摘要：为进一步提高岩石爆破块度预测效果,利用多个矿山的岩石爆破统计数据,通过优化极端梯度提升模型(extreme gradient boosting, XGBoost)超参数,建立一种基于随机森林(random forest, RF)特征选择的麻雀搜索算法(sparrow search algorithm, SSA)优化XGBoost爆破块度预测模型。利用麻雀搜索算法对XGBoost模型决策树数量、决策树最大深度、学习率3个核心超参数进行优化以提高运行效率;利用随机森林对输入特征进行筛选,并将优化后的特征集输入预测模型。结果表明:经特征集优化的模型,爆破块度预测效果整体上更加逼近实际值,且预测结果的可决系数(R-squared,R~2)、均方根误差(root mean square error, RMSE)和平均绝对误差(mean absolute error, MAE)分别为0.954、0.026和0.020,相较于BP(back propagation)神经网络、随机森林和XGBoost模型的效果更优,在实际应用中更具适用性,能为爆破参数设计和优化提供借鉴。

摘要：航站楼作为能耗消耗的主要建筑之一,对其进行节能减排的研究意义重大。文章首先通过采用AP-FISOA-RBF的短期冷负荷分区预测模型对航站楼的不同区域空调系统冷负荷进行预测并提出相应的节能优化策略;其次通过烟花算法制定多热源供暖系统优化调度策略;最后基于群智能系统,提出一套与系统运行相结合的具有两种优化方法的航站楼空调冷却水系统节能控制策略,能够为机场能源站的节能优化提供有效的运行策略。