基于量子行为特性粒子群和自适应网格的多目标优化算法

为了能够找到更多真实的Pareto最优解和提高所求最优解的分布均匀性,提出了一种新型的基于量子行为特性粒子群优化和自适应网格的多目标量子粒子群优化算法.利用量子行为特性粒子群优化算法的寻优优势快速地接近真实的Pareto最优解,引入高斯变异算子增强搜索解的多样性.通过设置一个外部存储器保留搜索过程中找到的Pareto最优解,采用自适应网格法对外部存储器中最优解进行更新和维护操作,使得从中选择的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明所提算法具有更好的收敛性能和更均匀的分布性能.     

基于传感器测量系统的EIT重构算法研究

在传感器进行电位测量的电阻抗成像(EIT)数据采集系统的基础上,通过在粒子群搜索策略中引入量子行为特性,提出一种自适应量子粒子群算法,该算法提高了最优解搜索的成功率。应用于求解EIT逆问题,仿真实验结果表明:与粒子群算法相比,量子粒子群优化算法能有效克服粒子群优化(PSO)算法易出现的早熟收敛问题,收敛速度快,并且能够有效地提高图像分辨率。     

求解约束优化问题的一种新方法--基于量子粒子群优化算法

在用粒子群优化(PSO)算法求解约束优化问题时,处理好约束条件是取得良好的优化效果的关键。针对群体智能和约束优化问题的特点,提出了一种在每次迭代中有选择地保留一定数量不可行解的方法——DCFI(DirectChooseFixedInfeasiblesolutions)法,并把它结合到最近提出的量子粒子群优化(QDPSO)算法中。该算法可以利用保留下来的不可行解来帮助搜索靠近边界的最优解,同时又可以避免罚因子的选择问题。数值实验显示了该算法的有效性。     

求解旅行商问题的多尺度量子自由粒子优化算法

针对目前元启发式算法在求解组合优化问题中的旅行商问题(TSP)时求解缓慢的问题,受量子理论中波函数的启发提出一种多尺度自适应的量子自由粒子优化算法。首先,在可行域中随机初始化表示城市序列的粒子,作为初始的搜索中心;然后,以每个粒子为中心进行当前尺度下的均匀分布函数的采样,并交换采样位置上的城市编号产生新解;最后,根据新解相较上一次迭代中最优解的优劣进行搜索尺度的自适应调整,并在不同的尺度下进行迭代搜索直到满足算法结束条件。将该算法和混合粒子群优化(HPSO)算法、模拟退火(SA)算法、遗传算法(GA)和蚁群优化算法应用在TSP上进行性能测试,实验结果表明自由粒子模型算法适合求解组合优化问题,在TSP数据集上相比目前较优算法在求解速度上平均提升50%以上。     

带自适应感知能力的粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法。它利用可行性判断规则处理约束条件,更新个体最优解和全局最优解。通过为粒子赋予自适应感知能力,算法能较好地平衡全局和局部搜索,且有能力跳出局部极值,防止早熟。边界附近粒子的感知结果被用来修正其飞行速度以加强算法对约束边界的搜索。实验结果表明,新算法收敛速度快,寻优能力强,能很好地求解约束优化问题。     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

一种改进的粒子群优化算法

作为群体智能的代表性方法之一,粒子群优化算法(PSO)通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。提出了一种改进的粒子群优化算法(MPSO),该算法以广泛学习粒子群优化算法(CLPSO)的思想为基础,主要引入了选择墙的概念。同时在参数的设置中结合高斯分布的概念,以提高算法的收敛性。实验结果表明,改进后的粒子群算法防止陷入局部最优的能力有了明显的增强。同时,算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高。     

基于量子粒子群优化算法的车辆路径问题

针对粒子群优化算法的搜索空间有限、容易出现早熟现象的缺陷,提出将一种基于量子行为的粒子群优化算法用于求解车辆路径问题.车辆路径问题是组合优化问题中的NP-难问题.将量子粒子群算法用于车辆路径问题求解,用粒子的位置表示车辆路径,建立车辆路径的数学模型.与粒子群算法相比,量子粒子群算法提高了最优路径搜索的成功率,能更有效的求解问题.     

基于混沌机制的混合量子粒子群优化算法

针对量子粒子群优化算法在处理一般复杂函数时可以找到函数最优解但容易陷入局部极小等问题,提出利用混沌搜索解决早熟收敛的混合量子粒子群算法CODPSO。数值实验结果表明,与量子粒子群优化算法相比,该算法效率高、优化性能好,具有较强的避免局部极小能力,对初值具有较强的鲁棒性。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

QPSO算法在非线性观测器设计中的应用*

具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法是继粒子群优化算法(Particle Swarm Optimization,PSO)后,最新提出的一种新型、高效的进化算法.提出了运用QPSO算法设计的非线性观测器方法.该方法属于滚动时域估计方法,利用具有量子行为的粒子群算法优化获得系统状态的最优估计.仿真结果显示该方法对初始条件不敏感,具有很强的跟踪能力.     

基于向量求值的QPSO算法在多目标优化中的应用

在分析了VEGA和VEPSO解决多目标问题的基础上,研究了基于量子行为的微粒群优化算法(QPSO)解决多目标问题,并提出一种基于向量求值的QPSO多目标优化算法,即VEQPSO。在VEQPSO算法中改进了粒子的进化公式,通过典型的多目标测试函数所做的实验,验证了该算法解决多目标问题的有效性。     

基于动态邻域的QPSO算法

为了保证种群的多样性,提高算法的全局搜索能力,在具有量子行为的粒子群优化算法（QPSO）中引入邻域拓扑结构的概念,采用邻域结构中的轮形结构,提出一种基于动态邻域的具有量子行为的粒子群优化算法（NQPSO）。并用若干个标准函数进行测试,比较了NQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,NQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题上。     

混沌量子粒子群算法在模型修正中的应用

混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量,但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法,提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正,结果表明,混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力,修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。     

MQPSO: 一种具有多群体与多阶段的QPSO算法*

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.     

双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法

为解决粒子群优化（PSO）算法求解双层规划问题时易陷入局部最优解的问题,提出了一种基于模拟退火（SA）Metropolis准则的改进混合布谷鸟搜索量子行为粒子群优化（ICSQPSO）算法。首先,该混合算法引入SA算法中的Metropolis准则,在求解过程中既能接受好解也能以一定的概率接受坏解,增强全局寻优能力;接着,为布谷鸟搜索算法设计一种改进动态步长Lévy飞行,以保持粒子群在优化过程中较高的多样性,保证搜索广度;最后,利用布谷鸟搜索算法中的偏好随机游走机制帮助粒子跳出局部最优解。通过对13个涵盖非线性规划、分式规划、多个下层规划的双层规划实例的数值实验,结果表明：ICSQPSO算法所得12个双层规划的目标函数最优值显著优于对比算法,只有1例的结果稍差,并且有半数实例的结果优于对比算法50%。由此可见,ICSQPSO算法对双层规划的寻优能力明显优于对比算法。     

基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

用并行化的QPSO解决有约束的优化问题

采用粒子群系统的并行化的量子化模型提高全局搜寻能力，在解决约束问题时采用不固定的多阶段任务补偿函数以提高收敛性，并获得更准确的结果，提出了并行化的QPSO（PQPSO）算法。此算法在几个可信赖的基准函数中被测试，并且实验结果显示PQPSO的最优值和运行时间比QPSO和传统的PSO有很大的提高，而且运行所用的时间资源接近线性减少。     

多策略粒子群优化算法

为了克服粒子群优化算法易早熟、局部搜索能力弱的问题,提出了一种改进的粒子群优化算法--多策略粒子群优化算法。在群体寻优过程中,各粒子根据搜索到的最优位置的变动情况,从几种备选的策略中抉择出当代的最优搜索策略。其中,最优粒子有最速下降策略、矫正下降策略和随机移动策略可以选择,非最优粒子有聚集策略和扩散策略可以选择。四个典型测试函数的数值实验结果表明,新提出的算法比标准粒子群优化算法具有更强和更稳定的全局搜索能力。     

基于多种群的改进粒子群算法多模态优化

针对多模态函数寻优过程中开发与探索能力难以平衡的问题,提出一种基于多种群的改进粒子群算法（EMSPSO）。该算法在基于种群的粒子群算法（SPSO）的基础上改进了种群生成策略,通过在个体最优值中选择种子,将粒子群分为若干独立进化的种群,增强了算法收敛的稳定性;为了提高粒子的利用率、算法的全局搜索能力和搜索效率,引入冗余粒子重新初始化策略;同时为了防止算法在寻优的过程中遗漏适应度较优的极值点,对速度更新公式进行改进,使算法的开发与探索能力得到了有效的均衡。最后选用6个典型的测试函数进行对比实验,实验结果表明,EMSPSO具有较高的多模态寻优成功率与较优的全局极值搜索性能。