云—智能群体算法在盘式绝缘子优化中的应用

摘要

传统小波网络都是以寻求一个最优参数集使得其能量函数有最小值,一般是通过梯度递减实现迭代寻优,这种寻优方式存在易陷入局部极小问题。云模型与传统粒子群算法或传统鱼群算法的融合,可以很好解决梯度算法存在的缺陷。
　　论文以云模型结构研究为基础,对传统云模型的多规则生成器进行改进,形成了一种新的嵌套云规则生成器,它是以上一Y云的输出嵌套下一X云的输入,使得定性与定量的关联性更加紧密。
　　改进粒子群算法是对传统算法过程中的速度公式和位置更新公式中的惯性因子,收敛因子,社会部分和认知部分,利用多规则嵌套云时一空域的自适应调整来改进,实现了实时动态搜寻目的;同时对其具体算法过程中的个体适应度和群体当前位置也进行自适应调整来改进。结合上述两部分的寻优,实现了算法的改进。
　　改进人工鱼群算法和改进粒子群算法原理相似,用嵌套云定性规则对传统算法原理的觅食,聚群,追尾行为的公告板更新和视野范围自适应调整改进。
　　小波网络改进是进行输入输出数据云化和逆云化,用改进智能算法进行权值阈值迭代寻优。
　　结合上面的改进算法,以高压电器中的盘式绝缘子为例,把采集的模糊性场强数据集归一化处理输入云化层进行云化处理;再输入到经改进的智能群体寻优的小波网络权值阈值构造的新网络中,进行数据处理;接着把输出的具有随机性的数据逆云化处理,最终输出条理清晰的结构优化数据。
　　通过对盘式绝缘子电场结构数据仿真研究,两种改进算法不但提高了网络全局搜寻能力,解决了易陷入局部极优顽症,还改善了算法的搜寻精度,提高了事物辨识能力,通过两种算法的搜寻精度比较,得出人工鱼群算法相对优越性高于粒子群算法的结论。
　　这为今后关于非线性系统问题的建模提供一种新方法的同时,也为复杂非线性群体系统在辨识能力上提供有益的参考。

目录

文摘

英文文摘

第1章 绪论

1.1 云模型与智能群体算法融合研究的现状和意义

1.2 论文研究的主要内容

第2章 小波神经网络理论

2.1 小波理论

2.1.1 母小波

2.1.2 子小波

2.1.3 连续小波变换

2.1.4 离散小波变换

2.2 小波网络理论发展

2.2.1 小波网络的结构和形式

2.2.2 小波网络构造形式

2.2.3 小波网络的参数调整算法

2.3 小波神经网络缺陷

2.4 本章小结

第3章 云模型基本理论

3.1 云的基本定义

3.2 云的数字特征

3.3 云的3En规则

3.4 云发生器与云分类

3.5 正态云发生器

3.6 X条件云和Y条件云发生器

3.7 逆向云发生器

3.7.1 逆向拟合云算法

3.7.2 改进逆向云算法

3.8 云发生器的误差

3.8.1 随机数的产生原理

3.8.2 正态随机数形成原理

3.9 新旧逆云算法的误差比较

3.10 正态云模型统计分析

3.11 云规则生成器

3.12 本章小结

第4章 云-智能群体算法对盘式绝缘子电场结构的优化

4.1 云模型与智能群体算法融合实现思路

4.2 改进的智能群体算法

4.2.1 粒子群算法及其规则生成器改进算法

4.2.2 鱼群算法及其云模型改进算法

4.3 改进智能群体算法在盘式绝缘子电场结构中的优化

4.4 改进智能群体算法比较

4.5 本章小结

结论及展望

参考文献

致谢

附录A (攻读学位期间所发表的学术论文目录)

附件B 云理论仿真代码