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。     

量子进化算法在机器人联盟问题中的应用

量子进化算法是一种新的基于量子计算的概率搜素算法,它采用量子比特来编码染色体,采用量子门对种群进行更新进化,具有较快的收敛速度和良好的全局寻优能力。机器人联盟问题是一个复杂的组合优化问题,本文运用量子进化算法对该问题进行算法设计与应用研究,设计了一种量子变异算子,并对算法参数进行了研究。仿真实验结果验证了量子进化算法的可行性与有效性。     

多目标优化量子进化算法及其在PID控制器中的应用

目前量子进化算法主要应用于单目标优化问题.本文结合量子进化算法和经典多目标优化算法中常用的非支配排序技术,提出一种解决多目标优化问题的多目标优化量子进化算法(Multi-objective Optimization Quantum Evolutionary Algorithm,MOQEA),并将其应用于PID控制器参数整定.经过实验证明,无论是解的质量还是解的分布均匀性,MOQEA都优于经典多目标优化算法NSGA-II.     

量子人工鱼群算法

融合量子计算与智能优化的新型高效优化算法层出不穷,成为现在优化算法研究的主流.为此,将量子计算引入到人工鱼群算法中,提出一种新型的量子进化算法———量子人工鱼群算法.该算法用量子计算的方法重新描述了人工鱼的行为,用量子比特对人工鱼进行编码,用量子旋转门实现人工鱼的更新操作,用量子非门进行人工鱼变异,从而实现了目标的优化求解.并分别以函数极值和TSP问题为例进行了仿真,验证了算法的有效性.     

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。     

混合量子算法在旅行商问题中的应用研究

针对旅行商问题(TSP)的特点提出了一种新的解码方式,结合了进化计算(EA)和微粒群算法(PSO)的思想,构造了独特的混合量子算法(HQA).为进一步提高算法的性能,构造了改进混合量子算法(IHQA).IHQA在更新个体时能够指导惯性权重进行动态变化,决定个体在下一代被吸引或扩散.经测试证明,两种混合算法均表现出强大的寻优能力,IHQA效率更高.     

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.     

用于高维函数优化的多智能体量子进化算法

基于智能体的竞争和学习能力、量子计算理论及生物进化策略,提出了一种新的优化方法——多智能体量子进化算法．一个智能体代表优化问题的一个可能解,所有的智能体都以量子染色体表示．该算法将智能体分布于多智能体网络环境中,智能体之间通过量子进化来实现竞争及学习,以提高个体的竞争能力．理论证明该算法具有全局收敛性．实验结果表明,该算法具有强的全局寻优能力及快速搜索能力。     

基于量子遗传算法的子空间拟合测向

针对子空间拟合算法对独立信源和相干信源求解过程中,多维搜索运算量大的问题,通过采用实数编码的量子位表示染色体和用量子旋转门更新量子位的方法,提出一种实数编码的量子遗传方法(RC-QGA)来实现加权信号子空间拟合(WSSF)测向,从而有效地降低传统算法的计算量.还研究了WSSF算法的一维解相干性能和二维波达方向(DOA)估计性能.实验仿真表明,RC-QGA方法在进化代数为10时就可以达到收敛,有效提高了传统遗传算法的收敛性能,并且具有计算量小和估计性能优良的特点.     

大学考试时间表问题的混合遗传算法求解

考试时间表问题是一类典型的组合优化问题,也是NP难问题。分析了大学考试时间表编排的特点,给出了一种解决考试时间冲突的自动生成考试时间表的可行时段-查找算法。为进一步解决时间间隔问题,将可行时段-查找算法嵌入到遗传算法中形成混合遗传算法。实验结果表明,本文提出的混合遗传算法能快速、有效的解决大学考试时间表问题。     

量子Fourier变换在实现Deutsch-Jozsa算法中的应用

提出利用量子Fourier变换解决Deutsch-Jozsa算法问题的观点.结合量子Fourier变换和Deutsch-Jozsa算法的量子电路,找到一种利用量子Fourier变换解决Deutsch-Jozsa算法新的量子电路,并考察该量子电路中各个线路的量子状态,结合算法对该量子线路的状态进行研究.结果表明:利用量子Fourier变换解决Deutsch问题,能够有效地提高运算速度,节省运算时间.     

库存不足条件下车辆路径问题及其遗传算法

探讨了库存不足条件下物流配送的两种常用配送策略,并就不同配送策略构建了相应的车辆路径问题数学模型。在模型的求解上引入遗传算法,并根据问题的特点,构造遗传算法求解该问题的步骤。最后通过算例实验,验证了模型的通用性与算法的有效性。     

基于混合算法求解指派问题

本研究建立了指派问题的数学模型,提出了以遗传算法和蚁群算法相结合的思想及其解决方案．算法主要是将每一个任务作为一个基因位形成染色体,以遗传算法控制寻优方向,更适宜解决组合优化问题．实验结果表明,使用此算法解决指派问题,提高了搜索效率,能够在短时间内找到最优分配方案,证明该算法是可行的．     

Solving traveling salesman problems using generalized chromosome genetic algorithm

Generalized chromosome genetic algorithm （GCGA） was proposed for solving generalized traveling salesman problems （GTSP） as reported in the authors＇ earlier work. Theoretically, the GCGA could also be used to solve the classical traveling salesman problem （CTSP）, which has not been reported by others. In this paper, the generalized chromosome characteristics are analyzed and the feasibility for consistently solving the GTSP and CTSP is verified. Numerical experiments show the advantages of the GCGA for solving a largescale CTSP.     

华容道、开窗等经典智力问题的求解算法研究

本文在前人对华容道、孔明棋、九宫拼图问题求解算法研究的基础上,针对这些经典智力问题的特点,利用广度优先和深度优先搜索思路设计算法,并对算法进行搜索减枝优化,设计出了一个相对优化的算法。对于开窗问题,本文通过对该问题规则的分析,设计出了一种效率较高的求解算法。通过使用C#语言编写程序实现算法以及软件的求解功能,经测试与运行证实了本文求解算法的正确性和有效性,并给出了算法的核心C#代码。     

改进遗传算法及其在矿山生产调度中的应用

基于多目标生产调度的特点和不足,从采掘运输成本和矿石品位两个角度出发,考虑矿石种类、铲位出矿量及卡车调度等因素,构建了多目标矿山生产调度模型.结合遗传算法解决多目标优化问题的优势,提出了基于改进遗传算法的矿山生产调度策略以及实现过程,并将改进前后遗传算法对模型的求解进行对比.模拟实验结果表明,运用改进遗传算法对矿山资源...     

A Hybrid Algorithm for Optimizing Multi-Modal Functions

0 IntroductionThmeo rsei m epxlteen gseivneeltiyc sailngcoeri itth mw(asSG pAro)p iosse adp pbliye dJ .mHor.eH aonl-dland[1]in 1970’s . SGAis an opti mization method based onpopulation by emulating the evolvement disciplinarian of thenature.It has showedthe great advantage of quick search foropti mal solutions while applied in the opti mization of single-modal functions . But as we know many problems in realitybelong to the opti mization of multi-modal function, and ifSGAis appliedto sol…