Predicción de fallas de clústeres de control basada en un algoritmo de optimización aritmética mejorado y red neuronal BP
Autores: Xu, Tao; Gao, Zeng; Zhuang, Yi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Predicción de fallas de clústeres de control basada en un algoritmo de optimización aritmética mejorado y red neuronal BP
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Predicción de fallas en grupos
Redes neuronales BP
Algoritmo de optimización aritmética
MCLAOA
Modelos de predicción de fallas
Algoritmos de inteligencia de enjambre
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Una mayor precisión en la predicción de fallos en clústeres puede garantizar la operación estable a largo plazo de los sistemas de clústeres y aliviar de manera efectiva las pérdidas de energía causadas por fallos en el sistema. Los trabajos previos han empleado principalmente redes neuronales BP (BPNNs) para predecir fallos en el sistema, pero este enfoque sufre de una reducción en la precisión de la predicción debido a la inicialización inapropiada de pesos y umbrales. Para abordar estos problemas, este documento propone un algoritmo de optimización aritmética mejorado (AOA) para optimizar los pesos y umbrales iniciales en BPNNs. Específicamente, primero presentamos un AOA mejorado a través de estrategias de aprendizaje multi-subpoblacionales y comprensivas, llamado MCLAOA. Este enfoque empleó multi-subpoblaciones para aliviar de manera efectiva el pobre rendimiento de exploración global causado por una sola élite, y la estrategia de aprendizaje comprensiva mejoró el rendimiento de explotación a través del intercambio de información entre individuos. Más importante aún, se diseñó una estrategia no lineal con una función tangente para garantizar un equilibrio y transición suaves entre la exploración y la explotación. En segundo lugar, el MCLAOA propuesto se utilizó para optimizar los pesos y umbrales iniciales de BPNNs en la predicción de fallos en clústeres, lo que podría mejorar la precisión de los modelos de predicción de fallos. Finalmente, los resultados experimentales para 23 funciones de referencia, problemas de referencia CEC2020 y dos ejemplos de ingeniería demostraron que el MCLAOA propuesto superó a otros algoritmos de inteligencia de enjambre. Para las 23 funciones de referencia, mejoró las soluciones óptimas en 16 funciones en comparación con el AOA básico. El modelo de predicción de fallos propuesto logró un rendimiento comparable a otros modelos de BPNN basados en inteligencia de enjambre. En comparación con BPNNs básicos y AOA-BPNNs, el MCLAOA-BPNN mostró mejoras de 2.0538 y 0.8762 en términos de error porcentual absoluto medio, respectivamente.
Descripción
Una mayor precisión en la predicción de fallos en clústeres puede garantizar la operación estable a largo plazo de los sistemas de clústeres y aliviar de manera efectiva las pérdidas de energía causadas por fallos en el sistema. Los trabajos previos han empleado principalmente redes neuronales BP (BPNNs) para predecir fallos en el sistema, pero este enfoque sufre de una reducción en la precisión de la predicción debido a la inicialización inapropiada de pesos y umbrales. Para abordar estos problemas, este documento propone un algoritmo de optimización aritmética mejorado (AOA) para optimizar los pesos y umbrales iniciales en BPNNs. Específicamente, primero presentamos un AOA mejorado a través de estrategias de aprendizaje multi-subpoblacionales y comprensivas, llamado MCLAOA. Este enfoque empleó multi-subpoblaciones para aliviar de manera efectiva el pobre rendimiento de exploración global causado por una sola élite, y la estrategia de aprendizaje comprensiva mejoró el rendimiento de explotación a través del intercambio de información entre individuos. Más importante aún, se diseñó una estrategia no lineal con una función tangente para garantizar un equilibrio y transición suaves entre la exploración y la explotación. En segundo lugar, el MCLAOA propuesto se utilizó para optimizar los pesos y umbrales iniciales de BPNNs en la predicción de fallos en clústeres, lo que podría mejorar la precisión de los modelos de predicción de fallos. Finalmente, los resultados experimentales para 23 funciones de referencia, problemas de referencia CEC2020 y dos ejemplos de ingeniería demostraron que el MCLAOA propuesto superó a otros algoritmos de inteligencia de enjambre. Para las 23 funciones de referencia, mejoró las soluciones óptimas en 16 funciones en comparación con el AOA básico. El modelo de predicción de fallos propuesto logró un rendimiento comparable a otros modelos de BPNN basados en inteligencia de enjambre. En comparación con BPNNs básicos y AOA-BPNNs, el MCLAOA-BPNN mostró mejoras de 2.0538 y 0.8762 en términos de error porcentual absoluto medio, respectivamente.