量子进化算法在BP网络模型优化中的应用

BP网络的研究多年来主要集中于网络的结构与参数优化上,却忽略了对训练过的BP网络模型本身的优化.针对上述问题,提出了一种解决BP网络模型优化的量子进化算法.通过裙座锻造结构参数优化设计实例,表明量子进化算法较好地实现了BP网络模型的优化设计,可有效解决实际工程的优化问题.     

基于改进量子进化算法的图像水印算法

针对经典量子进化算法及其在图像水印算法中的应用有嵌入容量较小等问题,提出了一种基于改进量子进化算法的图像水印算法,对经典量子进化算法作了两方面的改进,一是将表示量子染色体的量子比特概率幅修改为量子角,并在此基础上对量子旋转门旋转策略作了相应的修改;二是子群优化,每个子群相对独立地执行量子进化算法.实验结果表明:改进后的算法不但简化了量子染色体的表达,还依靠子群优化达到了算法并行性优化的目的,嵌入点的选择与嵌入策略也使得算法有较大的嵌入容量,该算法产生的含水印图像有较高的视觉质量且鲁棒性好.     

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。     

基于改进量子进化算法的稀疏特征提取方法

特征提取是进行模式识别的关键环节,利用稀疏分解将信号表达为具有一定结构特征的原子组合,为提取信号内部特征信息提供了一种有效途径.本文提出基于改进量子进化算法的稀疏特征提取方法,利用改进量子进化算法的并行性和全局搜索能力,使信号在过完备的原子库上实现快速精确的稀疏分解.对过完备的原子库进行量子比特概率幅编码,通过量子比特的交叉进化-变异操作更新原子库,以信号残差与原子的内积作为量子进化目标函数,筛选出最具信号结构特征的原子,凭借稀疏重构实现信号的特征提取.仿真信号和故障轴承振动信号的稀疏特征提取结果表明了所提方法的有效性和优越性.      

概率门量子进化算法

量子进化算法(QEA)比传统进化算法(EA)有更好的种群多样性和全局寻优能力，但它采用概率操作过程，具有随机性和盲目性．将量子进化算法中的旋转门以概率门代替，在概率分析及实例验证的基础上，说明概率门量子进化算法(PGQEA)能使得对种群选取过程控制在全局优化的方向下，并且能更快地收敛于最优解。     

混合量子进化算法及其在多用户检测中的应用

将量子进化算法(QEA)和粒子群算法(PSO)互相结合,提出了两种混合量子进化算法.通过对多用户检测问题的求解表明,新的算法不仅操作更简单,而且全局搜索能力有了显著的提高.     

城市配送末端节点布局双层规划模型及算法

在对上海城市配送末端节点现状调查分析的基础上建立了城市配送末端节点布局双层规划模型,其中,上层规划模型从规划者的角度使整个系统最优,下层规划模型从客户的角度综合考虑末端节点到客户距离、末端节点的服务价格和服务质量等3个方面主要因素使客户系统最优.利用反应函数设计了启发式求解算法.将上海徐家汇街道作为研究区域进行实例分析,结果表明:模型及算法能解决城市配送末端节点布局问题.     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于量子进化算法的演化ANFIS模型及其应用

利用量子进化算法对自适应模糊推理系统进行建模,从而利用自适应模糊推理系统和量子进化算法的两方面的优点来对种群结构进行优化,从而达到优化整个模糊推理系统的目的。通过仿真实例,将结合量子进化算法与自适应模糊推理系统分别应用于单输入单输出的模糊系统、多输入单输出模糊系统和多峰非线性模糊推理系统中,通过训练数据和测试数据得出性能的寻优跟踪路径及误差曲线进行比较。实验数据对比表明,ANFIS的缺点是精度低,GA-ANFIS的缺点是训练时间过长,而QEA-ANFIS主要摒弃了ANFIS训练的精确度上述两个系统的明显缺陷,既提高了精度又缩短了训练时间。     

一种正交量子进化算法

提出一种基于正交试验设计的量子进化算法.通过正交试验设计方法找到最有效的优秀个体知识组合,利用基于正交试验因素分析的约束修补算子对知识组合进行修补,并将获得的知识组合作为量子群体的吸引子.同时,采用正交试验结果动态调节量子更新转角大小,使得量子更新更简洁且具有自适应学习能力.Rastrigin和Ackley函数优化和0-1背包组合优化实验表明:该算法缩短了量子寻找到最佳知识组合的时间,降低了计算成本,提高了算法精度.     

基于启发式变异的改进演化规划算法

常用的演化规划算法(EP)的变异是基于固定的概率分布,鲁棒性较差.文中分析了变异算子对演化规划算法计算效率的影响,指出了Gauss变异、Cauchy变异和Lévy变异算子缺少启发式信息的不足,并据此设计了一种根据种群个体差异信息的启发式变异算子,用算子抽取的个体差异来更新变异步长,允许个体有机会在某些维数保持原状,只是进行部分维数上的变异.启发式变异算子能使演化规划算法更好地适应不同特点的连续优化问题,从总体上增强算法的鲁棒性.在求解多个Benchmark测试问题的数值实验中,基于启发式变异的改进演化规划算法比当前6种等概率分布演化规划算法有更快的收敛速度和更优的平均性能.     

采用群体统计学习的量子进化算法

针对传统量子进化算法采用精英个体作为吸引子,存在种群学习范围窄、优秀基因易丢失的缺陷,提出了一种采用群体统计学习的量子进化算法.该算法抛弃了传统量子进化算法中的精英保留策略,通过截断、比例、竞赛选择等方式对进化过程中优秀群体统计分析后构建整个种群的吸引子,避免了以单一个体为单位的学习方式,能较为全面地从整个优秀种群学习知识,并保留群体的优秀基因信息.同时,吸引子每代更新,避免了采用精英保留策略易陷入局部极值的问题.通过测试实验表明,提出的算法搜索精度和效率提高,收敛速度更快,算法综合性能提高.     

量子统计力学演化算法

将进化理论和量子统计力学理论相结合, 提出一种新的量子统计力学演化算法. 将整个遗传系统作为一个量子统计系统, 并借鉴量子信息论中量子比特的叠加性, 采用量子编码表征染色体, 使系统中的量子能够表示多种线性叠加状态. 算法类比量子统计力学中的相关概念, 定义了量子系统的能量和熵, 并利用量子系统中能量和熵竞争的模式系统地协调进化理论中选择压力和种群多样性间的冲突, 使算法在提高选择压力和维持种群多样性之间保持了适当的平衡, 可以快速的收敛到全局最优解. 实验结果表明, 该算法有较高的执行效率和求解能力.     

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。     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征，通过正态云发生器对量子粒子群优化算法（QPSO）进行改进，提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究，定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式，给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO，OPSO，CVCPSO，CMAQPSO 4种算法进行对比测试，实验结果表明，CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.