化原则从当前群体中选出优良的个体,从而形成下一代.第i 个个体的选择概率p i =f i /∑ni =1fi(3)常用的选择算子如转盘式选择、锦标赛选择等,转盘式选择法不能使传统遗传算法收敛至最优解,锦标赛选择策略能避免超级个体的影响,但影响着算法的局部寻优性能.结合遗传算法求解经验[8,9],采用排序选择的方法作为选择算子.根据个体的适应度大小,然后把一定的概率分配给个体,作为个体的选择概率,保证了算法的良好全局收敛性[11],从而确保预测误差函数F 取得尽可能小的值,甚至最小值.2.3　交叉与变异以交叉概率p c 对匹配池中的个体中的每个分量按下式进行交叉操作,生成新的个体x t +12i =x t 2i +r i (x t 2i -x t2i +1)x t +12i +1=x t2i -r i (x t2i -x t2i +1)(i =0,1,…,N2-1)(4)式中:x t 2i 、x t 2i +1是父代中的双亲,其中x t2i 的适应度大于x t 2i +1的适应度(即x t 2i 优于x t 2i +1);x t +12i、x t +12i +1是交叉产生的子代新个体,由双亲执行式(4)的交叉运算生成的新个体;r i 是[0,1]上均匀分布的随机数.分析(4)式可知,选择的交叉算子生成的后代个体位于适应度大的父代个体x t2i (较优个体)的两侧,向着改善适应度的区域搜索前进,避免了进化的盲目性,提高了进化速度.以概率p m 对交叉后产生的个体执行变异操作,得到下一代个体,其中变异算子采用高斯变异算子[13].为了提高遗传算法进化速度,如果每代都有更优解出现,则将变异率保持近乎为零的水平,表示不引入变异操作;但是如果长时间未能搜索到更优解,认为依靠当前群体难以找到最优解,应以适度变异率执行变异操作,扩大搜索范围,向性能更优群体进化.定义变异率p m 为p m (g )=p m (min )+N G αt (5)式中,g 表示当前代数;p m (min )为最小变异率,取01001,即认为当前进化效果较好,几乎不引入变异操作;N G 为自上次进化以来至当前代连续未进化的代数;αt 为变异率提高系数,取值01005.16　第2期帅训波,等:基于遗传算法的天然气消费量预测研究3　计算实例与结果分析以某地区1996-2002年天然气消费量预测为例[4],应用线性回归预测模型、人工神经网络预测模型和灰色系统预测模型构造天然气消费量优化组合预测模型,基于实数编码的遗传算法求取优化组合预测模型中权重参数,种群规模S=80,杂交概率p c =0160,最小变异率p m(min)=01001,αt=01005;搜索进化1600代,计算结果200次,选取其中最优参数,结果如表1所示;拟合结果对比如表2所示.表1　各模型在优化组合预测模型中的权重预测模型线性回归预测模型神经网络预测模型灰色预测模型权重011551701547710129712表2　各模型对天然气消费量的预测值对比(单位:104m3)实际消费量线性回归模型神经网络模型灰色模型优化组合模型年份消费量预测值误差(%)预测值误差(%)预测值误差(%)预测值误差(%) 19961277171173168115117216812313451851331224124119 199712981312251251631233135101145613121171298130 19981501121462142158144411318115601231931481141132 19991616111536164192166417310116371811341636181128 20001816131676197167187014219817891311491816130 20012012181879186161205312210119041851371982121152 20022007171952132176211714514620941641322085113185 由表2的对比结果可以看出,文中的优化组合预测模型明显具有较好的预测精度,整体预测能力好于任何单一的预测模型.这一方面是因为在有限的历史数据情况下,优化组合预测模型充分利用各种预测方法的有用信息,提高天然气消费量预测的精度;另一方面是基于实数编码遗传算法对复杂的非线性问题有更好的求解性能,求取的最优模型参数权重值,使得预测误差函数F值向最小值无穷逼近,求解方法简单,而且求取结果比常用的最小二乘法等方法更精确,避免了常将非线性化强度较高的模型划为线性化式求解过程中有用信息的丢失.4　结论1)应用组合预测模型思想,给出了一种天然气消费量优化组合预测模型的构造方法,从组合优化理论和实例分析均表明,应用文中的方法构造的优化组合预测模型能综合各单种预测模型的方法信息,具有更好的预测性能.2)给出了一种适用于求解优化组合预测模型的实数编码遗传算法,利用计算机程序实现,求解方法易于掌握、便于操作,提高了模型预测能力和精度.它对其它复杂非线性问题模型求解有重要的借鉴意义.3)文中将遗传算法优化控制与组合预测相结合,应用实例分析表明,提高了预测的准确性.另外,可以考虑将专家系统及人工智能中的一些思想方法引入到优化组合预测领域,不仅进一步降低算法复杂性,而且获得更好的预测性能.参考文献:[1]王效东,黄坤.天然气消费量的神经网络方法预测[J].天然气勘探与开发,2007,30(3):70-72.[2]汪玉春,李建民,朱勇,等.天然气消费需求预测新方法[J].石油规划设计,1999,10(5):29-32.[3]高建,董秀成.天然气消费量自组织数据挖掘预测研究[J].统计与决策,2008,(10):50-53.[4]殷建成,刘志斌.天然气需求自适应优化组合预测模型研究[J].天然气工业,2004,24(11):167-169.[5]陈华友.基于相关系数的优性组合预测模型研究[J].系统工程学报,2006,21(4):353-360.(下转第76页)Highest Visual Frequency of T elevision in China is not6M H z,but7137M H zM EN Li-shan(Depart ment of Elecf romechanic,Dezho u University,Dezhou shandong253023,China)Abstract:The proof of t he highest visual f requency of TV has mistakes.From comment s on t he proof of t he highest visual frequency of TV showed in t he text books.,we can analyze t he essential causes for t he mistakes.According to t he standard in China and t he justifications,examples and pict ures,we prove t hat t he highest frequency of t he tekvisim in China is not6M Hz but7.37M Hz.K ey w ords:Television;visual frequency;highest;7137M Hz(上接第62页)[6]Chiclana F,Herrera F,Herrera-Viedma E.Integra2ting multiplicative preference relations in a multipurpose decision-making based on f uzzy preference relations [J].Fuzzy Sets and Systems,2001,122(2):277-291.[7]Tang Xiaowo,Zhou Z ongfang,Shi Y.The eerorbounds of combined forecasting[J].Mathematical and Computer Modelling,2002,36(9):997-1005.[8]马书南,帅训波,曹凤雪.一种基于逆序算子的优化组合遗传算法[J].电子技术应用,2006,32(6):19-21. [9]帅训波,周相广,马书南.一种基于阈值对偶算子的优化组合遗传算法[J].西华大学学报,2008,27(4):56-59.[10]伊学农,马俊华,等.遗传算法在暴雨公式参数优化中的应用[J].山东建筑工程学院学报,2002,17(4):49-53.Prediction of N atural G as Consumption R esearch B ased on G enetic Algorithm S HU A I Xun-bo1,YAN G Shui-fa1,ZHOU Xiang-guang1,MA Shu-nan2(1.Instit ute of Geop hysics and Information,Langfang Branch of Research Instit ute of Pet roleumExploration and Develop ment,Pet roChina,Langfang Hebei065007,China;2.College of Comp uter Science&Technology,Beijing U niversity of Technology,Beijing100022,China)Abstract:Consumption of nat ural gas is affected by many factors,so t here is big error between t he predic2 tion and t he real consumption for almost every single p rediction met hod.To solve t he problem,a const ruc2 tion met hod of optimization combination prediction model is proposed.Besides,a genetic algorit hm based real code is designed to search for optimization parameters values of t he combination model.Prediction re2 sult of t he optimizatio n combination model const ructed by t his met hod is better t han t hat wit h single met h2 od,which is proved not only by t heories but also by t he experiment s result s.K ey w ords:nat ural gas;consumption predication;optimum combination;genetic algorit hm。

猴群算法

猴群算法1. 选题背景自然界的智慧无穷无尽. 受自然规律的启迪, 人类进行了各种发明创造, 智能算法就是其一. 经典的智能算法主要包括人工神经网络、遗传算法、粒子群算法、蚁群算法等等. 2008年Zhao和Tang根据自然界中猴群爬山过程中爬、望、跳几个动作, 设计开发了另外一种群体智能搜索算法—猴群算法. 该算法除具有经典智能搜索算法的消耗低、效率高的特性外, 其优势表现在求解高维数、多峰值的大规模优化问题时能够逃脱“维数灾难”, 快速搜索到最优或近似最优解.（1）人工神经网络. “人工神经网络”是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统. 这种网络依靠系统的复杂程度, 通过调整内部大量节点之间相互连接的关系, 从而达到处理信息的目的. 心理学家McCulloch、数学家Pitts提出了第一个人工神经网络的数学模型.其后, Rosenblatt、Widrow和Hopfield等学者又先后提出了感知模型, 使得人工神经网络技术得以蓬勃发展. 到目前为止, 已有近40种神经网络模型, 其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等[1, 2].人工神经网络具有四个基本特征：非线性、非局限性、非常定性和非凸性.这四个特征决定了其具备很强的自学习和自适应能力, 可以通过预先提供的一批相互对应的输入－输出数据, 分析掌握两者之间潜在的规律, 最终根据这些规律, 用新的输入数据来推算输出结果.人工神经网络特有的非线性适应性信息处理能力, 克服了传统人工智能方法对于直觉, 如模式、语音识别、非结构化信息处理方面的不足, 使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用.（2）遗传算法. 遗传算法是基于对达尔文生物进化论的“优胜劣汰”的模拟而发展起来的一种广为应用的、高效的随机搜索与优化的方法. 遗传算法最早是由Holland教授[3]于1975年提出的, 随后被众多学者推广[4–6]. 其主要特点是群体搜索策略和群体中个体之间的信息交换, 搜索不依赖于梯度信息. 进入90年代, 遗传算法迎来了兴盛发展时期, 无论是理论研究还是应用研究都成了十分热门的课题. 尤其是遗传算法的应用研究显得格外活跃, 不但它的应用领域扩大,而且利用遗传算法进行优化和规则学习的能力也显著提高. 迄今为止,遗传算法是进化算法中最广为人知的算法. 近些年关于遗传算法的研究主要集中在以下几个方面：i), 遗传算法在机器学习方面的应用. 这一方向把把遗传算法扩展到具有独特的规则生成功能的崭新的机器学习算法中. ii), 遗传算法和神经网络、模糊推理以及混沌理论等计算方法的结合. iii), 遗传算法的并行处理研究. iv),遗传算法和进化计算理论的结合.同时, 遗传算法本质上是一种随机搜索优化算法, 当问题规模较大或问题较复杂时, 由于被搜索的空间非常之大, 从而导致遗传算法的收敛速度很慢. 加之遗传算法本身存在着群体分散性和GA的早熟之间的矛盾, 这给遗传算法的实时应用带来了很大的不便. 另外, 收敛过早也是遗传算法的一个较难克服的不足.由于遗传算法中选择及杂交变异等算子的作用, 使得一些优秀的基因片段过早丢失, 从而限制了搜索范围, 使得搜索只能在局部范围内找到最优值, 而不能得到满意的全局最优值.（3）粒子群算法. 粒子群算法是由Kennedy 和Eberhart等[7]于1995年开发的一种演化计算技术, 它的开发来源于对鸟群捕食行为的研究. 粒子群算法初始时为一群随机粒子(随机解). 然后通过迭代找到最优解. 在每一次迭代中, 粒子通过跟踪两个"极值"来更新自己. 第一个就是粒子本身所找到的最优解（个体极值pBest）；另一个极值是整个种群目前找到的最优解（全局极值gBest）. 此外, 每个粒子都被限定在一个极大速度Vmax内. 由于PSO算法概念简单, 实现容易, 短短几年时间, PSO 算法便获得了很大的发展, 并在一些领域得到应用.（4）猴群算法. 猴群算法是于2008年由Zhao和Tang[8]提出的一种新的用于求解大规模、多峰优化问题的智能优化算法. 其思想在于通过模拟自然界中猴群爬山过程中爬、望和跳的几个动作, 设计了三个搜索过程：爬过程主要用来搜索当前所在位置的局部最优解；望过程主要通过眺望来搜索邻近领域比当前位置更优的解, 以便加速最优解的搜寻过程；跳过程的目的在于由当前搜索区域转移到其它区域, 以避免搜索过程陷入局部最优.在猴群算法中, 其花费的CPU时间主要在于寻找局部最优位置的爬过程.爬过程中每次迭代的计算量主要集中在目标函数伪梯度的计算, 其只涉及到当前位置的两个临近位置的目标函数值而与决策向量的维数无关. 这一特征显著地提高了算法的性能, 尤其针对高维优化问题时效果更为明显. 另外, 跳过程迫使猴群由当前区域转移到新的区域, 从而避免算法陷于局部最优.作为一种智能算法, MA能够有效地求解高维的、非线性不可微的函数优化问题. 此外, MA需要调整的参数也少, 这使得MA易于实现.尽管猴群算法在求解高维数优化问题时有了较大的突破, 但其也存在一些不足. 首先, 对于不同的优化问题, 在利用ＭＡ求解时需要设置不同的参数, 并且这些参数对猴群算法来说很重要, 一旦设置的不准确, 即便是优化问题的近似最优解也很难找到. 另外, 猴群算法求解优化问题时耗费的CPU时间也较长, 在优化效率方面仍具有很大的提高空间. 基于以上分析, 本文结合了猴群算法和混沌搜索技术提出了一种改进的猴群算法, 称为混沌混群算法CMA. 混沌描述的是一种非线性状态, 它同时具有确定性、随机性和遍历性. 基于混沌的遍历性及不重复性而提出的混沌搜索技术比传统的随机搜索技术速度更快, 质量更高.将混沌搜索技术引入到MA中非常必要, 这样在很大程度上避免了猴群算法陷入局部最优. 此外, 本文采用了变参数的方法设计了一组设用于各种优化问题的混沌猴群算法通用参数, 在提高了算法性能同时也为算法的使用者提供了便利.2．猴群算法介绍猴群算法（MA）是由Zhao 和Tang提出的一种新的用于求解大规模、多峰优化问题的智能优化算法. 其思想在于通过模拟自然界中猴群爬山过程中爬、望和跳的几个动作，设计了三个搜索过程：爬过程主要用来搜索当前所在位置的局部最优解；望过程主要通过眺望来搜索邻近领域比当前位置更优的解，以便加速最优解的搜寻过程；跳过程的目的在于由当前搜索区域转移到其它区域,以避免搜索过程陷入局部最优. 一般来说, 在优化问题中如果目标函数是一个多峰函数, 局部最优点的数量将随着决策向量维数的增加而急剧增长. 一方面, 在求解高维优化问题时, 常用算法如遗传算法、蚁群算法、粒子群算法等容易陷入局部最优；另一方面, 由于需要大量的计算, 这些算法所消耗的CPU时间也会大大增长. 而在MA中, 跳过程的目的恰恰是迫使猴群由当前区域转移到新的区域,从而避免算法陷于局部最优. 另外, MA 花费的CPU 时间主要在于寻找局部最优位置的爬过程. 而在爬过程中每次迭代的计算量主要集中在目标函数伪梯度的计算, 其只涉及到当前位置的两个临近位置的目标函数值而与决策向量的维数无关. 这一特征显著地提高了算法的性能, 尤其针对高维优化问题时效果更为明显.2.1. 优化模型大部分优化问题的数学表达形式是最大化（或者最小化）某一些目标函数.不失一般性, 本文将只讨论最大化的情况, 因为任意的极小化问题都可以通过改变目标函数的符号而转化成最大化问题. 全局优化问题的一般化模型可表示为：⎪⎩⎪⎨⎧=≤,,...,2,1,0)(:..)(max p j x g t s x f j其中),...,,(21n x x x x =为nR 上的决策向量, R R f n →=为优化问题的目标函数,,,...,2,1,:)(p j R R x g n j =→为约束函数.考虑由Koziel 和Michalewicz 提出的优化问题 ⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪⎨⎧=≤≤≤-+-≤+-+=.2,1,1000)4(101:..)()2sin()2(sin ),(max 221221213121321i x x x x x t s x x x x x x x f i ππ (2.1)图2.1描述了模型(2.1)的目标函数f(x1, x2)在区间[0, 10] × [0, 10]的轮廓图形,从中可以看出f(x1, x2)是一个多峰函数.图2-1 模型中目标函数的图像2.2．猴群算法(MA)MA由初始化、爬过程、望过程和跳过程等部分组成, 这几部分分别介绍如下.首先, 令正整数M表示猴群的群体规模, 第i 猴子的当前位置用向量xi=(xi1, xi2, . . . , xin), i = 1, 2, . . . , M 表示, 每只猴子的位置实际上对应着优化问题的一个决策向量. 例如, 在例1中, 令M = 5 , 即5只猴子组成一个群体. 对于第i只猴子的位置, 用向量xi= (xi1, xi2), i = 1, 2, . . . , 5 表示, 它又表示模型(2.1)的一个决策向量.2.2.1 初始化给每一只猴子初始产生一个位置, 可用产生随机变量的方法生成. 例如, 在求解模型(2.1)时, 可用以下随机方法给产生初始位置.#include "stdlib.h"for i =1 to MMark :for j=1 to 2X[i][j]=10*rand( )/(RAND_{MAX}-1);endif x[i][1]2-x[i][2]+1 >=0 goto Mark ;if 1x[i][1]+(x[i][2]-4)2>=0 goto Mark ;Return(x[i][1],x[i][2]) ;end其中rand()表示生成0到RAND_MAX之间随机数的函数.注 1.在上述初始化过程中,伪代码的后三行的目的在于检验初始位置是否满足约束。

CNG算法的研究与实现的开题报告

DTX/CNG算法的研究与实现的开题报告一、题目：DTX/CNG算法的研究与实现二、研究的目的语音信号在传输过程中会受到各种噪声的干扰，从而降低语音的质量。

传统的降噪算法多采用滤波方法，但这样会带来频率变形和失真等问题。

DTX/CNG算法则是一种新型的降噪技术，可以有效地降低噪声的干扰，同时不会带来频率变形等副作用。

因此，本研究旨在深入研究DTX/CNG算法的原理和特点，并基于此算法开发出一个更加精确、高效的降噪软件。

三、研究内容和方法（1）DTX/CNG算法原理和特点的研究：本研究将深入了解DTX/CNG算法的原理，包括如何识别和去除语音信号中的噪声。

同时，还将着重探讨该算法的特点，例如对语音频带的保护、对失真的处理等方面。

（2）DTX/CNG算法的实现与优化：本研究将基于上述原理，开发出一款DTX/CNG降噪软件，并运用特定的算法和计算模型提高其整体效率和准确度。

同时，还将针对算法的一些瓶颈问题进行优化，以进一步提高软件的综合性能和适用范围。

（3）实验验证与结论：本研究将对所开发的DTX/CNG降噪软件进行实验验证，并与其他降噪算法进行比较。

通过实验，评估DTX/CNG算法在语音降噪处理中的效果、可靠性和适用程度，从而得出结论。

四、研究的意义（1）对于提高语音通信的质量：DTX/CNG算法在降噪方面具有其他算法所不具备的特点，可以有效地降低背景噪声的干扰，从而提高语音通信的质量。

（2）对于发展计算机技术：本研究将会开发出一款效果较好的DTX/CNG降噪软件，给计算机科学技术发展带来一定的促进作用。

五、预期成果本研究预期开发出一款DTX/CNG降噪软件，从而实现对噪声语音的去噪处理，并取得较好的处理效果。

同时，还将对DTX/CNG算法在语音降噪中的可靠性、性能和适用范围等方面进行深入的探讨，并在实验中进行验证，最终得出结论。

天然气加气站试生产方案

自贡华科工业气体有限公司自贡市板仓CNG工业燃气充装站试生产运行方案自贡华科工业气体有限公司二〇一四年十二月十五日一、方案编制目的为了验证本项目CNG工业燃气充装系统工艺设计的合理性、设备的可靠性和安全设施的有效性，以及检验本项目设备、管道安装质量均能达到相关的标准和规定以满足使用和安全的要求，并通过试生产，组织协调生产和配套的主要辅助工程设施（包括供水、供电、储运、消防、办公等）的相互配合关系以及试验确定充装系统各工艺控制环节的工艺参数，确保气体充装质量和安全，特制定本试生产方案。

二、CNG工业燃气充装站建设施工完成情况本项目按自安监危化安条审字【2014】005号《危险化学品建设项目安全条件审查意见书》立项建设CNG工业燃气充装站，项目安全设施设计委托四川省机械研究设计院。

本项目通过自贡市安全生产监督管理局组织的危险化学品建设项目设立安全审查，并且取得（自安监危化安设审字【2014】003号《危险化学品建设项目安全设施设计安全许可意见书》）。

该站项目已通过市发展和改革委员会备案。

本项目2014年8月8日开始土建工程施工，2014年10月18日，项目设备、管道由四川澳瑞石化设备有限公司进行安装施工，充装系统包括储气井、压缩机、脱硫塔、缓冲罐、气体管路以及配电工程等安装施工已完毕，设备和管道系统耐压试验、气密性试验合格，压力容器已取得了使用登记证，安全阀、压力表等安全附件均经检验合格，水、电、道路等均能满足压缩天然气试充装的需要。

本项目充装区域、瓶库和办公楼防雷装置由自贡市气象局于2014年12月28日进行检测验收（防雷检测每年一测），防雷安全符合要求，可以投入使用。

特申请进行试运行，试运行时间初步定为2015年1月至2015年2月。

三、生产规模、储存能力建设规模：年产压缩天然气充装10万瓶。

储气井储存天然气能力为10m3（水容积）。

四、充装站主要工艺流程1、从站外管道来的压力约为～的天然气进站后，先经过滤，计量后进入缓冲罐然后再进入压缩机，经压缩机三级增压，达到15Mpa，增压后的天然气经高压脱水装置脱水，使其最高操作压力下露点温度低于最低环境温度5℃，多余的天然气则经过回收罐回收，再经压缩机增压循环；从高压脱水装置出来的高压天然气经顺序控制盘进入储气井并储存，再经储气井或直接由压缩机进行充装，当气瓶内的压力达到12Mpa时，自动关闭充气阀门。

基于二阶锥优化算法的天然气系统最优潮流求解方法[发明专利]

专利名称：基于二阶锥优化算法的天然气系统最优潮流求解方法
专利类型：发明专利
发明人：孙永辉,张博文,侯栋宸,钟永洁,翟苏巍
申请号：CN201810598147.3
申请日：20180612
公开号：CN109086474A
公开日：
20181225
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于二阶锥优化算法的天然气系统最优潮流求解方法，建立天然气系统模型及其运行需满足的约束条件，将非凸的管道流量方程进行放缩，转化为二阶锥形式的凸方程，以天然气成本为目标函数，求解天然气系统的最优潮流，根据转化后的凸方程得到松弛间隙，为保证松弛为紧，在天然气最优潮流求解过程中引入割集进行迭代，保证最后得到的解为最优潮流解。

本发明首先分析天然气系统的管道、加压站、气井等主要部件，并研究其运行机理，建立天然气稳态模型；然后，将非凸非线性的天然气最优潮流问题转换为易于求解的凸问题；接着，引入割集，进行迭代求解，保证所求得的解为原问题的最优解；最后，利用MOSEK二阶锥优化求解器验证所提算法的正确性和有效性。

申请人：河海大学
地址：212050 江苏省南京市江宁开发区佛城西路8号
国籍：CN
代理机构：南京苏高专利商标事务所(普通合伙)
代理人：徐莹
更多信息请下载全文后查看。

基于增强卷尾猴搜索算法的分布式电源定容选址方法

基于增强卷尾猴搜索算法的分布式电源定容选址方法
李佳多;闫秀英
【期刊名称】《计算机与现代化》
【年(卷),期】2024()4
【摘要】在新能源特征和分布情况的影响下,大规模的分布式电源(Distributed Generator,DG)与电动汽车(Electric Vehicle,EV)接入电网,使得电网的结构和运行方式发生了根本性变化。

为了提高DG的利用率,降低电网波动,以配电网的年综合成本最小为目标函数,在节点电压、支路功率等安全约束的条件下,建立包含EV充电的配电网DG定容选址的规划模型,并提出一种增强卷尾猴搜索算法对模型进行求解。

该算法将野马优化算法中领导者选择的社会行为对传统卷尾猴搜索算法进行改进,以避免出现陷入局部最优的情况。

最后对IEEE-33节点典型配电网系统进行仿真计算,并与其他算法结果进行比较,验证本文提出的算法的优越性。

【总页数】6页(P27-32)
【作者】李佳多;闫秀英
【作者单位】西安建筑科技大学建筑设备科学与工程学院
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于分布式电源选址定容的配网降损方法研究
2.基于改进蚁狮算法的分布式电源选址定容方法
3.基于启发式矩匹配法的分布式电源选址定容方法
4.基于和声搜索算法的光伏电源选址定容研究
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

赵涛Ｚａａ；雨ＸａＹｕ宗玛利ＺｎａｉｈｏＴｏ夏ｉ；ｏｇＭｌ
（天津大学管理学院，天津３０７）００２（ｃｏｌｆｎｇｍｅｔＴａｊｎｖｒｉ，ｉｎｉ００２Ｃｉａ）Ｓｈｏａｅｎ，ｉｎｉＵｉｅｓｔＴａｊ３０７，ｈｎｏＭａｎｙｎ
中图分类号：９５Ｐ８Ｃ３；ｌＴ文献标识码：Ａ文章编号：０６４１（０００ — ０００１０ — ３１２１）８０９ — ３
０引言
现金流优化的项目进度问题（ｒｅｔｃｅｕｉｒｂｅｉＰｏｃＳｈｄｌｇＰｏｌｗｔｊｎｍｈ
ａｆｚｙｄｐｎｅｔｃａｃｒｇａｕｚｅｅｄｎ — ｈｎｅｐｏｒｍｍｉｇｍｏｅａｓａｌｈｄＡｍｏｋｙａｇｒｈｂｓｄｓｌｔｎｍｅｈｄｔｈｄｌｗｓｄｓｇｅ，ｎｎｄｌｗｓｅｔｂｉｅ．ｎｅｌｏｉｍａｅｉａｉｔｏｏｔｅｍｏｅａｅｉｎｄａｄｓｔｍｕｏ
ｕｅｏａｆｌｇｓｔｎｐｏｅｔｃｅｕｅｎｍｒａｓｕａｏ．ｈｓｌｈｗｔａｃｍｐｒｄｗｔｔｅＭａ－ｐｄｌｈｃｏｓｅｅｈｓｄｔｌｎｔｉｒｃｓｈｄｌｕｅｉｌｉｌｉｎＴｅｒｕｓｏｔｏａｅｉｘｎｖｍｏｅｗｉｃｎｉｒｄｔｅｉｉａｏｊｃｍｔｅｔｓｈ，ｈｈｈｄｃｎｔｃｏｔｅｏｌｔｅｌｅｃｃｅＭａ— ｐｄｌａｐｅｐｔｒｅｔｒｇｓ，ｎｒｓｅａｕｔｆｏｋｄｎ，ｎｒｖｅｏｓｕｔｎｓｇｎｙｈｆ—ｙｌｒｉａ，ｉｘｎｖｍｏｅｃｎｓｅｄｕｈｐｏｃｐｏｒｓｉｃａｅｔｍｏｎｏｒｏｅａｄｉｏｅｔｅｊｅｅｈｗｍｐｈ
・
９０・
价值工程
基于猴群算法的加气站项目进度研究
ＯｔｚｔｎｏｓｉｉｇＳａｉｎＰｏｅｔｃｅｕｉｇＰｏｌｍａｅｎＭｏｋｙＡｌｏｉｍｐｉａｉｆｍｉｏＧａｌｎｔｔｒｊｃｈｄｌｒｂｅＢｓｄｏｎｅｇｒｈＦｌｏＳｎｔ
则三元组（，（）Ｐｓ称为可能性空间。０Ｐ０，ｏ）定义２Ｌｕ和Ｌｕ】 ∈， … ，模糊变量，对啸中的任（ｉｉｒ设。， ∈ 为） ∈ 若

ＤｓｏｎｄＣｓｌｓＰＰＣ是研究如何安排项目进度能使项目意子集Ｂ， … ，均有ｉｕｔａｈＦｏ，ＳＤＦ）ｃｅｗ．，Ｂ，Ｂ净现值（ｐ大化。项目进度问题自从１７ｎｖ最Ｊ９０年由Ｒｓｅ提出以ｕｓｌｌＰｓ￣∈Ｂ，ｌ２ … ，｝ｒｎＰｓ．．，ｏ｛．．ｉ，，ｍ＝ｉｏ（ ∈Ｂ｝＝ａ￣１ｌ１！来，１吸弓了众多学者的关注。其研究领域由无资源和资金约束的支则称 ∈，， ∈ ∈ 一，为相互独立的模糊变量。付进度计划问题逐步转向带有资源约束下的现金流优化问题。ａｇＦｎ定义３Ｌｕ和ＬｕＩ设（，（）Ｐｓ是可能性空问，是幂（ｉｉＩ假）０Ｐ０，ｏ）Ａ和ＣｙＩ究了具有资源约束的离散时间一ｈｕ研费用平衡下的项目进度集Ｐ０）（中的一个元素，则称ＮｃＡ＝ — ｏ｛ｃ为事件Ａ的必要性测ｅ｛｝ＩＰｓｌＡ问题，并用群体学习算法进行了模拟。汪嘉，孙永广和吴宗鑫［２１对时度。间和费用都具有不确定性项目的进度计划的风险性进行了研究，提定义４Ｌｕ和ＬｕＪ（，（）Ｐｓ是可能性空间，（ｉｉＪ设０Ｐ０，ｏ））Ｓ集合Ａ是出了以净现值的期望值为优化目标的数学模型ＤＰＰ并用模拟退幂集Ｐ０中的一个元素，称Ｃ｛｝Ｉ（ｏ｛｝ＮｃＡ）事件ＡＳＳ，（）则ｒ＝／ＰｓＡ＋ｅ｛１为Ａ２火过程进行了模拟，优化结果ＤＰＰ模型明显优于非常保守和非ＳＳ的可信性测度。常乐观的两种极端策略。定义５Ｌｕ和Ｌｕ１ ∈为模糊变量，０∈（，）则￡０）（ｉｉｆ）设且【０１，（【＝然而，现有研究只是从投资费用最小的角度出发针对项目建设
ＡｂｔａｔＷｉｏｂｎｔｎｏｃｎｔｃｏｎｐｒｉｔｅｒｅｔｉｙｌ，ａｌｎｔｉｎｐｏｃｓｈｄｌｗｓｔｄｅ，ｎｓｃ：ｔａｃｍｉａｏｆｏｓｕｔｎａｄｏｅｔｎｓｇｓｉｐｏｃｌｅｃｃｇｓｆｌｇｓｔｒｅｔｃｅｕｅａｓｉａｄｒｈｉｒｉａｏａｎｊｆｅｉｉａｏｊｕｄ
摘要：目全寿命周期中影响现金流的建设阶段和运营阶段结合起来研究加气站项目进度问题，将项构建了项目进度问题的模糊相关机会规划模型。对这个模型设计了基于猴群算法的模糊模拟求解方法，某加气站项目进度进行了数值模拟。果表明，考虑项目建设期现金针并对结与仅流时的进度相比，全寿命周期现金流优化下的项目进度加快，目完成量增加，项且净现值有所提高
ｎｖ．ｐ
关键词：全寿命周期；金流；气站；目进度；群算法现加项猴Ｋｅｏｄ：ｉｙｌ；ａｈｆｗｇｓｔｉ；ｒｅｔｃｅｕｅｎｎｅｌｒｈｙｗｒｓｌｅｃｃｅｃｓｏ；ａｓｔｎｐｏｃｓｈｄｌ；ｍｋｙａｏｔｍｆｌａｏｊｇｉ