一种新量子遗传算法及应用

基于量子位测量的二进制量子遗传算法,在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率。针对这一问题,提出了一种基于量子位相位编码的量子遗传算法。该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异。在该方法中,由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法。     

混沌量子免疫算法

利用混沌搜索的遍历性和量子计算的高效性,提出一种用于连续空间优化的混沌量子免疫算法。用量子位编码初始群体,用量子旋转门实现个体更新。在量子旋转门中引入两种幅值不同的混沌变量改变转角的大小,小幅值混沌变量用于优良个体的克隆扩增,实现局部搜索;大幅值混沌变量用于较差个体的突变,实现全局优化。证明了算法的收敛性。实验表明,该算法能显著改善免疫优化算法的搜索能力和效率。     

基于学习的并行免疫量子进化算法及收敛性

提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法,宇宙间采用基于学习机制的移民、模拟量子纠缠的种群交叉等信息交互方式,使得进化算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

一种量子模拟退火算法

为扩展量子智能算法的研究领域,根据模拟退火算法的思想,提出量子模拟退火算法(QSA).定义了量子染色体相位邻域空间,缩小了算法搜索范围;引入信息熵的概念,避免了搜索的盲目性;给出一个量子的旋转角增量的表达式,简化了计算过程;采用Boltzmann概率分布原则接受新解,提高了算法的搜索性能;同时增加了量子变异操作和量子随机行为,可以防止算法早熟现象.研究结果表明:该算法具有较强的全局收敛性和搜索能力.     

量子进化算法和免疫算法的比较研究

量子进化算法和免疫算法都是解决优化问题的强有力算法,.在分析了量子进化算法搜索的特点和免疫算法的机理基础上,对它们进行了比较,阐明了了二者的不同特点,并通过仿真实例总结出它们在求解多峰值函数优化问题上各自的优缺点.     

基于混沌优化的量子遗传算法

量子遗传算法是一种高效的并行算法，但它有时会陷入局部极值。混沌优化的遍历性可作为搜索过程中避免陷入局部极小值的一种优化机制，随机性和规律性使它具有丰富的时空动态。所以二者结合可互补。经试探分析，典型函数测试结果表明，混沌优化与量子遗传算法相结合全局寻优效果更佳。     

基于浮点数编码的信息熵控制多种群遗传算法

在用准精确惩罚函数处理约束优化问题的基础上，提出一种基于浮点数编码机制的信息熵控制多种群遗传算法。通过在遗传设计中定义一个新的概率而引入信息熵概念，构造出一个信息熵优化模型。该模型不必完全求解，即可容易求出作为概率的拉格朗日乘子，得出空间收缩概率，控制各种群中解空间的收缩。信息熵的介入可使优化过程更加平稳，收敛更快。同时，该算法给出了一种科学而有效的遗传设计收敛判据。实例证明该文算法在求解约束优化问题时快速、有效。     

一种基于信息熵的多种群遗传算法

通过模型变换建立了一种约束优化的演化设计模型．并构造出求解此模型的多种群空间收缩遗传算法．利用最优解在各种群中的存在概率将信息熵概念引入进化过程,构造出一种含有熵的多目标优化模型,利用该模型可以直接显式地给出作为拉格朗日乘子的种群最优解存在概率,从而得出多种群遗传操作的空间收缩因子,控制各种群寻优搜索时解空间的收缩．用种群的多样性避免遗传进化的早熟现象,以空间收缩尺度作为停机判据,有效地控制了算法的收敛．数值算例显示,熵的介入使随机搜索类进化算法的寻优目的性大为增强,从而提高了演化设计的计算效率。     

基于差分量子粒子群优化算法的作业车间调度

针对作业车间调度问题(job-shop scheduling problem, JSP)中存在的求解复杂程度高、动态性强等难题,提出基于差分特性的量子粒子群优化算法。量子粒子群算法引入量子机制克服了粒子群算法在全局收敛性上的不足,并采用差分进化思想对粒子状态进行更新,借助变异操作增大种群多样性,对早熟粒子进行交叉选择操作,防止个体收敛到局部极值,进一步采用多邻域搜索方法以提高算法的寻优速度。对FT、LA两类JSP算例进行求解,将所提算法与离散粒子群算法、遗传算法以及细菌觅食算法进行实验对比。结果表明,4种算法收敛到FL10算例理论最优解的时间分别为127、134.8、143.5以及141.3 s;而LA36算例的理论最优解为1 268,4种算法所得结果分别为1 294.6、1 457.4、1 374.3以及1 398,且所提算法收敛时间最短。仿真结果表明所提算法能以较快的收敛速度得到最优解,相比于其他算法,寻优速度和精度都有了明显提升。     

改进量子遗传算法求解非线性方程组

非线性方程组的求解在科学技术和工程应用中经常遇到。将非线性方程组的求解问题转化为函数优化问题,并应用改进量子遗传算法求解此优化问题。数值模拟的结果验证了该方法的可行性和有效性。     

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.     

免疫算法与遗传算法比较

在介绍免疫算法与遗传算法概念的基础上，阐明了二的不同特点，并通过仿真实验表明了它们之间在功能和应用方面的区别。     

生物信息处理系统--遗传算法探讨

分析了遗传算法中改进后的分层和混合遗传算法,并针对遗传算法中仍然面临着的主要问题提出和分析了免疫遗传算法,阐述了免疫遗传算法的实现过程.预见了未来遗传算法与其他信息处理系统的融合,未来的遗传算法将从生物信息处理系统的其它角度来进行研究,应用于更广泛的学科领域.     

基于量子的免疫进化算法及收敛性

分析和探讨了量子计算的特点及免疫进化机制,并结合免疫系统的动力学模型和免疫细胞在自我进化中的亲和度成熟机理,提出了一种基于量子计算的免疫进化算法。该算法使用量子比特表达染色体,通过免疫克隆、记忆细胞产生和抗体相似性抑制等进化机制可最终找出最优解,它比传统的量子进化算法具有更好的种群多样性、更快的收敛速度和全局寻优能力。在此不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

免疫遗传算法在排课问题中的应用

将基于疫苗和免疫规划的免疫遗传算法应用于排课问题中,并结合贪心策略,提出一种适于解决多软约束条件的排课方案.方案中,针对软约束条件特征和教务经验提取疫苗,对遗传算法的缺点进行弥补.通过将该算法应用于具体课程编排,证实了该方法优于传统的遗传方法.     

基于量子遗传算法的多约束QoS路由算法

提出了一种基于量子遗传算法解决多约束QoS路由问题的算法，详细讨论了该算法用于解决包含带宽、延时、包丢失率和最小花费等约束条件在内的多约束QoS路由问题，给出了算法实现的方法和具体流程．实验结果表明，与其他2种算法相比，该算法不但能满足QoS约束要求，同时可以均衡链路负载，很好地优化网络资源．     

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。     

基于邻域粗糙集与量子遗传算法的人脸表情特征选择方法

人脸表情特征选择是人脸表情识别研究领域关注的一个热点。基于量子遗传算法与邻域粗糙集理论,文章提出一种新的人脸表情特征选择方法(Feature Selection based on Neighborhood Rough Set Theoryand Quantum Genetic Algorithm,简称FSNRSTQGA),以邻域粗糙集理论为基础,定义了最优特征集的适应度函数来评价表情特征子集的选择效果;并结合量子遗传算法进化策略,提出了一种表情特征选择方法。Cohn-Kanade表情数据集上的仿真实验结果表明了该方法的有效性。     

一种基于PSO思想的改进量子遗传算法

文章提出一种基于PSO思想的改进量子遗传算法.将PSO中的合作机制和记忆功能引入到QGA中,构造种群个体与当前最优解的距离参量,根据每个个体与当前最优解距离大小智能地控制旋转角的大小,使旋转角能够根据个体的进化差异选择不同旋转角的自适应调整进化过程,从而使算法始终保持合适的搜索网格,加快算法收敛,同时也可以保证能够收敛...