一种基于量子遗传算法的多播路由算法

提出了一种基于量子遗传算法QGA（quantum genetic algorithm）解决多播QoS（quality of service）路由问题的算法．介绍了量子遗传算法的基本原理，给出了算法实现的方法和具体流程，并进行了量子遗传算法在多播路由选择优化方面的仿真实验，证明了量子遗传算法优于常规遗传算法．     

基于改进量子遗传算法的WSNs多路径路由研究

最优路径搜寻和能量优化是无线传感器网络(wireless sensor networks,WSNs)研究的两大关键性问题,基于簇结构的无线传感器网络模型,将改进的量子遗传算法引入WSNs网络层节能路由算法研究中,选取多条较优染色体代替一条最优染色体指导群体的进化;采用动态的量子旋转门调整策略,避免算法收敛于局部最优解;利用球面坐标角度对量子遗传算法编码,降低算法的复杂度;以路由所耗能量为优化目标,构造适应度函数。与基于传统遗传算法（genetic algorithm, GA）、标准量子遗传算法(quantum genetic algorithms, QGA)的多路径路由进行比较,实验表明,该算法比基于GA,QGA算法的多路径路由具有更低的网络能量消耗,更长的网络生存周期。     

多子群协同链式智能体遗传算法分析

针对遗传算法(genetic algorithm,GA)易出现搜索效率不高和早收敛现象,提出了一种多子群协同链式智能体遗传算法(multi-population agent genetic algorithm,MPAGA)。该算法采用多子群并行搜索模式、链式智能体结构,引入动态邻域竞争和正交交叉等策略,有效提高了算法性能。采用3个复杂多峰测试函数对算法进行优化性能测试结果表明,MPAGA比普通智能体遗传算法有较快的收敛速度,能有效防止早收敛现象。     

基于微分进化算法的电力系统最优潮流

将微分进化算法（Differential Evolution,DE）应用到电力系统最优潮流（Optimal Power Flow,OPF）问题中,以系统总发电成本为目标函数,除平衡节点外发电机节点有功功率、发电机节点电压幅值和可调变压器变比作为控制变量,建立了DE-OPF的数学模型．基于增广拉格朗日函数法,将状态变量约束考虑入优化的目标函数中．以IEEE30节点测试系统进行了测试,仿真结果表明,与两种遗传算法和一种改进的粒子群算法：传统遗传算法（canonical genetic algorithm,CGA）、自适应遗传算法（adapive genetic algorithm,AGA）和全面学习粒子群算法（CLPSO）相比,DE算法具有较好的全局寻优能力和较快的收敛速度,能有效地解决最优潮流问题．     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向.将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型.仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能.     

基于量子遗传算法的无人机冲突解脱方法

飞行冲突解脱对于无人机飞行安全至关重要,遗传算法(genetic algorithm, GA)在解决无人机冲突解脱时存在求解速度慢、产生的延误距离较大等缺点,针对这些缺点,提出一种基于量子遗传算法(quantum genetic algorithm, QGA)的无人机冲突解脱方法。该方法采用了量子比特编码,设计加入了延误指数函数强制优化策略和变航向优化策略,通过利用量子旋转门实现个体的演化,并在延误距离、冲突解脱航迹等多方面与遗传算法进行了对比实验。仿真实验结果表明,该方法与遗传算法相比,求解速度更快,解的质量更高,所得解脱航迹更平滑,能获得较小的飞行延误,在无人机冲突解脱方面具有有效性和良好的应用价值。     

基于PCA-VNWOA-LSSVM的感应电机轴承故障诊断

轴承作为感应电机的关键部件，其运行状态直接影响船舶电力拖动系统安全。为解决船舶感应电机轴承故障诊断难题，本文提出一种基于PCA-VNWOA-LSSVM的故障诊断模型。选用美国凯斯西储大学轴承振动数据，利用离散小波分解(discrete wavelet transformation, DWT)从振动信号中提取内圈、外圈和滚动体故障特征，按不同故障类型和直径进行分组、主成分分析(principal component analysis,PCA)降维，结合改进的鲸鱼优化算法(von neumann whale optimization algorithm, VNWOA)对最小二乘支持向量机(least squares support vector machine, LSSVM)初始参数δ 2和γ寻优，搭建其故障识别模型，最后将遗传算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)的寻优诊断结果与之对比。结果表明：基于PCA-VNWOA-LSSVM的模型故障诊断精度高，且具有良好的稳定性及诊断速度。     

量子免疫算法及在0-1背包问题中的应用

将免疫算法的免疫算子思想引入到量子遗传算法中,提出了改进的算法:量子免疫算法。算法在保持量子遗传算法优点的同时,提高了算法的全局收敛性。并将此算法应用在0-1背包问题中,仿真结果表明,此改进算法具有良好的性能。     

改进量子遗传算法在光谱分配中的应用

本文在量子遗传算法的基础上进行改进,添加灾变操作来避免算法陷入局部收敛,克服早熟,收敛较慢,以及适应度标定方式的多样性等问题。通过在Matlab7.0环境下进行仿真实验,在三种不同的目标函数下与颜色敏感图着色算法进行比较,分析得出改进量子遗传算法能够通过更少的迭代次数获得利用率更高的光谱分配。     

结合变异机制和量子PSO的关联规则挖掘算法

针对数据集中的关联规则挖掘问题,提出一种基于改进量子粒子群优化(improved quantum particle swarm optimization,IQPSO)算法的关联规则挖掘方法。首先,将数据实例以量子比特形式表示,构建一个基于量子进化算法(quantum evolutionary algorithm,QEA)的关联规则挖掘基础框架。然后,在该基础框架上,采用新的量子角度更新公式,即使用QPSO代替QEA实现关联规则挖掘。最后,为了进一步提高QPSO算法的收敛性能,融入变异机制和动态惯性权重对其进行改进,加快其收敛速度和跳出局部最优的能力。在UCI和课程成绩数据集上的实验结果表明,提出的算法能够快速且有效地挖掘出关联规则,相比其他几种算法,挖掘到的关联规则价值更高。     

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。     

带外包的服饰运输调度问题的优化

由于服饰产品是一种时效性很强的商品,而且服饰产品在配送过程中可以外包给快递公司进行配送,对带外包和硬时间窗的服饰运输调度问题（Apparel products Vehicle Routing Problem with Hard Time Windows and Outsourcing,AVRPHTWO）进行分析,并构建了AVRPHTWO、一般性VRP（Vehicle Routing Problem）和VRPSTW（Vehicle Routing Problem with Soft Time Windows）的数学模型,通过对基本的人工鱼群算法（artificial fish swarm algorithm,AFSA）进行改进,混沌搜索被引入人工鱼群算法来提高算法的全局收敛性,反馈策略用来指导人工鱼的移动,以此来提高收敛精度。应用混沌人工鱼群算法（chaotic artificial fish swarm algorithm,CAFSA）及遗传算法（genetic algorithm,GA）对所建立的三种模型求解,通过对实验数据进行处理,证明了AVRPHTWO模型和混沌人工鱼群算法求解此类模型的有效性,进一步证明了问题模型的复杂程度影响算法寻优能力,问题模型简单时,遗传算法更优;问题模型复杂时,混沌人工鱼群算法更优。     

改进的量子遗传算法在冷连轧机负荷分配中的应用研究

量子遗传算法可以克服常规遗传算法迭代次数多、易陷入局部极值的缺点,本文研究并改进了量子遗传算法的量子门旋转角度更新策略,提高了量子遗传算法的性能.应用标准函数测试表明,改进后的量子遗传算法收敛速度快,全局寻优能力更强.将改进的量子遗传算法应用于冷连轧机的负荷分配优化过程,根据Bland-Ford轧制理论以功率和轧制力均衡分配为目标建立综合目标函数,试验数据对比证明,量子遗传算法优化所得的轧制参数比经验分配和常规遗传算法优化所得结果更为合理,符合轧制工艺要求.因此,利用量子遗传算法对冷连轧机进行负荷分配优化是一种有效可行的新方法.     

一种改进的量子遗传算法

针对量子遗传算法存在储存量大和易陷入局部最优解等问题,提出一种新的量子遗传算法。该算法采用角度编码方式表示染色体从而减少编码的存储空间;引入小区间方法初始化量子种群, 使量子染色体均匀分布于初值空间;利用改进的旋转门对种群进行更新操作;采用动态的量子步长调整策略实现自适应搜索;引入量子交叉和量子变异操作防止早熟问题。通过典型的多峰值函数优化实验表明该算法具有收敛速度快、全局寻优能力强和计算时间短的特点,可以用于多峰值函数优化问题。     

一种基于免疫变异算子的改进型量子遗传算法

基于量子遗传算法进化方向随机性大、易早熟等缺点提出了一种改进的量子遗传算法.该方法采用了自适应染色体长度和旋转角度,提高了优化效率;引入了免疫算子,淘汰繁殖率低的个体,并通过操作染色体编码实现量子变异,以增强种群中基因多样性,避免算法陷入局部最优.对若干基准测试函数进行实验,结果表明相对于标准量子遗传算法,该算法在收敛速度、精度、稳定性以及克服早熟能力方面都有了显著的提高.     

基于混合编码的多智能体遗传算法

为了提高多智能体遗传算法的收敛速度和全局寻优能力，将量子编码引入多智能体遗传算法中，对每个智能体同时采用量子编码和实数编码，以基于这两种编码方式的遗传算子同时进化来获得更快的收敛速度和更好的全局收敛性。仿真结果表明，此算法能更快地收敛到全局最优解。     

基于量子遗传算法的WSN三维定位方法

为了减小测距误差对无线传感器网络节点定位精度的影响,本文提出一种基于量子遗传算法(quantum genetic algorithm,QGA)的三维定位方法。该算法调整参数少,简单易实现。首先通过RSSI测量未知节点和锚节点之间的距离;然后使用新的量子旋转门及旋转角度解决多维空间的局部最优问题;最后根据量子遗传算法的快速收敛性和平衡的全局与局部搜索能力进行寻优,提高无线传感器网络的定位精度、仿真结果表明:算法的定位精度、稳定性及抗干扰能力相较于最大似然法有了明显的提高。     

基于量子遗传算法的子空间拟合测向

针对子空间拟合算法对独立信源和相干信源求解过程中,多维搜索运算量大的问题,通过采用实数编码的量子位表示染色体和用量子旋转门更新量子位的方法,提出一种实数编码的量子遗传方法(RC-QGA)来实现加权信号子空间拟合(WSSF)测向,从而有效地降低传统算法的计算量.还研究了WSSF算法的一维解相干性能和二维波达方向(DOA)估计性能.实验仿真表明,RC-QGA方法在进化代数为10时就可以达到收敛,有效提高了传统遗传算法的收敛性能,并且具有计算量小和估计性能优良的特点.     

基于量子遗传算法的入侵检测器生成

入侵检测器的生成是入侵检测系统的核心,入侵检测器生成可以转化成数据的最优分类问题．量子遗传算法针对复杂优化问题有很强的搜索能力和最优化性能．因此,本文引入量子遗传算法来实现这个优化过程,并进行了入侵检测对比实验,实验结果表明基于本文算法的检测准确率高,同时收敛稳定性明显提高,收敛速度更快．