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。     

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。     

基于统计特性的蝙蝠算法在认知无线电频谱分配中的应用

针对当前图论频谱分配模型下寻找最优解困难,容易陷入局部最优等问题,将蝙蝠算法引入到认知无线电频谱分配中,并利用图论频谱分配模型的特点,对二进制蝙蝠算法进行改进,以达到更好的效果。首先,将蝙蝠算法的选择策略改为贪婪选择,增强了蝙蝠算法在当前位置的开发能力。其次,统计种群中各蝙蝠经历的最好位置的分布情况,利用蝙蝠位置的统计特性指导蝙蝠寻优,加快算法的收敛速度。最后,在局部搜索时,直接在离散域操作,减少实数到二进制的映射,缩短搜索时间。仿真结果表明,本文算法在效益优于过去的算法的情况下收敛速度更快。     

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。     

求解复杂系统可靠性冗余问题的量子萤火虫算法

针对复杂系统中冗余优化设计难度大、可靠度和系统成本难以达到既定要求的问题,提出了一种量子萤火虫算法。该算法将量子理论与萤火虫算法有效融合,通过采用量子位实数编码和量子旋转门的方式,扩展了萤火虫的寻优空间,使算法的全局搜索能力和搜索效率得到提高,利用量子旋转门使量子态|0〉和量子态|1〉进行有效转换,避免了萤火虫在领域半径内大面积聚集的现象,防止了算法过早陷入局部最优值。通过基准函数和典型算例对该算法进行仿真测试和对比分析,实验结果验证了该算法的有效性和可行性。     

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。     

带时间窗车辆路径问题的量子蚁群算法

带时间窗的车辆路径问题(VRPTW)是VRP的一种重要扩展类型, 是组合优化中的一个NP难题, 针对蚁群算法在求解VRPTW问题时易陷入局部最优和收敛速度慢的问题, 本文结合量子计算提出一种求解VRPTW的量子蚁群算法(QACA). 通过定义人工蚂蚁的转移概率, 增加量子比特启发式因子, 以及用量子旋转门实现信息素更新, 从而提高算法的全局搜索能力, 有效避免了算法陷入局部最优. 经一系列VRPTW的仿真实验表明, 量子蚁群算法较蚁群算法在求解VRPTW问题上具有更好的性能, 通过与其他算法的比较, 进一步说明量子蚁群算法是可行有效的.     

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。     

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.     

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.     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

求解期末亏损最小对冲问题的交叉熵蝙蝠算法

针对不完全金融市场里期末亏损最小对冲问题,将基于方差最小化、重要性抽样和Kullback-Leibler距离的交叉熵随机优化算法嵌入到基于仿生学的蝙蝠算法中去,充分发挥交叉熵方法的随机性、自适应性和鲁棒性,有效抑制蝙蝠算法的早熟收敛现象。标准测试函数的测试结果表明,新算法与标准的粒子群优化、遗传算法、蝙蝠算法和交叉熵优化算法相比具有更好的寻优效率。模拟和实证结果都表明,新算法用来寻求最优对冲策略是可行有效的。     

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.     

基于量子空间的蚁群算法及应用

针对蚁群算法收敛速度慢,容易陷入局部极值的缺点,提出将量子进化算法与蚁群算法相融合的新算法。在该算法中,蚂蚁当前位置用量子比特的两个概率幅表示,与普通蚁群算法相比,个体数量相等时,新算法的搜索空间将加倍,同时用量子非门来实现变异操作,相比传统算法,在寻优过程中具有更好的种群多样性并有效克服了蚁群算法的早熟及停滞现象。将此算法用于图像分割,实验结果表明,该方法有效解决了蚁群算法收敛速度慢和容易陷入局部极值的问题,而且在分割速度和精度上得到了较大提高。     

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。     

广义优先关系约束下项目资源均衡的改进蝙蝠算法

针对带有广义优先关系的项目资源均衡问题,设计了一个改进的蝙蝠算法.改进了蝙蝠位置和种群的更新机制,提出了新的进度计划编码,解码和局部改进方法.利用正交试验设计探讨了算法参数设置.基于公开的基准数据集,通过大规模计算实验验证了所提算法的有效性.对于活动数量不超过50个的中小规模项目,所提算法可在1 s内求得接近于最优解的满意解;对于活动数量多达1 000个的大规模项目,求得满意解的时间不超过5 min;当项目截止日期较长时,所提算法优于目前最好的元启发算法.     

双尺度变异离散粒子群算法求解背包问题

针对传统离散粒子群算法求解背包问题早熟收敛、精度低等缺点提出一种解决背包问题的双尺度变异离散粒子群算法.利用对当前最优解进行双尺度速度变异,可以实现提高算法局部最优解搜索能力的同时,保持算法的全局搜索能力和逃出局部极值的能力.在算法初期利用粗尺度速度变异可使粒子快速定位到最优解区域,算法后期则通过逐渐减小的细尺度变异可提高算法最优解的精度.粒子位置初始化过程中,把采用贫心策略所得的结果作为一个粒子的初始位置.将改进算法与其他算法比较证明该算法不仅能够有效解决其他算法搜索能力差的问题,同时还提高了最优解的精度和收敛速度.     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

一种无特征分解的快速子空间DOA算法

基于子空间正交特性的MUSIC算法具有优良的超分辨性能,但由于其需要对空间协方差矩阵进行特征分解,因而计算量比较大。为了降低计算复杂度,提出一种快速子空间算法。该方法利用信号特征值大于噪声特征值的特性,通过对空间协方差矩阵的高阶次幂或者空间协方差矩阵逆的高阶次幂来逼近信号子空间或者噪声子空间,从而避免了特征分解。获得噪声子空间后再采用MUSIC算法实现波达方向估计。仿真结果表明,该方法减少了计算量同时能够达到MUSIC算法的估计性能。