-
公开(公告)号：CN112507609B
公开(公告)日：2022-06-14
申请号：CN202011280672.4
申请日：2020-11-16
Applicant: 湖南大学
IPC: G06F30/27 , G06N3/00 , G06F111/06 , G06F113/04
Abstract: 本发明公开一种基于狼群等级分子动理论(以下简称WR‑KMTOA)的多目标协同优化调度方法。在WR‑KMTOA中，借鉴狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路，将狼群成员的体能视作变量、体能指标视作适应度，将算法寻优过程中的数值个体分为最优、优秀、较差三个等级，并采用体能分级、引导协作、学习训练三个阶段设计算法，分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度，最终实现寻优结果优化。该算法能改善分子动理论优化算法(KMTOA)易陷入局部最优、寻优精度不高等问题，且将其应用于微能网多目标协同调度工程问题时，比KMTOA的优化效果更明显。
-
公开(公告)号：CN112465198B
公开(公告)日：2023-07-28
申请号：CN202011279183.7
申请日：2020-11-16
Applicant: 湖南大学
IPC: G06Q10/04 , G06Q30/0201 , G06Q50/06 , G06N3/048 , G06F30/27 , G06F111/06 , G06F111/08
Abstract: 本发明公开一种针对园区小样本数据的双代理辅助搜索能量优化方法(简称为DSEO‑SSD)。该方法针对智慧园区多能协同能量优化的工程问题，采用全局/局部搜索结合的双代理模型改进深度学习优化算法。在DSEO‑SSD中，将智慧园区的小样本数据库划分为多个子集，再通过集成学习增强代理模型的预测精度；同时设计基于Kriging代理模型策略和RBF代理模型策略，分别用于全局搜索和局部搜索，并将两者结合为一个高精度的代理集成。若运用传统的单一代理辅助搜索的优化算法解决该问题，常面临采样数据不充足、可能陷入局部最优的难题，而将本方法应用于智慧园区多能协同能量优化工程问题时，比普通的智能优化方法效果更明显。
-
公开(公告)号：CN112465198A
公开(公告)日：2021-03-09
申请号：CN202011279183.7
申请日：2020-11-16
Applicant: 湖南大学
IPC: G06Q10/04 , G06Q30/02 , G06Q50/06 , G06N3/04 , G06N3/08 , G06F30/27 , G06F111/06 , G06F111/08
Abstract: 本发明公开一种针对园区小样本数据的双代理辅助搜索能量优化方法(简称为DSEO‑SSD)。该方法针对智慧园区多能协同能量优化的工程问题，采用全局/局部搜索结合的双代理模型改进深度学习优化算法。在DSEO‑SSD中，将智慧园区的小样本数据库划分为多个子集，再通过集成学习增强代理模型的预测精度；同时设计基于Kriging代理模型策略和RBF代理模型策略，分别用于全局搜索和局部搜索，并将两者结合为一个高精度的代理集成。若运用传统的单一代理辅助搜索的优化算法解决该问题，常面临采样数据不充足、可能陷入局部最优的难题，而将本方法应用于智慧园区多能协同能量优化工程问题时，比普通的智能优化方法效果更明显。
-
公开(公告)号：CN112507609A
公开(公告)日：2021-03-16
申请号：CN202011280672.4
申请日：2020-11-16
Applicant: 湖南大学
IPC: G06F30/27 , G06N3/00 , G06F111/06 , G06F113/04
Abstract: 本发明公开一种基于狼群等级分子动理论(以下简称WR‑KMTOA)的多目标协同优化调度方法。在WR‑KMTOA中，借鉴狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路，将狼群成员的体能视作变量、体能指标视作适应度，将算法寻优过程中的数值个体分为最优、优秀、较差三个等级，并采用体能分级、引导协作、学习训练三个阶段设计算法，分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度，最终实现寻优结果优化。该算法能改善分子动理论优化算法(KMTOA)易陷入局部最优、寻优精度不高等问题，且将其应用于微能网多目标协同调度工程问题时，比KMTOA的优化效果更明显。
-
-
-
Search Results
4
records
(took 0.014 seconds)
