基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

基于QPSO算法优化跳汰机排料系统的分数阶PID控制

针对传统PID控制在复杂跳汰机排料系统中控制精度不高、响应速度慢、参数调整不够精确等问题,提出了一种基于QPSO算法优化的分数阶PI~λD~μ控制器(QPSO-FOPID).该控制器利用分数阶微积分理论,将传统PID控制由整数阶次推广到复数阶次,并增加了两个参数的自由度.同时利用量子粒子群算法对分数阶PI~λD~μ控制器参数进行寻优,解决参数调整不精确的问题.以某矿井跳汰机排料系统为例,建立跳汰机排料系统控制的Simulink仿真模型.仿真结果表明,该方法不仅能够实现分数阶PI~λD~μ控制参数的在线优化,收敛速度快,具有较强的鲁棒性,还具有良好的动、静态性能,无超调现象,控制精度高.     

工程项目工期—成本—质量—安全水平综合优化研究

目前工程项目多目标优化的相关研究中,较少考虑工期、成本、质量等目标与安全水平之间的联系。针对这一不足,在分析工序安全水平影响因素的基础上,得到了成本—安全水平优化模型,并将安全目标引入工期—成本—质量优化模型,构建了工期—成本—质量—安全水平均衡优化模型。为了有效求解该型,引入了量子粒子群算法,结合工程实例进行模拟仿真,得到工期、成本、质量与安全水平的一系列 Pareto 解,并进行方案决策,结果表明得到的 Pareto 解集能为项目管理者的决策提供有效支持,量子粒子群优化算法在求解该模型方面是有效性的。     

基于QPSO训练支持向量机的人脸识别

遗传算法和粒子群算法等智能搜索技术可在较少的时间开销内给出问题的近似解.量子粒子群优化(QPSO)算法是在经典的微粒群算法的基础上所提出的一种高效的收敛性,稳定性的进化算法.将操作简单而收敛快速的QPSO算法运用于训练支持向量机(SVM),结合KPCA特征提取方法,用于人脸图像的分类识别中,为人脸识别问题的研究开辟了新的途径.     

基于量子行为粒子群优化-人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization, QPSO)的改进算法,用于优化人工神经网络(artificial neural network, ANN),实现电能质量(power quality, PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

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。     

一种基于QPSO优化的流形学习的视频人脸识别算法

视频场景复杂多变,视频采集设备不一致等原因,导致无约束视频中充斥着大量的遮挡和人脸旋转,视频人脸识别方法的准确率不高且性能不稳定.为解决上述问题,本文提出了一种基于QPSO优化的流形学习的视频人脸识别算法.该算法将视频人脸识别视为图像集相似度度量问题,首先帧图像对齐后提取纹理特征并进行融合,再利用带有QPSO优化的黎曼流形大幅度简约维度以获得视频人脸的内在表示,相似度则由凸包距离表示,最后利用SVM分类器获得分类结果.通过在Youtube Face数据库和Honda/UCSD数据库上与当前主流算法进行的对比实验,验证了本文算法的有效性,所提算法识别精度较高,误差较低,并且对光照和表情变化具有较强的鲁棒性.     

多圆碟形水下滑翔机的双层协调三维路径规划

本文研究了欠驱动圆碟形水下滑翔机集群在海流干扰和水下碍航物影响下的三维路径规划问题. 具体地: 第一, 根据圆碟形水下滑翔机的航行特点, 建立了相应的航行时间模型, 设计了三维路径规划的优化目标; 第二, 提 出了一种基于双层协调的多水下滑翔机三维路径规划结构, 采用基于三维离散空间的全局路径规划和基于人工势 场法的局部路径规划, 避免了滑翔机与碍航物以及不同优先级的滑翔机之间发生碰撞; 第三, 基于双层协调路径规 划结构, 采用基于量子行为的自适应粒子群优化方法完成了时间最优目标下多圆碟形水下滑翔机的三维路径规划. 仿真结果验证了所提多圆碟形水下滑翔机三维路径规划方法的有效性.     

改进量子粒子群算法的模糊神经网络水质评价

传统的粒子群算法训练神经网络的水质评价模型有学习速度慢,容易陷入局部最优和精确性不高的缺点。为了克服模型的缺点,提出了利用改进的自适应量子粒子群算法训练T-S模糊神经网络的新模型,新的自适应量子粒子群算法通过在算法中引入聚集度的概念,使得算法可以在迭代中自适应地调整收缩扩张系数,让算法更具动态自适应性。新的模型结合了量子粒子群算法和T-S模糊神经网络的优点,提高了模型的泛化能力。通过对东江湖流域站点2002到2013年的水文数据进行实验,结果显示,该模型比其他神经网络模型的评价结果具有更高的效率,适合被用于日常水质评价工作。