基于二进制编码QPSO算法的移动机器人路径规划

在分析量子粒子群算法的基础上,针对离散搜索空间的问题,提出了二进制编码的量子粒子群算法.在算法中,重新定义了粒子的位置距离矢量,调整了搜索空间的迭代方程,并引入了多点交叉和精英保留的策略,保证全局收敛的同时加快粒子的收敛速度.并使用De Jong's测试函数对本算法和二进制粒子群算法进行了比较,最后使用二进制编码量子粒子群算法对机器人路径规划进行了仿真实验.     

函数优化的量子蝙蝠算法

基于量子进化算法和蝙蝠算法,提出一种新型优化算法——量子蝙蝠算法。该算法采用量子位对蝙蝠的位置进行编码,用量子旋转门实现对蝙蝠最优位置的搜索,用量子非门实现蝙蝠的变异以避免早熟收敛。通过对典型复杂函数的实验和与其他算法的比较,结果表明,该算法能够有效避免局部最优,全局寻优能力强。     

航空发动机性能仿真的分群量子粒子群算法

针对传统迭代方法求解航空发动机模型非线性方程组存在受初值影响不易收敛的问题,采用量子粒子群算法求解.为解决算法的局部收敛现象,设计一种分群量子粒子群算法:将种群分为多个分群,每个分群在各自全局极值的引导下搜索解空间不同区域,并对精英解集定期更新.对测试方程组的求解表明分群机制能有效提高量子粒子群算法的搜索性能和收敛速度.运用改进算法对某型混合排气涡扇发动机模型进行仿真求解,得到了满意的结果.     

量子协同免疫算法用于SAT问题的求解

根据协同策略和量子免疫计算理论,提出一种求解SAT问题的量子协同免疫算法。该算法在将SAT问题转化为函数优化问题的基础上,采用多个子种群。分别采用量子比特编码来表达个体,采用通用的量子旋转门策略演化个体,采用量子交叉操作阻止早熟收敛;各种群独立演化,同时引入量子协同理论,采用协同算子使得算法的搜索效率更高。实验采用标准SATLAB库中的3 700个不同规模的问题对算法进行测试,并与简单克隆选择算法、量子遗传算法、量子免疫克隆选择算法进行比较。结果表明,量子协同免疫算法的平均成功率最高,平均运行时间和平均评价次数最少。     

基于相位编码的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题, 提出一种适合连续优化的量子蚁群算法. 该方法直接采用量子位的相位对蚂蚁编码. 首先基于信息素强度和可见度构造的选择概率, 选择蚂蚁的前进目标; 然后采用量子旋转门更新描述蚂蚁位置的量子比特, 完成蚂蚁移动; 采用Pauli-Z 门实现蚂蚁的变异增加位置的多样性; 最后根据移动后的新位置完成蚁群信息素强度和可见度的更新. 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. 以函数极值优化和聚类优化为例, 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蚁群算法和标准遗传算法.     

一种新型自适应混沌粒子群算法在联盟运输调度问题中的研究

提出了一种新的自适应混沌粒子群优化算法.该算法在运行过程中根据群体适应度方差和最优解的大小确定当前最佳粒子引入混沌搜索有效位置的概率,有效结合粒子群全局和混沌局部搜索,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决联盟运输调度问题,实验结果表明该算法具有较好的性能.     

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.     

基于量子遗传算法的滤波器参数优化

针对传统模拟滤波器设计对于较为复杂的目标需求往往精度与效率均较差的问题,提出一种基于量子遗传算法(quantum genetic algorithm,QGA)的模拟滤波器优化设计方法。量子遗传算法是量子计算理论与进化理论相结合的产物,同传统遗传算法(classical genetic algorithm,CGA)相比具有种群多样性好、收敛速度快和全局寻优能力强的特点。引入QGA算法对滤波器参数进行寻优。通过采用自适应的量子旋转角调整策略并引入量子交叉、变异及群体灾变操作,提高了算法的搜索效率,降低了算法出现早熟的可能性。实例计算表明了算法在该类问题中的有效性和可行性。     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

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.     

求解零等待流水线调度问题的离散磷虾群算法

针对最小化最大完工时间零等待流水车间调度问题，设计了一种离散磷虾群优化算法进行求解。根据优化问题特性，定义了算法中虚拟食物的计算方法，规定了虚拟食物影响下磷虾个体之间的交叉规则；提出了个体间的距离计算方式，从而可以界定邻域范围实现个体信息交流；进一步采用交换、逆序、插入等策略来提高算法的局部搜索能力，同时借助多种初始化策略来提高初始种群的质量和多样性。通过典型算例的仿真测试和对比，验证了所设计算法的有效性和鲁棒性。     

渐近式Bloch球面搜索的量子遗传算法及其应用

为了进一步加快搜索速度,提高优化效果,提出了一种渐近式Bloch球面搜索的量子遗传算法.在该算法中,首先采用Bloch球面坐标对量子染色体进行编码,然后基于最小二乘法理论,构建了量子染色体的更新策略,建立了量子旋转门角度大小和方向的公式,最后构造了变异操作中相位公式.将本文算法应用于多变量函数极值优化问题进行验证.实验结果表明,该算法不仅具有较好的种群多样性和随机性,而且还具有进化代数少、收敛速度快和优化效率高等优点.     

Learning algorithm and application of quantum BP neural networks based on universal quantum gates

A quantum BP neural networks model with learning algorithm is proposed. First, based on the universality of single qubit rotation gate and two-qubit controlled-NOT gate, a quantum neuron model is constructed, which is composed of input, phase rotation, aggregation, reversal rotation and output. In this model, the input is described by qubits, and the output is given by the probability of the state in which （1） is observed. The phase rotation and the reversal rotation are performed by the universal quantum gates. Secondly, the quantum BP neural networks model is constructed, in which the output layer and the hide layer are quantum neurons. With the application of the gradient descent algorithm, a learning algorithm of the model is proposed, and the continuity of the model is proved. It is shown that this model and algorithm are superior to the conventional BP networks in three aspects： convergence speed, convergence rate and robustness, by two application examples of pattern recognition and function approximation.     

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。     

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。     

自适应分组量子衍生蛙跳算法

为提高传统蛙跳算法的优化能力,基于组内平均目标函数值实施动态分组,采用多量子比特概率幅实施个体编码,基于组内最优蛙和组间最优蛙确定旋转角度,采用基于张量积构造的多比特量子旋转门实施组内最差蛙的更新.标准函数极值优化的实验结果表明,该算法的单步迭代时间较长但优化能力较传统蛙跳算法约有两个数量级的提高,从而表明提出的分组策略和编码方法切实能够提高传统蛙跳算法的优化能力.     

基于Hammerstein-Wiener模型的广义预测控制

提出了一种新型的基于Hammerstein-Wiener模型的广义预测控制策略。采用基于最小二乘支持向量机的Hammerstein-Wiener模型描述非线性系统动态特性,作为被控对象预测模型。同时,针对现有遗传算法和混沌粒子群优化算法收敛速度慢和精度低等缺点,给出一种拟牛顿信赖域混沌粒子群混合优化算法,作为预测控制的滚动优化策略,函数测试和非线性对象的广义预测控制的滚动优化表明该算法的优越性。最后,对设计的预测控制器进行实例仿真,结果表明它能满足系统实时稳定运行的需求,取得了良好的控制效果。