基于Bloch球面搜索的混沌量子免疫算法

目前大多数量子智能优化算法的个体均采用基于平面单位圆描述的量子比特编码,由于量子比特只有一个可调参数,量子特性没有得到充分体现,从而限制了优化能力的进一步提高。针对这一问题提出一种基于Bloch球面搜索的混沌量子免疫算法。该方法采用Bloch球面描述的量子比特对抗体进行编码,用泡利矩阵建立旋转轴,用量子比特在Bloch球面上的绕轴旋转实现优良抗体的克隆,通过在旋转角度中引入混沌变量动态改变转角大小实现局部搜索;用Hadamard门实现较差抗体的变异,实现全局搜索。仿真结果表明,提出的方法在搜索能力和优化效率两方面均比其他量子智能优化算法有所提高。     

一种基于相位比较的量子遗传算法

针对量子遗传算法不适于连续函数优化的问题,提出了一种改进的量子遗传算法。该算法直接将量子染色体与当前最优解相比较来确定旋转门的旋转角,种群中各个体以不同速率向最优解进化以同时实现全局搜索与局部搜索,引入变异操作以防止算法早熟收敛。对该算法及其全局收敛性进行了分析后,将其用于函数极值求解与PID控制器的参数优化,并与遗传算法和量子遗传算法进行比较。仿真结果表明该算法具有较好的寻优性能。     

基于Bloch球面旋转的量子自组织网络聚类算法

为提高自组织网络的聚类能力,提出一种基于Bloch球面旋转的量子自组织网络聚类算法.通过使样本数据作为量子比特相位,将样本映射为Bloch球面上的量子比特,将竞争层权值映射为Bloch球面上随机分布的量子比特;通过计算样本和权值的球面距离最小值,确定获胜节点;通过使获胜节点及其邻域节点在Bloch球面上向着样本旋转来调整这些权值,直到算法收敛.该方法的明显优势在于有较高的聚类精度.以鸢尾属植物样本聚类为例,实验结果表明,提出的方法明显优于传统自组织网络、K-均值聚类等算法.     

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.     

函数优化的量子蚂蚁算法

借鉴蚁群算法的进化思想,提出一种求解连续空间优化问题的量子蚂蚁算法.该算法主要包括全局搜索、局部搜索和信息素强度更新规则.在全局搜索过程中,利用信息素强度和启发式函数确定蚂蚁移动方向.在局部搜索过程中,提出了基于Delta势阱的量子搜索,以改善寻优性能,加快收敛速率.通过实例验证表明了该算法的有效性.     

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.     

Steiner最小树问题的量子蚁群算法

Steiner最小树问题是组合优化中一个经典的NP难题,本文在蚁群算法的基础上结合量子计算提出一种求解欧氏Steiner最小树问题的量子蚁群算法.将量子比特、量子逻辑门以及Grover量子算法引入到蚁群算法中去,有效提高了算法的全局搜索能力,搜索速度也有显著的提高.一系列数据实例计算与比较表明,量子蚁群算法较蚁群算法在Steiner最小树问题的求解上具有更好的性能.     

量子遗传算法及在模糊控制器参数优化中的应用

提出了一种基于实数编码的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异。针对量子旋转门的旋转角方向的选择,提出了一种简易快捷的新方法。基于适应度函数的梯度信息,构造了旋转角大小的计算公式。该方法将每一量子位的两个概率幅,看作上下两个并列的基因,每条染色体包含两条并列的基因链,每条基因链代表一个优化解。在染色体数目相同时,可显著加速优化进程,提高获得全局最优解的概率。模糊控制器参数优化问题的仿真结果表明,该方法在搜索能力方面明显优于普通量子遗传算法。     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

模糊机会约束规划的混沌量子蚁群算法及收敛性

模糊机会约束规划因其非线性、非凸性及模糊性,对经典的优化理论提出了极大的挑战.设计了一种基于模糊模拟的混沌量子蚁群算法,为解决复杂的模糊机会约束规划问题提供了有力的工具.算法中每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特,采用随机干扰离散量子交叉,进行高斯量子变异,为量子旋转门更新设计基于梯度的转角计算方法.在每次迭代的当前全局最优解附近使用混沌量子搜索,搜索范围随迭代次数而逐渐减小,因而在初期能防止陷入局部最优,后期能提高搜索精度.证明了该蚁群算法的收敛隆.数值案例研究验证了该算法的有效性、稳定性及准确性.     

一种量子磷虾群融合算法及其应用

针对磷虾群算法和量子进化算法的缺陷,提出了一种量子磷虾群融合算法(quantum krill herd fusion algorithm,QKH)。该算法通过采用双链实数编码量子磷虾位置,加快收敛速度,避免量子观测的随机性和复杂性;通过利用动态调整的量子磷虾群旋转门更新磷虾位置,提升收敛精度,提高量子旋转相位的确定效率;通过改进的量子全干扰交叉策略,避免算法陷入局部最优,提升优化效率。通过经典测试函数验证了所提算法的优势。建立了QKH-BPNN空调负荷预测模型,仿真结果表明：该模型具有更好的准确性和稳定性。     

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。     

基于量子遗传算法的正规模糊神经网络控制器设计

针对模糊神经网络控制器通常涉及的参数较多,反传播算法难于收敛的问题,提出了一种优化设计正规化模糊神经网络控制器的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异,将量子位的概率幅看作两个并列的基因,因此每条染色体包含两条并列的基因链,在染色体数目相同时,可提高获得全局最优解的概率。对控制器参数随机编码建立初始群体,利用量子遗传算法进行参数优化。实验结果表明该方法是有效的。     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题, 提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法。首先,在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上, 通过增加对量子态的约束条件, 将其应用于在线的量子状态估计中, 将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题。其次,通过将待优化问题的求解分解成两个凸优化子问题,一个是基于在线卡尔曼滤波算法求解无约束条件下的量子测量更新问题, 另一个是利用量子约束条件信息, 通过求解矩阵投影问题来获得估计状态。最后,将所提算法应用到4量子位系统状态的在线估计数值实验中, 进行了性能对比实验。实验结果表明, 所提算法具有更优的在线状态估计精度, 并且能够以更少的采样次数和耗时, 实现较高精度的量子状态在线估计。     

Membrane-inspired quantum shuffled frog leaping algorithm for spectrum allocation

To solve discrete optimization difficulty of the spectrum allocation problem,a membrane-inspired quantum shuffled frog leaping(MQSFL) algorithm is proposed.The proposed MQSFL algorithm applies the theory of membrane computing and quantum computing to the shuffled frog leaping algorithm,which is an effective discrete optimization algorithm.Then the proposed MQSFL algorithm is used to solve the spectrum allocation problem of cognitive radio systems.By hybridizing the quantum frog colony optimization and membrane computing,the quantum state and observation state of the quantum frogs can be well evolved within the membrane structure.The novel spectrum allocation algorithm can search the global optimal solution within a reasonable computation time.Simulation results for three utility functions of a cognitive radio system are provided to show that the MQSFL spectrum allocation method is superior to some previous spectrum allocation algorithms based on intelligence computing.