基于量子粒子群算法求解整数规划*

通过引入量子行为来增强粒子的全局收敛能力,提出了量子粒子群优化算法(QPSO),并用于求解整数规划问题.测试函数的仿真结果表明,通过适当的参数设置,并将每次迭代所生成的实数值截至整数值后进行下一次迭代,可以保证QPSO算法求解的精度,提高收敛速度且能有效避免早熟.     

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.     

混合量子粒子群算法求解车辆路径问题

量子粒子群算法在求解车辆路径问题时一定程度上解决了基本粒子群算法收敛速度不够快的缺点,但是量子粒子群算法仍然存在容易陷入局部最优的缺点。利用混合量子粒子群算法对车辆路径问题进行求解,运用量子粒子群算法对初始粒子群的粒子进行更新,对粒子进行交叉操作,可以提高算法的全局搜索能力,进行变异操作,可以改善算法的局部搜索能力。以Matlab为工具进行仿真实验,实验结果表明改进后的算法在求解车辆路径问题时具有良好的性能,可以避免陷入局部最优,对比量子粒子群算法和遗传算法具有一定的优势。     

基于量子粒子群求解混合整数非线性规划

在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法：量子粒子群（QPSO）算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。     

引入人工蜂群搜索算子的QPSO算法的改进实现

针对基于人工蜂群搜索算子的量子粒子群算法（IQPSO）求解精度不理想,收敛速度慢等问题,将一种更新全局最优的新策略融入到IQPSO算法中,引入双中心粒子,将IQPSO算法得到的全局最优解进行多种群划分,使得全局最优解的每一维度的值都与双中心粒子相对应的维度分别替换,再次更新全局最优,在算法解附近探索更加精确的结果。通过五个测试函数的仿真实验与IQPSO算法比较,验证所提的算法有良好的准确性与收敛速度的改进。     

基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化（QPSO）算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

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。     

量子粒子群算法求解QoS组播路由

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。将量子粒子群算法用于此类问题的求解。并在此基础上对基本的量子粒子群算法进行改进,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,并把它结合到量子粒子群优化（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,使之更适合于QoS组播路由的求解。仿真实验结果显示,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大算法保持了良好的特性,在寻优速度上与解的质量上优于其他粒子群算法与基本的量子粒子群算法。     

基于改进的量子粒子群算法在QoS组播路由中的研究

针对QoS组播路由问题,提出了一种改进的量子粒子群优化算法。为了更好地求解该问题,算法采用预处理机制。首先将图形网络拓扑转换为树形网络拓扑,在此基础上进行粒子的编解码,从而杜绝了坏粒子及环路的产生,减少了重复粒子;并利用量子粒子群算法进行粒子群遍历寻优,同时在每次粒子位置移动后,均进行粒子群体的交叉和选择操作,以提高粒子群个体的多样性,增强算法的全局寻优能力,加快算法的收敛速度。最后,将该算法与传统的粒子群优化算法进行编程对比。实验仿真结果表明:改进后的量子粒子群优化算法能获得比传统粒子群优化算法更优的解,同时具有更快的收敛速度及全局寻优能力。     

基于遗传交叉和多混沌策略改进的粒子群优化算法

为有效改进基本PSO算法的搜索能力,提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解,采用了以下四种措施：其一,对当前群体中的最优解和每个粒子最优解进行遗传交叉操作;其二,用混沌系统动态地调整PSO算法的惯性权重;其三,对整个解空间进行混沌全局搜索;最后,对当前群体中最优解进行多维和单维的混沌局部搜索。仿真实验结果表明：与其它三种算法相比,提出的算法在解决8个整数和混合整数非线性规划问题时不仅收敛速度最快,而且具有100%的成功率。     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

基于多尺度量子谐振子算法的云计算任务调度

合理地分配虚拟计算资源以进行有效的任务调度是云计算中的一个核心问题。为了更好地利用虚拟计算资源,高效地完成服务需求,提出了一种基于多尺度量子谐振子算法（MQHOA）的任务调度算法。首先,该算法将每一个调度方案当成一个采样位置,利用高斯采样的随机性在当前尺度下搜索局部最优解;其次,判断算法是否处于能级稳定状态,如果稳定,则进入能级降低过程,最坏的调度方案将被替换;最后,算法进入尺度下降的过程,算法由全局搜索过渡到局部搜索,迭代多次之后,算法停止并输出找到的最优结果。通过在CloudSim平台上进行仿真实验,与现有的先来先服务（FCFS）算法和粒子群优化（PSO） 算法对比,MQHOA总任务完成时间减少10%以上,负载不均值下降0.4以上。实验结果表明,基于MQHOA的任务调度算法能够快速收敛,有良好的全局收敛性和自适应能力,在云计算任务调度过程中,能够起到减少总任务完成时间和均衡负载的作用。     

QPSO算法在训练支持向量机中的应用

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以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有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题，为解决大规模的二次规划问题开辟了一条新的途径。     

基于改进教学算法的无人机航路规划

针对传统教-学优化（TLBO）算法进行航路规划时收敛速度慢、容易陷入局部最优的问题,提出一种自适应交叉教-学优化（AC-TLBO）算法。首先,该算法令传统教-学优化（TLBO）算法的教学因子随着迭代次数而发生变化,提高算法的学习速度;其次,当算法可能要陷入局部最优时,加入一定的扰动,使算法尽可能地跳出局部最优;最后,为了进一步提升算法的收敛效果,在算法中引入遗传算法的交叉环节。利用传统教-学优化（TLBO）算法、自适应交叉教-学优化（AC-TLBO）算法和量子粒子群优化（QPSO）算法进行无人机航路规划,仿真结果表明,在10次规划中,自适应交叉教-学优化（AC-TLBO）算法有8次找到了全局最优路径,而传统教-学优化（TLBO）算法和量子粒子群优化（QPSO）算法分别只找到了2次和1次;而且自适应交叉教-学优化（AC-TLBO）算法的收敛速度高于另外两种算法。     

一种求非线性整数规划最优解的仿生算法

从大自然植物生长中得到启发,提出了一种求解非线性整数规划全局最小解的仿生算法。该算法将植物生长过程及生长模式应用到非线性整数规划问题的求解,能够快速得到最优解。通过对各种不同类型非线性整数规划问题的具体求解,表明了该方法十分有效。     

Impact of migration strategies and individual stabilization on multi-scale quantum harmonic oscillator algorithm for global numerical optimization problems

Multi-scale Quantum Harmonic Oscillator Algorithm (MQHOA) is a population-based metaheuristic algorithm proposed recently. It has been proved effective and efficient to deal with unimodal and multimodal problems. Although the mechanism of replacing the worst particle with the fittest individual in MQHOA helps to fasten the iteration process, it can easily lead to premature convergence. Instead of direct replacement, several migration strategies are proposed to maintain the diversity of the population and help to obtain the global optima in difficult function evaluations. The impacts of the migration strategies and individual stabilization on the improvement of the algorithms in their effectiveness, reliability, accuracy and efficiency are well researched. A variety of multi-dimensional unimodal and multimodal benchmark functions are applied to illustrate the optimization performance of the proposed algorithms. Some of the best competitors in MQHOAs with migration strategies are selected to compare with several state-of-the-art stochastic algorithms. Experimental results presented suggest some conclusions: First, the individual stabilization mechanism does not significantly improve the performance of MQHOA. Second, random migration does not obviously help MQHOA perform much better. Third, migration strategies significantly affect the performance of MQHOA, and some of MQHOAs with migration strategies are very competitive to deal with numerical optimization problems.     

自适应收扩系数的双中心协作QPSO算法

针对量子粒子群优化(QPSO)算法迭代后期种群多样性下降、收敛速度慢、易陷入局部最优的缺点,提出一种自适应收缩-扩张系数的双中心协作最子粒子群优化算法。该算法从2个方面进行改进:(1)自适应调节收缩-扩张系数,其目的是帮助粒子跳出局部最优点,提高粒子的全局搜索能力;(2)双重更新全局最优位置,即在每次迭代中,先后分别采用2种不同的方式更新全局最优位置。第1种方式与QPSO算法一致,第2种方式则引入双中心粒子,使其和当前全局最优位置在相应维度上合作,从而达到更新全局最优位置的目的。从固定迭代次数和固定精度角度分析算法性能,仿真结果表明,相比于QPSO算法,该算法在保证复杂度较低的情况下,可提高收敛速度,增强全局和局部搜索能力。