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.     

基于QPSO的图像分割算法

文章将具有量子行为粒子群优化(QPSO)算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用QPSO算法自适应选取分割阈值;仿真实验针对Lena图像分割问题,将标准粒子群优化(PSO)算法与QPSO算法分别独立运行,仿真结果表明,基于QPSO优化的图像分割算法不仅克服了PSO容易过早陷入局部最优值的缺点,而且分割速度更快,是一种更有效的分割方法.     

基于量子粒子群优化算法的Web服务组合问题

使用量子粒子群优化算法（QPSO）,将可能的web服务工作流执行路径看作粒子,按照QPSO算法进行进化,从而解决了基于服务质量（QualityofService,qos）~束的Web服务组合问题,此为解决Web服务组合问题提出了一种新的思路．实验表明,使用QPSO算法求解复杂web服务组合问题在组合时间上具有一定的优越性．     

基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO).该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理.仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高.     

基于混沌量子粒子群算法的置换流水车间调度

流水车间调度问题广泛存在于企业生产过程中,优化的调度方案可以提高企业生产效率,降低生产成本。提出了基于混沌量子粒子群优化算法并应用于求解置换流水车间调度问题,该算法在量子粒子群算法(QPSO)的基础上,引入了混沌机制,在保持QPSO算法收敛速度快的同时,利用混沌机制的遍历性,克服了QPSO易陷入局部极小值的缺点。同时提出了一种新的混沌变量到工件排序的编码方案,能够完整保留混沌的遍历性。仿真结果验证了所提出的新的调度算法能更好地探索更优解,同时不失去量子粒子群算法的收敛速度。     

具有随机扰动机制的改进QPSO算法及其应用

针对原始量子粒子群优化算法(QPSO)在面对复杂多模函数时容易出现早熟和收敛精度低的 情况,提出了一种具有随机扰动机制的改进 QPSO 算法(MQPSO)。在改进算法设计时,首先借鉴了遗传算 法中交叉算子的思想,并结合随机扰动操作,对单个粒子的历史最优位置和全局最优位置进行了重新设定, 以增强算法在迭代后期的收敛性能,同时维持种群的多样性;其次,对QPSO算法中的重要参数收缩-扩张因 子,进行了非线性调整,以提高算法的全局收敛速度和精度。 通过8个测试函数,将 MQPSO 算法与4个现有的改进算法从平均值、标准差和最好取值三个方面进行了对比;进而根据中国证券市场中 15 只股票的历史 数据,分别运用粒子群优化算法、量子粒子群优化算法、布谷鸟搜索、蝙蝠算法和 MQPSO 算法对一类具有最小最大风险的投资组合优化模型进行数值求解。实验表明:MQPSO算法无论在基准测试中还是在仿真应用上,其计算结果在收敛精度和稳定性方面均优于其他群智能算法。     

量子行为粒子群优化算法在几何约束问题上的应用

几何约束问题可以等价为求解非线性方程组问题,同时也可以将几何约束问题转化为一个优化问题来求解.受经典粒子群优化算法和量子动力学启发,提出一种新的算法——量子行为粒子群优化算法(QPSO)来求解几何约束问题.在QPSO模型里,粒子的状态不再通过位置和速度来决定,而是通过一个波函数来确定.这种算法的主要优点就是可以在感兴趣的问题上保持种群的多样性.实验结果表明,该方法可以提高几何约束求解的效率和收敛性.     

基于量子粒子群优化PI模型的主动队列网络拥塞控制

为了解决无线传感器网络拥塞引起的丢包率高和网络吞吐率过低,从而引起网络能量有效性和服务质量QoS降低的问题,提出了一种基于改进PI主动队列管理模型和量子粒子群(Quantum-behaved particle swarm optimization,QPSO)的拥塞控制方法.首先定义了改进的PI主动队列管理模型,然后为了对PI模型进行优化,采用改进的多种群量子粒子群算法对PI主动队列管理模型中的参数优化,并对该算法进行了描述,从而得到优化的PI控制模型.最后定义了多种群量子粒子群算法和PI主动队列模型对网络拥塞进行控制的具体算法.实验结果表明:该方法能有效实现WSN的拥塞控制,与其它方法相比,具有较低的数据丢包率和较大的网络吞吐率.     

求解带约束投资组合模型的量子粒子群算法

针对量子粒子群算法(QPSO)在迭代后期出现种群多样性缺失和容易陷入局部最优的问题,提出了一种基于交叉操作的改进算法;在改进算法中,考虑了粒子的历史最优位置和次优位置,用以扩大粒子的搜索范围;同时,将遗传算法的交叉操作运用到位置的更新中,以增加种群的多样性,进而提高算法的收敛性;在性能测试中,将改进算法与原始的量子粒子群算法、基于差分进化的QPSO和基于黑洞探索的QPSO在收敛精度和鲁棒性方面进行了比较;最后,运用改进算法对一类具有投资数量限制的投资组合问题进行了求解,并与遗传算法、粒子群算法和标准的量子粒子群算法的寻优结果进行了对比。     

果酒品质评价的自适应量子粒子群LS-SVM模型

针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。     

量子粒子群算法优化钢结构截面

传统的钢结构截面优化方法通常采用试算法,很难获得全局最优解。在经典粒子群算法的基础上,通过研究量子行为,提出了基于量子行为的粒子群算法,并将其应用于钢结构截面优化设计,详细描述了算法的原理和优化步骤,给出了钢结构截面优化数学模型,并对两个典型工程优化实例进行了实验验证。典型算例的截面优化结果表明:与PSO算法及传统试算法相比,该算法的优化结果最好,在满足工程要求的前提下,截面参数合理,截面面积最小,经济性得到了明显提高。     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

基于量子粒子群优化算法的PID参数控制

针对传统PID算法参数最优或接近最优确定较为困难,提出一种量子粒子群(QPSO)优化PID参数的算法,并用平方误差矩积分函数作为适应度判据,以克服PID算法自适应能力较差及遗传算法(GA)优化效率不高,其局部搜索能力较弱的缺陷。并使用伺服电动机数学模型进行仿真,结果表明量子粒子群优化PID参数速度快,避免早熟缺陷,同时表明了所提出算法的有效性和所设计控制器的优越性。     

认知无线网络中基于HJ-DQPSO优化的频谱分配机制

在认知用户和授权用户共存的认知无线网络模型中,为了解决认知无线网络中最大化网络效益和用户间接入网络的公平性联合最优化的多目标频谱分配难题,提出了一种新的基于 hooke jeeves（HJ）计算和量子粒子群（quantum particle swarm optimization,QPSO）理论的离散多目标组合优化机制,即 HJ-DQPSO 优化机制。该机制中,提出了采用 HJ 算法进行局部搜索,防止陷入局部最优,并对 QPSO 算法进行离散化处理以便更匹配离散的频谱分配模型。与现有的频谱分配算法进行仿真性能比较,实验结果表明,该机制具有逼近最优解、快速收敛、不易陷入局部最优、参数设置少的特点。在不同的优化目标情况下,能够较好地逼近频谱分配最优解而且可以实现快速收敛,在满足多个优化目标的情况下可以获得更合理的频谱分配方案。     

一种基于量子粒子群算法的模糊c-均值聚类

把QPSO算法与模糊c-均值（FCM）算法相结合提出一种混合模糊聚类算法（QPSO—FCM）,将FCM算法中基于梯度下降的迭代过程用新算法进行替代,能够在一定程度上克服FCM算法易陷入局部极小的缺陷,降低FCM算法的初值敏感度．通过典型的Wine的数据实验结果证明,改进后的新算法具有良好的收敛性,聚类效果也有一定的改善．     

云模型和混沌粒子群算法的多目标无功优化

为了克服基本粒子群算法易陷入局部最优值和后期收敛速度慢的不足,提出一种基于云模型的自适应粒子群算法。该算法首先采用混沌优化策略对粒子群进行初始化,增加粒子取值的多样性;其次根据粒子的适应度值将种群中的粒子分成靠近最优值、较靠近最优值和远离最优值3个子群,并分别采取不同的惯性权重生成策略进行处理,其中较靠近最优粒子子群的惯性权重由正态云发生器动态自适应调整,摆脱算法陷入局部最优值束缚;最后在迭代后期通过正态云算子实现粒子的变异操作,使算法后期快速收敛到最优解。对标准IEEE30节点系统和IEEE118节点系统进行测试仿真,结果表明了文中算法解决多目标无功优化的有效性。     

RAQPSO算法的云计算资源调度策略

在"互联网+"时代,云计算代表了一种新的商业模式,而云系统中用户任务与计算节点的调度问题极大地影响着系统的性能和云竞争力。为此,提出了一种改进的量子粒子群算法——反向自适应量子粒子群算法(RAQPSO),通过对惯性权值参数的调整和加入反向学习算子来提高算法的全局搜索能力,并将其应用于云计算资源调度中,仿真验证了算法的有效性。建立了云计算资源调度问题的模型;采用自适应机制,将适应度函数的变化程度作为惯性权值的更新因子,避免了单纯地根据迭代次数的线性函数来取值,从而使粒子不易陷入局部最优;随后加入粒子反向学习算子,加强了粒子全局搜索能力。实验结果表明,RAQPSO算法大大节约了任务完成时间,并且保持了良好的计算节点负载平衡。     

电力系统经济调度的量子粒子群改进算法

电力系统经济调度(economic dispatch,ED)通过合理配置电力资源,在满足实际运行约束的前提下,使发电成本率最小化。针对ED问题,将量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法与随机扰动策略相结合,提出了一种改进的随机扰动量子粒子群优化(QPSO with random perturbation,RPQPSO)算法。扰动策略采用2种方式,在进化后期根据随机概率对群中的每个粒子进行扰动,避免算法陷入局部最优。为了验证其有效性,利用一组标准测试函数对RPQPSO算法进行了性能测试,测试表明,该算法有助于增加种群多样性,提高算法的全局搜索能力。通过将该算法应用到典型电力系统中进行测试,该算法相较于传统遗传算法、粒子群算法和QPSO算法,在解的质量、鲁棒性和收敛性等方面都取得了较大的提高,表现出优异的求解性能。