基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO).该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理.仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高.     

具有随机扰动机制的改进QPSO算法及其应用

针对原始量子粒子群优化算法(QPSO)在面对复杂多模函数时容易出现早熟和收敛精度低的 情况,提出了一种具有随机扰动机制的改进 QPSO 算法(MQPSO)。在改进算法设计时,首先借鉴了遗传算 法中交叉算子的思想,并结合随机扰动操作,对单个粒子的历史最优位置和全局最优位置进行了重新设定, 以增强算法在迭代后期的收敛性能,同时维持种群的多样性;其次,对QPSO算法中的重要参数收缩-扩张因 子,进行了非线性调整,以提高算法的全局收敛速度和精度。 通过8个测试函数,将 MQPSO 算法与4个现有的改进算法从平均值、标准差和最好取值三个方面进行了对比;进而根据中国证券市场中 15 只股票的历史 数据,分别运用粒子群优化算法、量子粒子群优化算法、布谷鸟搜索、蝙蝠算法和 MQPSO 算法对一类具有最小最大风险的投资组合优化模型进行数值求解。实验表明:MQPSO算法无论在基准测试中还是在仿真应用上,其计算结果在收敛精度和稳定性方面均优于其他群智能算法。     

变尺度混沌量子粒子群算法

利用混沌算子的遍历性,结合量子粒子群的快速收敛性,提出了变尺度混沌量子粒子群算法（CQPSO）。针对标准粒子群容易陷入局部最优的缺陷,CQPSO能快速收敛到最优解。对标准测试函数的测试结果表明：该算法在收敛速度和收敛精度上都得到了大幅度的提高。     

求解带约束投资组合模型的量子粒子群算法

针对量子粒子群算法(QPSO)在迭代后期出现种群多样性缺失和容易陷入局部最优的问题,提出了一种基于交叉操作的改进算法;在改进算法中,考虑了粒子的历史最优位置和次优位置,用以扩大粒子的搜索范围;同时,将遗传算法的交叉操作运用到位置的更新中,以增加种群的多样性,进而提高算法的收敛性;在性能测试中,将改进算法与原始的量子粒子群算法、基于差分进化的QPSO和基于黑洞探索的QPSO在收敛精度和鲁棒性方面进行了比较;最后,运用改进算法对一类具有投资数量限制的投资组合问题进行了求解,并与遗传算法、粒子群算法和标准的量子粒子群算法的寻优结果进行了对比。     

基于混沌QPSO算法的多AUVs任务分配

针对复杂条件下多水下机器人系统(AUVs)任务分配过程中各个节点负载不均衡问题,提出混沌优化QPSO算法.以整个量子粒子群搜索到的当前最优位置为基础,在混沌QPSO算法中加入混沌因子,产生混沌序列.利用混沌优化中混沌搜索、搜索遍历性等具有类似协同学习操作的功能,用混沌序列中的最优位置的粒子替代当前量子粒子群中的位置,使得近似最优解脱离局部最优,获得真正的全局最优.通过实验证明:混沌优化QPSO算法在多AUVs任务分配中,提高了任务分配的精度和优化效率,使任务分配达到全局最优值.     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征，通过正态云发生器对量子粒子群优化算法（QPSO）进行改进，提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究，定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式，给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO，OPSO，CVCPSO，CMAQPSO 4种算法进行对比测试，实验结果表明，CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征,通过正态云发生器对量子粒子群优化算法（QPSO）进行改进,提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究,定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式,给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO,OPSO,CVCPSO,CMAQPSO 4种算法进行对比测试,实验结果表明,CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

基于QPSO的图像分割算法

文章将具有量子行为粒子群优化(QPSO)算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用QPSO算法自适应选取分割阈值;仿真实验针对Lena图像分割问题,将标准粒子群优化(PSO)算法与QPSO算法分别独立运行,仿真结果表明,基于QPSO优化的图像分割算法不仅克服了PSO容易过早陷入局部最优值的缺点,而且分割速度更快,是一种更有效的分割方法.     

基于QPSCO算法的传感器优化配置

针对以曲线拟合为目标的传感器配置问题,提出了一种基于量子粒子群协同优化(Quantum-behaved particle swarms cooperative optimization,简称QPSCO)算法的传感器优化配置方法.在QPSCO算法中,采用双层的多粒子群协同优化结构,同时引入参数变异策略,在扩大搜索范围的同时加快该算法收敛;将加权最小二乘法的误差平方和引入适应度函数中,以提高传感器位置曲线的拟合精度,从而实现传感器的优化配置.实验结果表明,该方案应用于土壤信息采集系统,不仅可以达到比粒子群优化(Particle swarm optimization,简称PSO)算法和量子粒子群优化(Quantum-behaved particle swarm optimization,简称QPSO)算法更好的寻优结果,而且具有比遗传算法更理想的位置拟合精度,是一种有效可行的传感器配置方法.     

基于线性自抗扰的AGV轨迹跟踪控制器设计及参数优化

针对自动导引车（AGV）的轨迹跟踪问题，通过将多入多出的非线性运动学系统解耦为多个单入单出的线性系统，在此基础上设计了基于线性自抗扰控制（LADRC）的轨迹跟踪控制器；引入混沌搜索对量子粒子群算法（QPSO）进行改进以解决其易于陷入局部最优的问题，然后利用混沌量子粒子群算法（CQPSO）对LADRC控制器的参数进行整定；最后分别就参考轨迹为直线和参考轨迹突变情况下的轨迹跟踪情况进行了仿真实验，实验结果证明了本文设计的轨迹跟踪控制器的有效性。