期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
改进星鸦优化算法用于配电网多目标动态重构
1
作者 吴艳敏 安艳军 +2 位作者 王璐 刘家旗 张晓锋 《科学技术与工程》 北大核心 2025年第14期5886-5896,共11页
针对风光荷时变的配电网动态重构问题,提出了一种Kmeans++融合PAM(Kmeans++-partitioning around medoid)聚类方法,按时间顺序划分日等值负荷曲线。以综合成本、电压偏移和负荷均衡度为优化目标构建配电网多目标动态重构模型。提出了一... 针对风光荷时变的配电网动态重构问题,提出了一种Kmeans++融合PAM(Kmeans++-partitioning around medoid)聚类方法,按时间顺序划分日等值负荷曲线。以综合成本、电压偏移和负荷均衡度为优化目标构建配电网多目标动态重构模型。提出了一种改进星鸦优化算法(improved Nutcracker optimization algorithm,INOA)提升模型求解效率,利用Tent映射+准反射学习提供优质初始种群,引入动态适应度-距离平衡选择方法和切线飞行策略提高全局搜索能力,加入柯西-高斯变异扰动克服局部最优。基于IEEE33节点系统进行对比分析,结果表明所提方法能够实现负荷最优划分并对重构模型进行高效求解。 展开更多
关键词 动态重构 分布式电源 负荷聚类 星鸦优化算法
在线阅读 下载PDF
基于NOA-VMD的炮口冲击波谐振噪声降噪算法 被引量:1
2
作者 杨浩越 孟祥瑞 +1 位作者 鞠明池 王英志 《弹箭与制导学报》 北大核心 2024年第4期9-17,共9页
火炮发射时产生的炮口冲击波信号频谱范围广,受限于采集系统中压力传感器有效工作带宽导致采集过程引入大量谐振噪声。为了降低谐振噪声对炮口冲击波信号的影响,提出了一种基于星鸦优化算法(NOA)优化变分模态分解(VMD)的炮口冲击波谐振... 火炮发射时产生的炮口冲击波信号频谱范围广,受限于采集系统中压力传感器有效工作带宽导致采集过程引入大量谐振噪声。为了降低谐振噪声对炮口冲击波信号的影响,提出了一种基于星鸦优化算法(NOA)优化变分模态分解(VMD)的炮口冲击波谐振噪声降噪算法。首先以最小包络熵为适应度函数的NOA对VMD的分解模态数与惩罚因子参数进行优化;其次通过NOA-VMD算法对炮口冲击波信号进行分解,计算各分量谐振能量损失比筛选出谐振分量;最后对剩余信号分量进行重构得到去除谐振分量的炮口冲击波。实验结果表明,NOA寻优效果最佳,基于NOA-VMD算法有效降低谐振噪声对炮口冲击波信号的干扰。 展开更多
关键词 炮口冲击波 谐振噪声 星鸦优化算法 变分模态分解 谐振能量损失比
在线阅读 下载PDF
改进PNN模型的中小餐饮企业火灾风险评价研究
3
作者 吕淑然 李嘉铭 党鑫宇 《安全与环境学报》 北大核心 2025年第8期3007-3014,共8页
为有效预防中小餐饮企业火灾事故,解决其火灾事故频发等问题,通过构建火灾风险指标体系,采用层次分析法(Analytic Hierarchy Process,AHP)-熵权法对112家企业进行评分,汇总风险等级和评分数据,供概率神经网络(Probabilistic Neural Netw... 为有效预防中小餐饮企业火灾事故,解决其火灾事故频发等问题,通过构建火灾风险指标体系,采用层次分析法(Analytic Hierarchy Process,AHP)-熵权法对112家企业进行评分,汇总风险等级和评分数据,供概率神经网络(Probabilistic Neural Network,PNN)进行训练。通过星鸦优化算法(Nutcracker Optimization Algorithm,NOA)优化PNN,构建了NOA-PNN火灾风险评价模型。与粒子群优化(Particle Swarm Optimization,PSO)算法、樽海鞘算法(Salp Swarm Algorithm,SSA)和灰狼优化(Grey Wolf Optimizer,GWO)算法对比,结果表明,NOA-PNN模型的诊断效果最佳,火灾风险等级评价准确率达96%,验证了NOA算法的优越性。随后,通过NOA-PNN火灾风险模型对两家数据集外中小餐饮企业进行实证分析,结果显示,该模型与AHP-熵权法评价结果一致,证明该模型具有较高的评价精度,能够为中小餐饮企业提供较为准确的火灾风险预警评价。 展开更多
关键词 安全工程 中小餐饮企业 火灾风险评价 概率神经网络 星鸦优化算法
在线阅读 下载PDF
融合改进NBEATSx和时间注意力机制的空气污染预测
4
作者 李杰 王占刚 《陕西科技大学学报》 北大核心 2024年第5期198-205,共8页
针对现有空气污染预测存在结构复杂、对多元变量与不同时间步间依赖关系提取不充分和多步预测精度低的问题,引入了β分布和非线性动态控制函数改进星鸦优化算法(INOA),优化NBEATSx模型参数,提高收敛精度;并融合时间模式注意力机制(TPA)... 针对现有空气污染预测存在结构复杂、对多元变量与不同时间步间依赖关系提取不充分和多步预测精度低的问题,引入了β分布和非线性动态控制函数改进星鸦优化算法(INOA),优化NBEATSx模型参数,提高收敛精度;并融合时间模式注意力机制(TPA)为不同时间尺度的多外生变量自适应分配权重,再结合预测因子获取时间模式关系.利用所提模型对北京地区的PM2.5进行预测,与传统模型相比精度提高超过18.45%,为空气污染预测提供了一种新方法. 展开更多
关键词 空气污染预测 时间模式注意力机制 星鸦优化算法 神经基扩展分析网络
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部