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。     

NIQGA改进及基于可变角距离的新型量子进化算法

为了提高量子进化算法的执行效率,在NIQGA算法基础上,通过改进△θi和S(αi,βi)参数表提出了一种改进算法INIQGA.又通过引入量子比特间角距离定义,提出了一种基于可变角距离旋转的量子进化算法QEA-VAR,该算法采用旋转门操作进行种群进化时,依据当前染色体中量子比特|φ〉i与最优解对应基态| 0〉或| 1〉的...     

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。     

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.     

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.     

基于改进量子进化算法的末端配送任务动态分配模型

大多数物流快递企业的配送业务末端会按照固定的配送服务区进行配送任务分配,无法针对变化频繁、分布不均的动态配送需求进行合理的配送资源设置,造成了各个末端配送节点工作负荷不均衡的现象,并进一步导致了配送调度管理混乱等问题。针对末端配送任务分配问题建立了一种考虑配送成本,资源利用率以及工作量配比差异的配送任务分配模型,对量子进化算法进行改进。对此问题求解,提出采用量子群稳定度作为算法退出判定条件,来避免算法的早退与无效迭代问题,并引入量子变异与淘汰机制,加强了算法对可行解的搜索能力。实验结果表明,与按配送区进行分配的方案相比,算法给出的方案有效缓解了配送任务分配不均的现象,同时也有效降低了总体配送成本。相关模型和算法可以根据动态的配送需求合理地分配各个末端网点的配送任务,有助于配送业务的下一步配送路径优化和科学调度。     

基于人类进化算法的背包问题求解方法

背包问题是计算机算法中的一个NP完备类困难问题,使用传统的优化方法在求解较大规模的背包问题时,都存在计算量大、迭代时间长的缺陷．人类进化算法是模拟人类进化机理而建立的一种智能优化算法,本文阐述了人类进化算法的基本原理和实现方法．为提高背包问题的求解速度和精度,将人类进化算法应用于背包问题的求解,演示了算法的工作过程．试验结果表明,使用该方法求解背包问题是完全可行的和有效的,与众多优化算法相比,人类进化算法具有更高的求解效率．     

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.     

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.     

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.     

基于量子进化算法的批量生产问题

在现代制造业的供应链中,生产批量计划(Lot-sizing)问题是企业经济效益最大化的关键因素之一,其主要研究在给定批量产品的需求下,确定最佳的生产方案,使得制造成本、库存成本和调整成本的总和最小化或者利润最大化。近年来的群智算法如遗传算法和粒子群算法等为解决复杂的Lot-sizing问题提供了新途径,但是这些算法易陷入局部最优。为了获得全局,将量子算法融入经典进化遗传算法中,首先,运用量子理论中独特的概率幅和量子比特对计划产量的决策变量进行编码;然后在迭代过程中,通过动态调整量子旋转角度来控制基因的变异速度,保持最优个体的基因信息,以免陷入局部最优的陷阱。Lot-sizing问题的案例实证表明,与上述常见的群智粒子群算法相比,量子进化算法的求解精度更高、收敛速度更快,可以有效解决复杂多约束的Lot-sizing问题,提高企业的生产效率。     

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。     

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。     

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。     

基于进化规划的文化算法

讨论了基于进化规划的文化算法，阐述进化规划如何嵌入文化算法以及信念空间用区间约束网的表示．用9个非线性约束优化实例进行测试，结果表明，约束数目越多，信念空间对问题的解决所起的作用越明显．