一种自适应多策略行为粒子群优化算法

针对粒子群优化算法收敛速度慢、局部搜索能力差等缺点,提出一种自适应多策略行为粒子群优化算法.算法中每个粒子拥有4种行为进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定粒子的进化行为,并通过策略行为概率变异算法提升个体寻优速度或避免陷入局部最优解.在经典的基准测试函数上,对新算法与其他7个群智能进化算法的测试结果进行比较分析,结果表明所提出算法具有很好的求解精度和收敛速度,尤其适合应用于一些高维优化问题.     

一种量子图像的中值滤波方案

中值滤波是经典图像处理中的基本滤波方法,然而在量子图像处理中相关模型尚不多见。为解决量子图像的中值滤波问题,该文提出了基于量子中值计算的新方法。该方法采用迭代比较的方法将目标像素排序,进而得到中值。文中首先介绍了实现中值滤波所需的各种基本模块的量子线路,然后重点介绍了中值计算的量子实现方法,最后给出了量子图像中值滤波的总体线路框架。复杂度分析表明该方法具有对经典算法的指数加速。经典计算机上的仿真结果验证了提出方法的有效性及可行性。     

基于量子衍生布谷鸟的脊波过程神经网络及TOC预测

为提高总有机碳含量(TOC)的预测精度,针对测井曲线的时变、奇异性特征,选用脊波函数作为过程神经元的激励函数,提出一种连续脊波过程神经元网络.模型训练方面首先给出基于正交基展开的梯度下降法;其次为提高模型训练收敛能力,提出一种沿Bloch球面纬线实施莱维飞行的量子衍生布谷鸟算法,并用于模型参数优化;最后将训练好的脊波过程神经网络应用于泥页岩TOC预测,通过相关性选取对TOC响应敏感的测井曲线作为模型特征输入.实验对比结果表明,该方法的预测精度较高,较其他过程神经网络提高7个百分点.     

基于样条插值函数的离散过程神经网络训练*

为解决过程神经元网络不能直接输入离散样本的问题,提出基于样条插值函数的离散过程神经网络训练算法。首先,将离散过程样本按采样点分段,在采样区间内分别构造样本和权值的分段样条函数;然后,计算样本函数和权函数的乘积在采样区间上的积分,并将此积分值提交给网络的隐层过程神经元;最后,在输出层计算网络输出。分别采用一次、二次、三次样条函数,设计了三种不同的算法。实验结果表明：一次样条计算效率高,逼近能力差;三次样条计算效率低,但逼近能力好;二次样条在计算效率和逼近能力两方面都比较理想。因此,二次样条函数是离散过程神经网络的较好选择。     

对传过程神经元网络在油井故障诊断中的应用

为更好解决抽油机井示功图模式诊断问题,依据示功图绘制原理,将示功图识别看作动态系统连续曲线（位移-时间曲线和载荷-时间曲线）的模式识别问题。利用过程神经元能同时处理时、空二维信息,可自动抽取时变函数样本的过程模式特征,在机制上对时变信号的分类问题具有较好的适应性,提出一种基于对传过程神经元网络诊断模型及其学习算法。以油井实测数据对模型进行训练和故障识别,取得了较好的应用效果。     

一种改进的量子粒子群优化算法及其应用

为提高基于概率幅编码的量子粒子群算法的优化效率,提出了一种改进的量子粒子群优化算法。在改进的算法中,采用量子Hadamard门实现粒子位置的变异,将概率幅对换变异改进为更具柔韧性的旋转调整,有效避免了种群在搜索空间中多样性的丢失;通过分析惯性因子、自身因子和全局因子的关系,提出了一种根据粒子当前适应度自适应确定全局因子的方法。以函数极值优化问题为例,仿真结果表明改进算法的搜索能力和优化效率优于原量子粒子群算法。     

改进的量子行为粒子群优化算法及其应用

为提高量子行为粒子群算法的优化能力,提出了一种改进的算法．该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法．在每步迭代中,首先计算粒子适应度,然后取前K个适应度最好的粒子作为候选集．采用轮盘赌策略在候选集中选择一个粒子作为势阱中心,调整其它粒子向势阱中心移动．在优化过程中,通过使K值单调下降,获得探索与开发的平衡．将提出的算法应用于标准函数极值优化和量子衍生神经网络权值优化,实验结果表明提出算法的优化能力比原算法确有明显提高．     

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。     

一种加权模糊推理网络模型及其应用

提出了一种加权模糊推理网络的结构模型和学习算法,该网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整地表达领域规则和先验知识,以及神经网络自适应环境的优点。根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出了该网络模型的学习算法。该算法具有稳定、收敛速度快,且能较好地避免网络学习陷入局部极值点。以油田生产复杂水淹层识别问题为例,验证了模型和算法的有效性。