一种新量子进化算法及其在函数优化中的应用

基于量子计算理论和进化理论,提出了一种新的量子进化算法-基于实数编码的量子进化算法(RQEA).不同于传统进化算法的单点编码和量子进化算法的量子比特编码,算法以实数矩形区域来表示基因,一条染色体携带多个个体信息.利用量子态叠加和相干机理,通过叠加、变异及自学习来完成进化过程.实验表明,该算法在函数优化上具有优异的性能.     

基于量子空间的蚁群算法及应用

针对蚁群算法收敛速度慢,容易陷入局部极值的缺点,提出将量子进化算法与蚁群算法相融合的新算法。在该算法中,蚂蚁当前位置用量子比特的两个概率幅表示,与普通蚁群算法相比,个体数量相等时,新算法的搜索空间将加倍,同时用量子非门来实现变异操作,相比传统算法,在寻优过程中具有更好的种群多样性并有效克服了蚁群算法的早熟及停滞现象。将此算法用于图像分割,实验结果表明,该方法有效解决了蚁群算法收敛速度慢和容易陷入局部极值的问题,而且在分割速度和精度上得到了较大提高。     

区域进化自适应高精度区域增长图像分割算法

为克服经典区域增长算法中门限选择困难、分割稳定性不高与串行处理速度慢的不足,提出基于区域进化的自适应高精度区域增长图像分割算法。在图像预处理过程中,首先通过各向异性滤波算法对切片进行滤波,达到去除图像噪声同时避免对边界区域的模糊;然后引入了新的区域能量表示模型,并给出了迭代进化形式,在区域增长过程中,逐渐增加区域增长的门限,通过对能量函数的动态优化来逼近最佳分割结果;最后利用主动轮廓模型进行精度分割,得到精确而比较光滑的分割目标轮廓。对比实验表明提出的方法是合理有效的。     

求解连续空间优化问题的量子差分混合优化算法

借鉴量子计算的相关原理和差分进化思想,提出一种用于连续空间优化问题的量子差分混合优化算法。算法的核心是构造由决策向量的分量和量子位概率幅为等位基因的实数编码染色体;采用依据染色体的具体形式设计的互补变异进化部分优秀个体,以加快算法的收敛速度;利用差分进化思想进化部分随机选取个体,以保持算法的全局搜索能力和鲁棒性。对Benchmark函数测试表明,该算法具有寻优能力强、搜索精度高和稳定性好的特点。应用该算法求解路基沉降预测模型参数估计问题,能够有效提高实测沉降数据的拟合精度.     

基于文化算法的C-V水平集图像分割

针对基于梯度变化的水平集图像分割对噪声敏感、不能很好地保持图像中的边缘信息、分割结果依赖初始参数、取得最优解时不能及时结束等问题,提出了一种基于文化算法的水平集图像分割算法,将文化算法应用到C-V(Chan-Vese)水平集模型之中,实现了水平集模型图像分割参数的自动选取,通过信度空间的形势知识和规范知识不断优化指导种群进化,并通过判定图像熵适应度值的变化适时终止分割过程。实验结果表明,本文方法能够准确分割出医学图像的病变区域,在抗噪声性能和分割效率方面明显优于常规方法。     

基于量子粒子群的广义模糊熵阈值法参数选取

针对广义模糊熵阈值分割法中参数m的选择问题,提出了一种结合优化算法的自适应参数选取算法.该算法依据一种图像分割质量评价指标建立目标函数,再基于量子粒子群优化搜索算法在参数的变化空间自适应地搜索最佳参数,同时依据模糊熵最大准则对S型隶属度函数中的三个参数(a,b,d)进行了全局组合寻优,从而建立了一个嵌套的优化搜索过程,实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验表明,该方法对光照不均匀图像有更好的分割效果.     

基于对应点的三维医学图像相关性插值

现有的插值方法在进行医学断层图像插值时，要么不能兼顾灰度和形状的变化，要么计算量太大。为解决这一问题，文中提出一种基于对应点的三维医学图像相关性插值算法。通过对两幅断层图像进行门限分割，获得体素的分割值。在相同密度物质的区域内，采用体素的相关性来进行插值，不同密度物质区域采用缩放区域大小作为插值数据，使新的图像不仅在灰度上，而且在组织形状上，介于原来的断层图像之间，满足了医学图像插值的要求。与线性插值相比，新算法的视觉效果好，计算误差小；与小波插值相比，新算法的计算量极大地减少。插值结果可有效地应用于构建三维体模型.     

一种改进的Live-Wire交互式图像分割算法

提出了一种改进的Live Wire交互式图像分割算法。与原Live Wire算法相比 ,改进算法在不增加算法复杂度的同时 ,大大提高了图像分割的性能 ,而且在 3个方面弥补了原算法的不足 :(1)对噪声相当敏感 ;(2 )不能有效地区分图像中的强弱边缘 ;(3)不适用于边缘弯曲程度较大的图像。将改进算法与窗宽 /窗位调整算法相结合用于医学图像分割中 ,取得了良好的分割效果     

基于激素调节的量子免疫克隆函数优化算法

为了提高量子免疫克隆算法（quantum inspired immune clone algorithm, QICA）对函数全局寻优的精确性和稳定性,引入了内分泌激素的调节规律,根据当前个体适应度值和上一代种群的平均适应度值重新设计克隆规模,按照种群多样性和Hill函数的上升规律对其进行自适应调整,使进化各代中优秀个体的克隆得到扩增,同时减少不良个体的规模,从而提出了一种基于内分泌激素调节的量子免疫克隆算法（hormone adjustment based QICA, HAQICA）。利用标准测试函数对算法进行了验证,50次随机独立实验结果表明,HAQICA算法的收敛速度与QICA算法相当,最优解的均值与方差等数据,证明了HAQICA算法在提高函数全局寻优性能上的有效性。     

广义模糊熵的构造及其在图像分割中的应用

针对现有的模糊熵阈值法对噪声干扰、光照不均匀图片的分割不能获得满意分割效果的不足,提出了模糊熵公式的参数化修改并用于图像分割,获得了选取最佳分割阈值的模糊熵新算法。首先将Sugeno广义否定算子替代二次型模糊熵公式的Zadeh标准否定算子,得到了参数型的广义模糊熵表达式;其次,将其应用于构造图像阈值化分割的准则函数;最后,给出了图像阈值化分割新算法中的广义模糊熵参数自动选取方法。实验结果表明,给出的广义模糊熵图像分割方法对光照不均匀图像相比传统模糊熵分割方法更有效。     

基于文化知识的量子进化算法

量子进化算法在实数优化时存在局部寻优能力不佳、收敛速度较慢等缺陷.为克服这些缺陷,本文引入文化算法思想提出一种基于文化知识的量子进化算法,该算法具有量子进化层和知识进化层双层进化框架,引入的文化算法能较好地协调全局与局部寻优,并避免算法陷入局部极值.由于新的算法框架及量子观测方式的引入,提出的算法不但保留了量子编码的优点,而且有效解决了求解实数优化问题时存在的缺陷.实验表明,提出的算法不但比量子进化类型算法性能有较大提升,而且与其它相关的几种算法相比具有更好的求解精度和速度.     

基于碳排放的开放选址-路径问题及算法

基于物流对节能减排的重大影响及第三方物流的广泛应用,本文建立了与配送中心规模、配送路径相关的低碳开放选址-路径(OLRP)问题模型,并设计量子进化算法(QEA)进行求解.算法采用先确定车辆及其顾客集,再选择配送中心的策略,并运用局部优化算子进行解的改善.通过目标值与CPU的综合分析,确定重要参数旋转角变化值△θ,最大迭代次数itermax,种群Popsize的取值范围,并应用Barreto、Prins及Tuzun案例进行实验验证,结果显示碳排放目标的OLRP一定程度上会增大成本,量子进化算法在Barreto案例中的解均值优于LB、CPLEX及SA算法,在Prins案例中的求解效果与CPLEX相近,在Tuzun案例中绝大多数问题的求解结果优于CPLEX,在小规模问题中,优于SA算法,因此QEA是求解OLRP问题的一种有效算法.     

三层级设施选址-路径规划问题建模及算法研究

基于有向图针对物流网络三层级设施选址——路径规划问题(3E-LRP),建立了数学模型,并提出了量子进化算法(QEA)与遗传算法(GA)协同的双智能算法集成求解方案.QEA算法负责设施选址(FLP)和设施分配(FAP)优化问题,将得到的FLP和FAP方案传递给GA进行路径规划(VRP)优化,GA将优化后的路径规划方案反馈给QEA,双智能算法协同完成3E-LRP系统优化.本文提出了基于可达配送区域的搜索策略和基于路径长度为权重的设施分配优化策略以提高算法效率.实例计算表明,提出的数学模型和组合智能算法可有效解决3E-LRP,为ME-LRP提供了理论与方法指导.     

用多目标进化算法求解二层规划双目标模型

传统单目标二层规划模型得到的最优解往往无法使上下级双方都满意.为此,通过在上层规划中同时考虑下级的目标函数,建立了原问题的上层为双目标规划的一个新模型.上下级可通过协商在该模型的Pareto-最优解集中找到双方满意解.对此模型设计了求解的多目标进化算法,用传统优化算法求解下层规划的单目标问题,而对上层的双目标规划问题则采用基于NSGA-Ⅱ的多目标进化算法求解.数值试验表明我们所提出的算法是有效的.     

一种基于GEP的多层物流网络Prüfer编码优化算法

在对Prüfer编码研究的基础上,提出了一种基于基因表达式程序设计的多层物流网络Prüfer编码优化算法(GEPPCOA)。该算法一方面利用基因表达式程序设计的多基因结构特点,克服了传统演化算法中不能直接用个体表示多层物流模式的缺点;另一方面还对基因表达式程序设计原有的操作算子进行了针对Prüfer编码的改进。实验结果表明,使用GEPPCOA求解多层物流网络的Prüfer编码优化问题时,其各项支出费用性能指标均要好于传统的演化算法,提高了算法的收敛精度。     

卫星编队构形多冲量调整优化研究

建立了卫星编队多冲量构形调整的优化模型,给出了期望构形约束的表达和处理方式。在约束处理方式和优化方法的不同组合下,对两个示例问题进行了多次优化求解和对比分析。结果表明:传统优化方法不能有效搜索复杂多冲量构形最优调整问题的最优解,而进化算法在期望构形约束满足精度上存在不足;先基于进化算法作全局搜索、再利用传统优化方法提高解的局部最优性是很好的方法,能够获得燃料最优性和约束满足精度都很高的解;对于期望构形约束的处理,传统优化适宜采用最终时刻状态偏差方式,而进化优化采用全周期最大状态偏差方式较好。     

基于动力学的多父体杂交算法

多父体杂交算法将种群中多个个体张成一个空间,然后在此空间中进行空间搜索,该算法具有很强的解搜索能力和较快的运行速度.动力学演化算法根据粒子群的统计物理特性,模拟粒子群在空间中的运动,提出了一种基于统计物理的粒子选择机制.数值实验表明,动力学演化算法是有效的.结合动力学演化算法的选择策略和多父体杂交算法的遗传操作,提出一种新的基于动力学的多父体杂交算法.该算法对多父体杂交算法中的替换策略进行改进,有效地提高了算法的求解能力,数值实验表明新算法可以很好的收敛,能够快速的找到问题的最优解.     

面向多峰函数的自适应小生境量子进化算法

为解决量子进化算法在多峰优化时只能找到一个最优解,无法找到所有全局和局部最优解的问题,提出自适应小生境量子进化算法。利用佳点集理论初始化种群,使种群均匀分布在整个搜索空间;提出中心地形信息小生境自适应识别方法,用于自适应的识别峰值所在区域,并建立小生境完善策略,提高小生境识别速度;借助量子进化算法的快速寻优能力精确寻找各个峰值点;采用动态种群调整策略,维持种群的多样性,自适应地调节种群规模。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到的每个最优解都达到了理想值。     

多智能体量子多目标进化算法及其在EELD问题中的应用

环境经济负荷分配问题是电力系统中重要的多目标优化问题。求解多目标优化问题的关键在于找到尽可能多的Pareto最优解。在基于量子进化理论,智能体的竞争、学习能力和生物的进化策略的基础上,提出了一种用于求解多目标优化问题的量子编码的多智能体进化算法。该方法将智能体分布在多智能体网络环境中,智能体之间通过量子进化来生成问题的可行解。将该算法应用于经济环境负荷分配的两目标(燃料成本和NOx排放)与三目标(燃料成本,NOx排放和SO2排放)优化问题,通过与经典多目标优化算法进行比较,表明了该算法的有效性。