一种用于函数优化的量子克隆算法

为了解决传统量子进化算法用于复杂函数优化易陷入早熟和收敛速度慢等问题,将克隆算子引入到量子进化算法中,提出了一种新型的进化算法一量子克隆算法.该算法既借鉴了量子进化算法的高效并行性又利用克隆算子增加种群的多样性.提高了算法在解决函数优化问题的全局寻优能力.仿真结果表明,该算法优于传统的量子进化算法,较好地解决了复杂函数的优化问题.     

改进的双链量子遗传算法在图像去噪中的应用

针对传统双链量子遗传算法收敛速度慢、搜索精度低、鲁棒性差等不足,提出一种F型双链量子遗传算法(F_DCQ-GA).对编码空间进行单值映射处理,在保证量子种群适应度值与相应幅角排序单调性的前提下,缩小算法的搜索空间,增加搜索密度;在量子更新时引入自适应步长因子,使步长随目标函数在搜索点处梯度的变化而变化,有效解决了传统寻优算法普遍存在的全局最优解搜索困难的问题;在染色体变异更新时提出了π/6门,克服了原来非门变异无法更新量子比特概率幅的缺点.将F_DCQGA优化算法应用于小波阈值去噪的阈值选择机制中,通过仿真证明F_DCQGA优化算法提高了小波阈值函数的收敛速度和搜索精度,在图像边缘特征提取中可以获得更小的均方误差(S_(ME))和更大的峰值信噪比(R_(PSN)),同时又保留了大部分高频信息.     

基于改进量子进化算法的作业车间调度研究

针对作业车间调度问题,以最大完工时间最小化为优化目标,提出了跳跃基因量子进化算法(JGQEA).该算法在量子进化算法的基础上引入跳跃基因算子,同时采用动态调整量子旋转角策略以提高算法的搜索能力.通过仿真实验验证了算法的有效性,结果表明JGQEA优于QEA等几种进化算法.     

融合蜂群行为的量子进化算法

为提高量子进化算法的收敛精度和收敛速度,以人工蜂群算法为基本进化框架,提出一种融合蜂群行为的量子进化算法. 将采用相位编码的量子进化种群划分为量子开采种群、量子跟随种群以及量子侦察种群,在每个种群内模拟蜜蜂觅食行为寻优,其中量子开采种群采用混沌扰动搜索,量子跟随种群采用柯西变异操作进化. 同时对所有种群个体采用量子染色体的两步旋转更新方法,并进行自适应的动态变异操作. 利用基准测试函数进行仿真,与相关方法对比分析可知,所提出的算法在大部分的函数上都表现出较好的性能,能有效提高全局收敛性能.     

基于改进量子进化算法的作业车间调度研究

针对作业车间调度问题,以最大完工时间最小化为优化目标,提出了跳跃基因量子进化算法(JGQEA)。该算法在量子进化算法的基础上引入跳跃基因算子,同时采用动态调整量子旋转角策略以提高算法的搜索能力。通过仿真实验验证了算法的有效性,结果表明JGQEA优于QEA等几种进化算法。     

自适应混沌量子克隆算法

针对传统进化算法的早熟和收敛速度慢等瓶颈问题,提出了自适应混沌量子克隆算法．算法中采用量子编码来表示个体,利用个体质量、进化代数和个体的分布情况构造变异算子,针对克隆算子局部寻优能力强的特点,通过logistic混沌序列自适应地调节变异尺度,提高种群多样性,避免盲目搜索．对函数优化问题的仿真实验表明:本算法求解精度高,均方差小于10-7;运算次数小,平均运算代数在10代以内就能获得高质量的解．     

量子蚁群算法求解多任务联盟问题

针对蚁群算法在求解多任务联盟问题(multi-task coalition problem,MTCP)时存在的求解精度不高、迭代次数多的不足,利用量子计算的并行性,提出了一种求解多任务联盟问题的量子蚁群算法.首先,利用量子叠加态给出了基于Agent的量子编码,使1个Agent能占据空间中的2个位置;其次,为使旋转角获得合适的大小和方向,提出了一种基于信息素的自适应修正旋转角调整策略;最后,通过对量子编码进行观测,给出了基于量子态的蚂蚁寻优策略.实验结果表明,与已有的算法相比,该算法不仅能获得更高质量的解,而且收敛速度也有显著的提高.     

基于云量子进化算法的SOC测试规划研究

为克服传统量子进化算法中,迁移操作和量子门单一方向更新操作易陷入局部最优解的缺陷,借鉴云模型云滴的随机性和稳定倾向性特点,提出了一种新的云量子进化算法,该算法在量子进化算法基础上,由云模型的X、Y条件云发生器加入杂交操作,由基本云发生器加入变异操作.并将云量子进化算法用于解决SOC测试时间与测试功耗协同优化.最后用国际标准电路ITC'02 Test Benchmark进行实验仿真,与已有算法相比,云量子进化算法能够更好地缩短SOC测试时间、提高SOC测试效率.     

基于免疫量子算法的多用户检测技术研究

基于免疫算法和新的遗传量子算法,在码分多址通信系统中提出了一种解决多用户检测问题的进化计算方法--免疫量子算法(IQA).在IQA中,随机Hopfield神经网络被用于制作疫苗去提高IQA的收敛速度.另外,IQA为随机Hopfield神经网络提供良好的初始解会提高制作疫苗的性能,进一步改善每一代中量子种群中的适应度.通过在DS-CDMA系统进行Monte Carlo仿真,IQA算法的有效性和可行性被证实.仿真结果表明所提的IQA检测器的误码率性能优于其他的次优检测器,接近于最优检测器的理论下限.     

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,对它们进行比较,阐明了二者的不同特点,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。     

基于双链量子遗传优化的分类规则挖掘算法

针对采用传统智能优化算法挖掘分类规则时易出现分类精度不理想、噪声容忍度差等情况,提出一种基于双链量子遗传优化分类规则挖掘算法.采用双链量子位对分类规则进行实数编码,通过解空间变换将量子位概率幅映射到相应实数集,根据目标函数梯度变化确定量子旋转门转角,并利用量子非门进行个体变异.选取UCI数据库中9组分类数据集对所提出算法分类性能进行测试,结果表明,所提出算法具有较好的分类精度和噪声容忍度.     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

一种基于量子染色体的遗传算法

将进化理论和量子理论结合,提出一种基于量子计算概念和理论的量子遗传算法．算法借鉴量子比特的叠加性。采用量子编码来表征染色体,能够表示出许多可能的线性叠加状态．模拟量子坍塌的随机观察可带来丰富的种群,量子染色体的进化也能够简单方便地引导进化．因此,它比传统遗传算法具有更好的种群多样性。更快的收敛速度和全局寻优的能力．从理论上证明了它的全局收敛性,仿真计算也表明了此算法的优越性．     

量子遗传算法在目标分配上的应用

量子遗传算法是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性.目标分配问题是一种典型的NP难问题,传统的方法在求解此问题时很容易陷入局部最优.本文利用量子遗传算有效地解决了目标分配最优化的问题,数值模拟表明量子遗传算法在该类问题中具有效性和可行性.     

基于量子比特遗传算法的外商对华投资项目优选

将进化论与量子理论结合,提出一种基于量子计算概念的关于外商对华投资的量子遗传算法。算法借鉴量子比特的叠加性,采用量子编码能表征更多的染色体叠加状态,模拟量子坍塌的随机观察可带来种群。量子染色体的进化能够简单方便地引导进化。应用仿真结果表明,量子遗传算法具有全局寻优能力强、收敛速度快和计算时间短的优越性。     

地球物理资料非线性反演方法讲座（八）——量子遗传算法

虽然线性反演理论目前已经相当成熟,但由于其方法本身比较依赖初始模型,而且容易陷人局部极小,在实际应用中常常显得“力不从心”。量子遗传算法QGA（Quantum Genetic Algorithm）以量子理论为基础,通过量子位编码和量子旋转门更新种群来寻找全局最优,加快了搜索速度,具有更强的全局寻优能力。通过对量子遗传算法内在机理的分析表明,QGA的寻优质量和效果明显优于传统遗传算法。     

连续函数寻优的改进量子扩展蚁群算法

针对扩展蚁群算法收敛慢,且容易陷入局部最优的缺点对扩展蚁群算法提出改进策略.引入量子比特表示蚂蚁位置以增加解的多样性;采用量子非门实现蚂蚁位置的变异以避免蚂蚁陷入局部最优;引入量子旋转门和高斯核概率密度函数结合更新蚂蚁携带的量子比特,利于在连续空间寻优;根据解的重要性改进解存储器中每个解的权值以提高解的方向性,快速获得最优解.通过对多个二维和多维连续函数的对比仿真实验验证了算法的有效性.