基于排斥技术的QPSO算法在纳什均衡中的应用

基于量子行为的粒子群优化算法(QPSO)是一种随机的全局优化搜索新方法。文章系统地介绍了PSO算法、QPSO算法和“repulsion”技术。在对QPSO算法和基于“repulsion”技术的PSO算法分析的基础上,提出了基于“repulsion”技术的QPSO算法。将该算法用于求解混合纳什均衡。实验表明,新算法在解的收敛性和稳定性等方面优于QPSO算法。     

基于AQPSO的数据聚类

提出了一种新的聚类算法——适应性的基于量子行为的微粒群优化算法的数据聚类(AQPSO)。AQPSO在全局搜索能力和局部搜索能力上优于PSO和QPSO算法,它的适应性方法比较接近于高水平智能群体的社会有机体的学习过程,并且能保证种群不断地进化。聚类过程都是根据数据向量之间的Euclidean(欧几里得的)距离。PSO和QPSO的不同在于聚类中心的进化上。QPSO和AQPSO的不同在于参数的选择上。实验中用到4个数据集比较聚类的效果,结果证明了AQPSO聚类方法优于PSO和QPSO聚类方法。     

移动机器人的路径规划与仿真

在机器人路径优化设计的研究中,由于应用环境存在障碍物,要求寻找最优无碰路径.针对于粒子群优化算法应用于移动机器人路径规划计算中,存在全局搜索能力弱,易出现早熟现象等问题,提出了一种QPSO算法的改进算法.采用8势阱模型的QPSO算法模型简单,控制参数少,全局搜索能力强,但存在早熟收敛的缺陷,从种群的多样性角度分析,在算法的迭代过程中,引入多样性函数,在种群的多样性小于dl.时,由多样性变异操作进行自适应调整,保持了种群中个体的差异性,避免算法陷入局部最优而出现早熟现象.在MATLAB平台上进行仿真,结果表明,改进算法能够有效地解决全局静态无碰路径优化问题,收敛速度、搜索质量与QPSO算法相比明显提高.     

基于改进QPSO算法的物流运输路径问题研究

传统的物流运输路径问题研究在模型建立上比较单一,难以满足物流运输的实际需要;路径搜索算法的全局搜索能力弱,并容易陷入局部极值点.为了有效的进行车辆调配,降低物流成本,提高企业的竞争能力,提出以物流运输成本最小化与顾客满意程度最大化为目标,借助权重系数变换法将多目标优化模型转换成单目标优化模型,并构造改进的QPSO算法进行求解.仿真结果表明,改进的QPSO算法在求解多配置中心多车辆的物流运输路径问题中呈现出了较好的稳定性与收敛速度,为运输路径优化提供了参考.     

基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究

针对电力数据海量化、多维化的趋势,为了提高聚类算法的聚类质量,并解决传统聚类算法聚类海量高维数据时单机计算资源不足的瓶颈,提出了一种基于云计算的电力负荷曲线聚类的并行量子粒子群优化模糊C均值聚类算法。将量子粒子群群体智能算法引入到传统模糊C均值聚类算法中,利用QPSO较强的全局搜索能力,克服FCM算法易陷入局部最优以及其对初始聚类中心过于敏感的缺陷。最后,采用云计算的MapReduce编程框架以及HBase分布式数据库对算法进行并行化改进。经实验验证与FCM算法和AFCM算法相比聚类正确率提高了10%左右,且并行性能较好。     

微电网群功率优化控制

随着间歇性电源(分布式风电、光伏)在中、低压配电网中渗透率的提高,多个微电网可能共存于一个区域配电网中,各微电网间能量互济与协调控制的微电网群技术开始引起广泛的关注。以微电网研究为基础,分析了微电网群的典型特征及拓扑结构。以微电网群功率波动为研究对象,建立了微电网群功率波动熵值的动态调度模型,采用量子粒子群优化算法进行求解实现优化控制。仿真结果验证了所提微电网群功率优化控制方法的正确性和有效性。     

基于量子微粒群的BPNN在转炉炼钢静态模型中的应用

针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络(BPNN)的拓扑结构,并依此建立了转炉炼钢静态模型.然后把量子微粒群算法(QPSO)应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法(PSO)、梯度下降法的学习性能.最后,基于某炼钢厂的历史数据进行了仿...     

基于QPSO优化算法的余弦调制滤波器组设计

提出了一种新的余弦调制滤波器组设计方法,此方法以原型滤波器的阻带衰减作为目标函数,用改进型量子粒子群算法(QPSO)设计最接近满足重构条件的原型低通滤波器,然后在此基础上通过余弦调制得到分析滤波器组和综合滤波器组.实验仿真结果表明,用此方法设计的余弦调制滤波器组(CMFB)具有良好的阻带衰减特性和精确重构性能,在满足性...     

利用量子粒子群算法求解单级多资源约束生产批量计划问题

针对单级多资源约束生产批量计划问题,提出了基于量子粒子群算法求解该问题的方法。此算法将量子强大的领域搜索能力和基本粒子群算法(PSO)通过跟踪极值更新粒子的功能结合,能够改善粒子群算法后期搜索速度慢的问题。通过对其他文献的实例进行计算与比较,结果表明,在求解单级多资源约束生产批量计划问题时,量子粒子群算法(QP-SO)要优于退火惩罚混合遗传算法和传统的遗传算法。     

基于QPSO算法的信道分配方法

由于传统的信道分配方法存在频率利用率低下和处理速度慢的缺点,为此,提出基于量子计算的PSO算法（QPSO）来快速实现信道最优化分配方法。这种优化方法利用了量子计算的并行计算能力强、全局收敛、运算速度极快等特点,主要包括初始化代表每个信道的粒子的速度和位置,根据信道分配的教学模型计算保证信道各种约束条件的适应度函数,根据量子粒子群的规律进行粒子位置更新,直至找到最佳信道分配方案等步骤。仿真结果表明其方法是行之有效的,优化效果优于基于遗传算法和PSO算法的信道分配方法。