基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測模型

李思琦 蔣志堅

摘 要：為在自然環(huán)境條件下對供熱負(fù)荷進(jìn)行較為準(zhǔn)確的預(yù)測，分析了對供熱負(fù)荷產(chǎn)生影響的自然因素，利用回歸分析法建立負(fù)荷預(yù)測模型。在誤差較大情況下提出利用神經(jīng)網(wǎng)絡(luò)法建模，采用差分進(jìn)化算法對神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行優(yōu)化。使用經(jīng)過優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測，在MATLAB環(huán)境下進(jìn)行仿真。仿真結(jié)果表明，采用該方法可得到更為準(zhǔn)確的供熱負(fù)荷預(yù)測模型，對供熱站節(jié)能運(yùn)行有一定意義。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);非線性系統(tǒng);負(fù)荷預(yù)測;供熱負(fù)荷;節(jié)能

DOI：10. 11907/rjdk. 182601 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP302文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）007-0041-04

Forecasting Model of Heating Load Based on Improved BP Neural Network

LI Si-qi，JIANG Zhi-jian

（School of Electrical and Information Engineering，Beijing University of Civil Engineering and Architecture，Beijing 100044，China）

Abstract： Because the heating load can not be predicted accurately during the operation of the heating station， a large amount of energy has been wasted. In order to predict the heating load accurately according to the natural environment， this paper analyzes the natural factors which can affect the heating load. A load forecasting model is established by regression analysis. On the basis of the large error of the regression model， the neural network method is used to establish the heating load model， and the threshold and weight of the neural network are optimized by differential evolution algorithm. The optimized neural network is used to forecast the load， and the simulation is carried out under the environment of MATLAB. According to the simulation results， a more accurate heating load forecasting model can be obtained by using this method. It has certain significance for energy saving operation of heating station.

Key Words： neural network;nonlinear system;load forecasting;heating load;energy saving

基金項目：住房和城鄉(xiāng)建設(shè)部科技項目（2011-k8-4）

作者簡介：李思琦（1994-），男，北京建筑大學(xué)電氣與信息工程學(xué)院碩士研究生，研究方向為建筑節(jié)能;蔣志堅（1959-），男，博士，北京建筑大學(xué)電氣與信息工程學(xué)院教授、碩士生導(dǎo)師，研究方向為建筑電氣設(shè)備與系統(tǒng)節(jié)能控制技術(shù)、可再生能源電力變換技術(shù)。本文通訊作者：李思琦。

0 引言

冬季室內(nèi)環(huán)境溫度是否合適是保證室內(nèi)人員生活能否正常進(jìn)行的重要因素，工作環(huán)境溫度過高或過低都會影響工作效率。工作環(huán)境溫度主要由供熱系統(tǒng)的供熱負(fù)荷大小決定，較大的供熱負(fù)荷意味著較高的環(huán)境溫度。供熱負(fù)荷的大小、特性以及變化規(guī)律對于供熱系統(tǒng)運(yùn)行管理及節(jié)能極為重要[1]。供熱系統(tǒng)是一個時滯性較強(qiáng)的系統(tǒng)，每次系統(tǒng)經(jīng)過調(diào)整后需要等待一段較長時間后才會重新恢復(fù)到穩(wěn)定工作狀態(tài)，在系統(tǒng)調(diào)節(jié)過程中會消耗大量能量，這與綠色環(huán)保理念背道而馳。因此，若能根據(jù)自然環(huán)境因素對供熱負(fù)荷進(jìn)行較為準(zhǔn)確的預(yù)測，就可在系統(tǒng)工作前根據(jù)供熱負(fù)荷大小進(jìn)行設(shè)置，除非自然環(huán)境發(fā)生極端變化，否則供熱系統(tǒng)所提供的供熱負(fù)荷均可滿足室內(nèi)人員需要，從而解決因系統(tǒng)多次調(diào)節(jié)造成的資源浪費(fèi)問題。

供熱負(fù)荷對供熱系統(tǒng)有著極為重要的意義，但是在工業(yè)應(yīng)用中卻不能通過一個行業(yè)公認(rèn)的公式計算得出供熱負(fù)荷值。目前常用的方法是通過前期采集大量的數(shù)據(jù)進(jìn)行擬合分析，利用最小二乘的回歸擬合方法得到供熱負(fù)荷的計算公式，并且利用此公式表達(dá)自變量與因變量之間的關(guān)系。文翰[2]介紹了一種根據(jù)室外溫度對室內(nèi)供熱負(fù)荷進(jìn)行預(yù)測的方法，將室外溫度作為自變量，供熱量作為因變量進(jìn)行最小二乘擬合，得到精度較高的預(yù)測模型。但是此種方法考慮的環(huán)境因素過少，存在一定缺陷。

除了利用上述數(shù)學(xué)方法建立計算模型外，還可使用智能算法對供熱負(fù)荷建模預(yù)測。使用這種方法建立模型過程中，自變量通常都是經(jīng)過一系列分析得到的，因此不同的人使用此方法得到的模型也會因自變量選取的不同而得到不同結(jié)果。早在20世紀(jì)90年代， Kawashima等[3]使用人工神經(jīng)網(wǎng)絡(luò)（Artifical Neural Network，ANN）建立了熱負(fù)荷預(yù)測模型;Kalogirou等[4]利用后向（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)預(yù)測建筑熱負(fù)荷，并使用225幢建筑的數(shù)據(jù)進(jìn)行了訓(xùn)練;劉杰等[5]將影響供熱負(fù)荷的因素進(jìn)行模糊量化，使用模糊神經(jīng)網(wǎng)絡(luò)對供熱負(fù)荷進(jìn)行預(yù)測;魏宇杰等[6]采用小波神經(jīng)網(wǎng)絡(luò)對供熱負(fù)荷進(jìn)行預(yù)測。這些智能算法均取得了一定效果，但都存在著一些缺點(diǎn)：首先在自變量選取過程中，上述方法選取的自變量數(shù)目過少，且對自變量分析不夠全面。其次，由于上述方法在進(jìn)行供熱負(fù)荷預(yù)測過程中均采用了神經(jīng)網(wǎng)絡(luò)，因此很難保證網(wǎng)絡(luò)在訓(xùn)練過程中陷入局部最優(yōu)。

本文在自變量選取過程中，分析了自然環(huán)境因素對于供熱負(fù)荷大小的影響，除溫度外，還分析了如風(fēng)速、相對濕度及天氣情況這些因素。在對網(wǎng)絡(luò)進(jìn)行訓(xùn)練過程中，為了防止網(wǎng)絡(luò)陷入局部最小值，加快網(wǎng)絡(luò)的收斂速度，采用差分進(jìn)化算法對網(wǎng)絡(luò)進(jìn)行優(yōu)化。在MATLAB環(huán)境下使用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)以及經(jīng)過差分進(jìn)化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對供熱負(fù)荷進(jìn)行預(yù)測。仿真結(jié)果表明，經(jīng)過優(yōu)化后的神經(jīng)網(wǎng)絡(luò)可以更為精準(zhǔn)地對供熱負(fù)荷進(jìn)行預(yù)測。

1 模型變量確立

在建立供熱負(fù)荷回歸模型之前，首先要確定模型變量。由于進(jìn)行預(yù)測的物理量為供熱站的供熱負(fù)荷，因此本文選用供熱負(fù)荷量作為因變量。在冬季，供熱負(fù)荷的大小主要受自然環(huán)境條件如環(huán)境溫度、相對濕度、風(fēng)速以及天氣特征這4個因素影響，因此選用溫度、相對濕度、風(fēng)速及天氣特征作為供熱負(fù)荷模型的自變量。自變量與因變量關(guān)系如圖1所示。

圖1 自變量與因變量關(guān)系

溫度、相對濕度、風(fēng)速以及天氣都會對供熱負(fù)荷產(chǎn)生影響，這是因為自然環(huán)境因素都會影響到人體對周圍環(huán)境的感受，從而調(diào)整供熱負(fù)荷大小。其中，溫度對于供熱負(fù)荷的影響比較直觀，它是決定供熱負(fù)荷的主要因素，因為溫度是最容易被人體感受到的因素[7]。供熱負(fù)荷與溫度變化呈現(xiàn)一種負(fù)相關(guān)關(guān)系。當(dāng)溫度上升時，供熱負(fù)荷數(shù)值會變小，反之則會增大。

相對濕度指空氣中水汽壓與飽和水汽壓的百分比，這個指標(biāo)對人體生理狀態(tài)有著重要意義。在溫度不變的條件下，相對濕度越低，汗液蒸發(fā)量越大，在汗液蒸發(fā)過程中會吸取人體中一定的熱量，導(dǎo)致人會感覺寒冷，此時供熱負(fù)荷較大。反之，供熱負(fù)荷會相應(yīng)變小[8]。

風(fēng)速指空氣流動速度。風(fēng)速對人體生理指數(shù)的影響是汗液蒸發(fā)的速度，當(dāng)風(fēng)速過大時人體會有明顯的冷感，風(fēng)速較大時供熱負(fù)荷也會相應(yīng)變大。

天氣對供熱負(fù)荷的影響比較直觀。當(dāng)天氣晴朗、日照充足時，溫度較高，此時供熱負(fù)荷會變小。反之，溫度會大幅度下降，此時供熱負(fù)荷也會增加。天氣對供熱負(fù)荷的影響相較于前面3個因素而言更為復(fù)雜，因為天氣特征十分難以用數(shù)值量化，沒有一種精確的表達(dá)方式可以表示各種天氣情況?；诖?，根據(jù)模糊集理論確定天氣間的關(guān)系，利用模糊函數(shù)表示天氣的特征值[9]。天氣特征隸屬度如表1所示。

表1 天氣特征值隸屬度

根據(jù)上述分析，本文采集一個供熱季內(nèi)每個工作日的氣溫、風(fēng)速、相對濕度、天氣作為供熱負(fù)荷預(yù)測模型的輸入量，選取建筑物內(nèi)某一房間采集的供熱量作為模型輸出量，部分?jǐn)?shù)據(jù)如表2所示。

表2 部分樣本數(shù)據(jù)

為了驗證上述自變量與因變量之間確實存在相關(guān)性，分別計算每個自變量與因變量之間的相關(guān)系數(shù)以及相關(guān)程度，其中x1-x4分別為溫度、相對濕度、風(fēng)速以及天氣情況，y是供熱負(fù)荷，計算結(jié)果如圖2所示。

圖2 相關(guān)性計算結(jié)果

根據(jù)圖2，本文選用的4個自變量與因變量之間相關(guān)系數(shù)的絕對值均大于0.5。一般認(rèn)為，相關(guān)系數(shù)絕對值越接近1，二者的相關(guān)程度就越大[10]。因此可以認(rèn)為這4個自變量與因變量供熱負(fù)荷之間確實存在相關(guān)性。數(shù)值的正負(fù)表示與因變量之間是正相關(guān)還是負(fù)相關(guān)[11]，其中溫度、相對濕度以及天氣情況均與供熱負(fù)荷成負(fù)相關(guān)關(guān)系，風(fēng)速與供熱負(fù)荷成正相關(guān)關(guān)系，與前述分析結(jié)論一致。因此，選用這4個物理量作為供熱負(fù)荷預(yù)測模型的自變量是可行的。

2 模型預(yù)測過程

2.1 BP神經(jīng)網(wǎng)絡(luò)

利用前期采集的數(shù)據(jù)建立供熱負(fù)荷模型，常用的建模方法有擬合回歸法和BP神經(jīng)網(wǎng)絡(luò)法。面對大量數(shù)據(jù)時經(jīng)常使用擬合回歸方法，在MATLAB中使用擬合函數(shù)可簡單快捷地建立輸入量與輸出量之間的擬合模型[12]，建模結(jié)果如圖3所示。

圖3 回歸擬合結(jié)果

根據(jù)圖3結(jié)果可知，使用傳統(tǒng)擬合回歸建模方法得到的供熱負(fù)荷模型，在對供熱負(fù)荷進(jìn)行預(yù)測時可保證變化趨勢與真實值一致，但誤差較大，在某些點(diǎn)的相對誤差超過了10%。這種建模方法雖然能根據(jù)自然環(huán)境因素對供熱負(fù)荷變化趨勢進(jìn)行預(yù)測，但在數(shù)值上卻無法達(dá)到實際應(yīng)用的準(zhǔn)確性，因此這種方法僅作為供熱負(fù)荷量的參考模型，不適用于建立較為準(zhǔn)確的供熱負(fù)荷預(yù)測模型。

人工神經(jīng)網(wǎng)絡(luò)由多個簡單神經(jīng)元相互連接形成并行和分布式的信息處理結(jié)構(gòu)，是一種基本不依賴于確定模型的控制方法，有著很強(qiáng)的學(xué)習(xí)能力，其結(jié)構(gòu)如圖4所示，由輸入層、隱含層及輸出層構(gòu)成[13]。

圖4 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中使用最為廣泛的一種，也叫誤差反向傳播網(wǎng)絡(luò)，有著學(xué)習(xí)能力強(qiáng)、非線性映射能力好、容錯性好等優(yōu)點(diǎn)。在算法運(yùn)行過程中，信息向前行進(jìn)而誤差反向傳播進(jìn)而修正網(wǎng)絡(luò)[14]。該網(wǎng)絡(luò)算法的核心為一階梯度法（最速下降法），通過優(yōu)化層與層之間的連接權(quán)值，使神經(jīng)網(wǎng)絡(luò)實際輸出值與理想輸出之間的誤差平方和最小。

供熱負(fù)荷大小主要受溫度、風(fēng)速、相對濕度以及天氣狀況影響，且這些因素與供熱負(fù)荷的相關(guān)系數(shù)均大于0.5，因此可認(rèn)定輸入輸出變量間存在相關(guān)關(guān)系[15]。將采集到的溫度、風(fēng)速、相對濕度以及天氣狀況等數(shù)據(jù)作為模型輸入變量，供熱負(fù)荷作為模型輸出變量，建立4輸入1輸出的BP神經(jīng)網(wǎng)絡(luò)模型，其中隱含層個數(shù)為8。抽取120組數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其余28組數(shù)據(jù)作為測試組用于檢驗神經(jīng)網(wǎng)絡(luò)模型預(yù)測的準(zhǔn)確性，結(jié)果如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

與回歸擬合建模方法進(jìn)行對比，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測供熱負(fù)荷更為準(zhǔn)確，但在某些預(yù)測結(jié)果上也存在較大誤差，這可能是出現(xiàn)了局部最優(yōu)解原因。使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)擬合，用于調(diào)整神經(jīng)網(wǎng)絡(luò)連接權(quán)值的核心算法是梯度下降法。凸?fàn)钫`差函數(shù)有唯一的最小值，但在實際應(yīng)用過程中經(jīng)常遇到非凸?fàn)钫`差函數(shù)使預(yù)測結(jié)果受到影響。BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值的選擇對整個網(wǎng)絡(luò)最終結(jié)果影響極大，若這兩個初始值在選擇時出現(xiàn)了問題，BP神經(jīng)網(wǎng)絡(luò)就很可能將某局部極小值作為全局最小值，即出現(xiàn)了局部極小值化問題[16]。因此，需要利用某些算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，防止局部最小值出現(xiàn)。

2.2 基于差分進(jìn)化算法的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法本身有局限性，在進(jìn)行大量數(shù)據(jù)擬合時很可能陷入局部最優(yōu)解，從而導(dǎo)致預(yù)測模型準(zhǔn)確性受到影響。利用差分進(jìn)化算法可對神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行優(yōu)化，有效改善了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)經(jīng)常會出現(xiàn)的局部最優(yōu)解問題[17]。

2.2.1 差分進(jìn)化算法

差分進(jìn)化算法是基于群體智能理論的優(yōu)化算法，它利用群體內(nèi)個體之間的合作與競爭進(jìn)行優(yōu)化搜索，有著很強(qiáng)的魯棒性及收斂能力。與進(jìn)化計算不同的是差分進(jìn)化算法保留了基于種群的全局搜索策略，采用實數(shù)編碼?；诓罘值暮唵巫儺惒僮饕约啊耙粚σ弧钡母偁幧娌呗裕蟠蠼档土诉M(jìn)化計算操作的復(fù)雜性[18]。差分進(jìn)化算法與遺傳算法相似，在運(yùn)算過程中也包含變異、選擇及交叉操作。它可以實時有效地調(diào)節(jié)搜索策略，大大提高神經(jīng)網(wǎng)絡(luò)的魯棒性及收斂性。利用差分進(jìn)化算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，可以避免BP網(wǎng)絡(luò)局部極小值問題出現(xiàn)[19]，其基本步驟如圖6所示。

圖6 差分進(jìn)化算法運(yùn)算過程

2.2.2 差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)BP算法在尋找局部最優(yōu)解過程中效果很好，但在全局搜索能力方面則是差分進(jìn)化算法更勝一籌，因此在進(jìn)行全局搜索時經(jīng)常使用差分進(jìn)化算法，但是差分進(jìn)化算法的訓(xùn)練速度在復(fù)雜、非線性的情況下比BP神經(jīng)網(wǎng)絡(luò)慢。這兩種方法在使用過程中都存在自身特有的優(yōu)點(diǎn)與弊端，因此可以嘗試將兩者結(jié)合起來進(jìn)行算法優(yōu)化。通過差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，隨后使用經(jīng)優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測。

差分進(jìn)化算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，使用差分進(jìn)化算法尋找BP神經(jīng)網(wǎng)絡(luò)中更好的連接權(quán)值以及閾值，隨后將其作為初始權(quán)值、閾值帶入神經(jīng)網(wǎng)絡(luò)，重新對樣本數(shù)據(jù)進(jìn)行訓(xùn)練以及預(yù)測。此方法在處理較為復(fù)雜的數(shù)據(jù)時有著更好的處理能力，能夠有效避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)的問題[20]。

該方法具體步驟為：①設(shè)置初始化神經(jīng)網(wǎng)絡(luò)和差分進(jìn)化算法參數(shù);②初始化連接權(quán)值與閾值，將神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中產(chǎn)生的均方誤差的平均值作為差分進(jìn)化算法的適應(yīng)度值;③進(jìn)行差分進(jìn)化，尋找出最優(yōu)值后將最優(yōu)權(quán)值與閾值賦值給神經(jīng)網(wǎng)絡(luò);④利用經(jīng)過優(yōu)化后的權(quán)值與閾值進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測。

按照上述步驟重新進(jìn)行供熱負(fù)荷預(yù)測，得到新的預(yù)測結(jié)果如圖7所示。

圖7 優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

根據(jù)圖7可以看出，經(jīng)差分進(jìn)化算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)相比于未經(jīng)過優(yōu)化的網(wǎng)絡(luò)而言，由于在學(xué)習(xí)過程中的訓(xùn)練精度比未優(yōu)化的網(wǎng)絡(luò)有所提高，因此供熱負(fù)荷的預(yù)測精度也得到提高，誤差范圍降至±0.06之內(nèi)，小于未經(jīng)優(yōu)化的BP網(wǎng)絡(luò)誤差范圍±0.15，證明經(jīng)過差分算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)可對供熱負(fù)荷進(jìn)行更為準(zhǔn)確的預(yù)測。

3 結(jié)語

本文提出利用經(jīng)差分進(jìn)化算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對供熱負(fù)荷建立預(yù)測模型的方法。前期采集數(shù)據(jù)，后期在MATLAB環(huán)境下進(jìn)行編程仿真。實驗結(jié)果表明，經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)與未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)回歸擬合模型相比，在模型預(yù)測準(zhǔn)確性上有很大的提高。因此，利用本文提出的方法可根據(jù)自然環(huán)境因素對供熱負(fù)荷進(jìn)行較為準(zhǔn)確的預(yù)測，對供熱站的節(jié)能運(yùn)行有著極為重要的意義。

參考文獻(xiàn)：

[1] 黃海青. 中外建筑能耗差別大的原因[J].林?？萍记閳?， 2009，41（4）：41-43.

[2] 文翰. 基于最小二乘法的熱負(fù)荷預(yù)測的研究與應(yīng)用[D]. 大連：大連海事大學(xué)，2014.

[3] 袁景玉，吳克. 建筑能耗預(yù)測方法綜述[J]. 科技視野，2014（31）：291-292.

[4] SOTERIS A，KALOGIRO. Long-term performance prediction of forced circulation solar domestic water heating systems using artificial neural networks[J]. Applied Energy， 2000， 66（1）： 63-74.

[5] 劉杰，郭瑋，崔杰，等. 基于模糊神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測[J]. 湖南科技大學(xué)學(xué)報：自然科學(xué)版，2015，30（3）：41-45.

[6] 魏宇杰，楊潔明. 基于小波神經(jīng)網(wǎng)絡(luò)和蟻群算法的供熱負(fù)荷預(yù)測[J]. 煤炭技術(shù)，2015，34（8）：307-309.

[7] 茅艷. 人體熱舒適氣候適應(yīng)性研究[D]. 西安：西安建筑科技大學(xué)，2007.

[8] 廖樺浚. 空氣濕度與個性送風(fēng)風(fēng)速對人體整體舒適感的影響研究[D]. 重慶：重慶大學(xué)，2017.

[9] 焦永華.? 大型公建樓宇供熱節(jié)能控制系統(tǒng)研究[D]. 西安：西安建筑科技大學(xué)，2015.

[10] 魏玉婷. 基于相關(guān)性分析和回歸分析方法的人員總量預(yù)測和控制方案探究[J]. 商場現(xiàn)代化，2818（16）：58-59.

[11] 何曉群. 多元統(tǒng)計分析[M]. 北京：中國人民大學(xué)出版社，2008.

[12] 陳嵐亭，王鵬彬. MATLAB曲線擬合法在地基沉降預(yù)測中的應(yīng)用[J]. 水利科技與經(jīng)濟(jì)，2016，22（8）：26-28.

[13] 鄧志冬，張再興. 智能控制理論與技術(shù)[M]. 北京：清華大學(xué)出版社，2012.

[14] 王超學(xué)，孔月萍，董麗麗，等. 智能優(yōu)化算法與應(yīng)用[M]. 西安：西北大學(xué)出版社，2012.

[15] 謝中華.? MATLAB統(tǒng)計分析與應(yīng)用：40個案例分析[M]. 北京：北京航空航天大學(xué)出版社，2010.

[16] 王林，彭璐，夏德，等. 自適應(yīng)差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測[J]. 計算機(jī)工程與科學(xué)，2015，37（12）：2270-2274.

[17] 曾益. 差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的能源需求預(yù)測研究[D]. 武漢：華中科技大學(xué)，2015.

[18] 陳超，曹曉梅. 改進(jìn)差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)用于入侵檢測[J]. 計算機(jī)應(yīng)用與軟件，2018，35（4）：310-316.

[19] 都吉東，陶文華，李邵鵬. 自適應(yīng)差分進(jìn)化算法優(yōu)化BP網(wǎng)絡(luò)的煉焦能耗模型[J]. 測控技術(shù)，2018，37（4）：20-23.

[20] 杜文莉，周仁，趙亮，等. 基于量子差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J]. 清華大學(xué)學(xué)報：自然科學(xué)版，2012， 52（3）：331-335.

（責(zé)任編輯：杜能鋼）