针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
该文将Energy Plus建筑能耗仿真与实际被动式建筑现场调研、能耗监测相结合,以青岛地区某被动房为案例,开展了包括现场调研、仿真结果验证、节能潜力分析和敏感性分析等内容的实验项目。实验结果表明,该实验方法可操作性强,仿真结果与...该文将Energy Plus建筑能耗仿真与实际被动式建筑现场调研、能耗监测相结合,以青岛地区某被动房为案例,开展了包括现场调研、仿真结果验证、节能潜力分析和敏感性分析等内容的实验项目。实验结果表明,该实验方法可操作性强,仿真结果与实测数据吻合度高,被动式建筑的节能效果得到有效验证。案例被动式建筑全供暖及供冷能耗指标分别为14.08 k Wh/m^(2)·a和8.37 k Wh/m^(2)·a,相比传统建筑全年节能55.26%,其中空调节能率高达56.95%;外墙、外窗保温、遮阳系统等被动措施是主要节能来源,节能占比分别为26.54%、23.58%和23.97%;灰色关联分析显示,外墙传热系数对全年能耗的敏感度最高。展开更多
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
文摘该文将Energy Plus建筑能耗仿真与实际被动式建筑现场调研、能耗监测相结合,以青岛地区某被动房为案例,开展了包括现场调研、仿真结果验证、节能潜力分析和敏感性分析等内容的实验项目。实验结果表明,该实验方法可操作性强,仿真结果与实测数据吻合度高,被动式建筑的节能效果得到有效验证。案例被动式建筑全供暖及供冷能耗指标分别为14.08 k Wh/m^(2)·a和8.37 k Wh/m^(2)·a,相比传统建筑全年节能55.26%,其中空调节能率高达56.95%;外墙、外窗保温、遮阳系统等被动措施是主要节能来源,节能占比分别为26.54%、23.58%和23.97%;灰色关联分析显示,外墙传热系数对全年能耗的敏感度最高。
