改进蚁群算法和BP网络融合预测铅酸蓄电池SOC,本文关于蚁群算法论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
蚁群算法论文参考文献：
摘 要：人工神经网络通过模拟人脑神经网络的方式记忆、处理信息,具有很高的智能性,近些年来,被广泛应用在太阳能用铅酸蓄电池剩余电量预测的研究中,但是,收敛速度慢、对初值敏感以及较易陷于局部极小值等是单一神经网络算法难以解决的缺点,针对该问题,将蚁群算法进行改进并和BP神经网络相融合,先采用改进的蚁群算法将BP神经网络的权值参数进行全局训练,然后,采用BP神经网络算法进一步进行局部学习,从而获得最优的BP神经网络权值.最后,通过MATLAB仿真和实验验证了本课题所采用的改进蚁群和BP网络融合算法能明显改善BP网络的收敛速度以及预测精度,能准确地预测出太阳能蓄电池SOC.
关键词：太阳能铅酸蓄电池sOc；改进蚁群算法；蚁群和BP网络融合
DoI：10.15938/j.jhust.2016.05.018
中图分类号：TK02
文献标志码：A
文章编号：1007-2683（2016）05-0095-05
0.引言
太阳能路灯系统中,光伏电池利用光生伏打效应原理产生电能.白天,光伏电池将太阳能转换为电能存人蓄电池；晚上,蓄电池为太阳能路灯提供电能,太阳能道路照明系统由光伏电池、太阳能用铅酸蓄电池、控制器和LED路灯等组成.铅酸蓄电池是太阳能照明系统非常重要的组成部分,但是,相对其他组成部分来说,铅酸蓄电池成本高昂、寿命偏短,因此,对蓄电池进行科学管理是必不可少的一部分,要提高蓄电池寿命,准确预测蓄电池剩余电量是基本前提之一,蓄电池剩余电量（state of charge,SOC）,代表电池使用一段时间或长期搁置不用后的剩余容量和其完全充电状态的容量比值,常用百分数表示,目前,安时积分法广泛应用在蓄电池剩余电量在线预测中,但是,安时法存在需要精确计算充放电效率以及测量工具的不精确容易产生累积误差等问题,因此,人们在不断探索采用新的方法来精确预测蓄电池SOC,近十年来,神经网络由于其高智能性得到人们广泛青睐并将该技术应用在铅酸蓄电池SOC的预测中,虽然该方法和传统预测方法相比,它具有非线性、联想记忆、学习和自适应性等重要特征和性质,但是,BP神经网络也有收敛速度慢,对初值设置敏感,容易陷入局部极小值等缺陷和不足,为了克服BP神经网络的上述不足,本文对BP神经网络算法预测蓄电池SOC进行了优化改进,将改进的蚁群算法和BP神经网络算法相结合,先采用改进蚁群算法将权值范围缩小至最优值周围,然后再采用BP神经网络算法训练网络,获得最优权值,最后,建立蓄电池SOC预测仿真模型,验证改进的蚁群算法和BP网络融合来预测蓄电池SOC的有效性.
1.太阳能用蓄电池SOC常用在线预测方法概述
1.2内阻法
研究表明,蓄电池的内阻和SOC有直接的对应关系,但是电池剩余容量大于50%时,蓄电池的内阻变化不太明显,仅在低于50%时,蓄电池内阻才会出现明显的变化.蓄电池内阻一般在毫欧级,一般的测量难于满足精度要求,且通用性差.
1.3神经网络法
神经网络算法作为一门较新的技术受到人们高度重视,和传统控制技术相比,具有无法比拟的优势,该算法具有联想记忆、自学习、非线性、以及一定的泛化和容错能力,有极高的智能性,但是,不容忽视的是,神经网络算法有容易陷入极小值和收敛速度慢等难以解决的问题.
本课题对神经网络法预测蓄电池剩余电量进行深入研究,采用蚁群算法容易和其他智能算法相结合的优点,将改进的蚁群算法和BP神经网络算法相融合,有效地解决了收敛速度慢,容易陷入极小值等问题.
2.改进蚁群-BP网络算法
蚁群算法（ant colony algorithm）是Marco Dorigo博士1992年提出,是一种在图中寻找最优路径的概率算法.
2.1蚁群算法基本原理
蚂蚁在寻找食物的过程中,会挥发出一种叫做信息素的物质,蚂蚁通过感知信息素的强弱进行交流,他们就是通过这种方式达到搜寻食物的目的,蚂蚁趋向于信息素强的路径,若某一路径信息素越强,则该路径能吸引越多的蚂蚁通过,这种现象称为蚁群的正反馈现象.
蚁群算法对初始路径要求不高,具有全局搜索功能,而且还较易和其他智能算法结合,但是,该算法也有一些缺陷：①解決大规模问题时,较难在可接受的循环周期内找到最优值；②蚂蚁趋向于信息素强的路径,但是,往往出现信息素最强的路径不是最优路径等问题,针对以上情况我们将对蚁群算法进行改进,最大程度避免搜索时间过长,搜索进度停滞等现象.
2.2蚁群算法的改进
一般来说,一个解决方案越优秀,越有可能在他周边搜寻到最优解；反之,方案越差,在他的周围基本没有找到最优解可能,因此,本改进算法的思想是增强较优解,削弱较差解,使得路径越短的边信息素强度越大,越长的边信息素强度越弱,从而增大较优解和较差解之间的信息素差异,从而使蚂蚁搜索路径集中于较优解附近.
2.3改进蚁群算法和BP网络的融合
设网络中有m个待优化的参数,对于每个参数Ai（1≤i≤m）,将其分割为n份,从而形成一个m×n大小的集合B,设释放蚂蚁数为K,每只蚂蚁按照伪随机比例规则在集合B中分别选择相应的值并记录下来,从而形成禁忌表.当蚂蚁对各个参数选择相应的值后,形成一次循环,然后计算各蚂蚁所经过的路径,并评选出最优和最差蚂蚁,进而对信息素进行更新调节,这一过程反复进行,直到达到最大循环次数或者达到预期的精度要求,此时,所求结果为较优解.将改进蚁群算法求得的较优解作为BP神经网络算法的初始值,然后经过BP网络训练找出最优解.
改进蚁群和BP网络融合算法具体步骤如下：
步骤1）：信息初始化,包括定义信息素的定义域,初始值,设置蚂蚁个数,最大迭代次数以及BP算法网络结构,训练误差等等.
结论：关于蚁群算法方面的论文题目、论文提纲、蚁群算法 matlab论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
改进蚁群算法在YKK系列中型高压电机优化设计中的应用
摘 要：在工业领域当中，则主打高效电机，通过对电机进行优化设计以有效提升其工作效率、降低工作能耗。在此基础之上，本文将通过对蚁群算法进行改进，并。
基于蚁群算法的改进遗传算法
摘 要: 遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无 为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融。
基于改进蚁群算法侦察无人机航路规划和实现
摘要：文章针对侦察无人机航路规划这一问题，分析了影响航路规划的因素，构建了航路规划的模型。结合侦察无人机航路规划的特点与模型，论证了基于蚁群算法。
改进蚁群算法在全终端网络可靠性优化问题上的应用
摘要：本文着重解决全终端网络成本优化问题，以达到最佳的寻优效果和寻优速度，基于泰国学者KanyapatWatcharasitthiwat在解决网。