混合量子进化算法及其应用

文章将量子进化算法(QEA)和粒子群算法(PSO)互相结合,提出了两种混合量子进化算法。第一种算法叫做嵌入式粒子群量子进化算法,其主要思想是将简化的PSO进化方程嵌入QEA的进化操作中,简化了QEA算法的结构,增强了QEA跳出局部极值的能力。第二种算法叫做量子二进制粒子群算法,其主要思想是将QEA中的量子染色体的概念引入二进制粒子群算法(BPSO),提高了BPSO算法保持种群多样性的能力和运算速度。通过对0-1背包问题和多用户检测问题的求解表明,新的算法不仅操作更简单,而且全局搜索能力有了显著的提高。     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

基于K-均值聚类的协同进化粒子群优化算法

针对粒子群优化（PSO）算法优化高维问题时,易陷入局部最优,提出一种基于K-均值聚类的协同进化粒子群优化（KMS-CCPSO）算法。该算法通过引入K-均值算法扩大种群的局部搜索范围,采用柯西分布和高斯分布相结合的方法更新粒子的位置。实验结果表明,该算法具有较好的优化性能,其优势在处理高维问题上更为明显。     

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。     

多策略协同进化粒子群优化算法

为了提高粒子群优化(PSO)算法的优化性能, 提出了一种多策略协同进化PSO(MSCPSO)算法。该方法引入了多策略进化模式和多子群协同进化机制, 将整个种群划分为多个子群, 每个子群中的粒子按照不同的进化策略产生新的粒子。子群周期性地更新共享信息, 以加快算法的收敛速度。通过六个基准函数实验, 仿真结果表明, 新算法在计算精度和收敛速度方面均优于其他七种PSO算法。     

多任务处理协同进化粒子群算法

粒子群算法及其改进算法专注于单任务的求解.随着电子商务的发展,在线服务器在某一时刻需要同时处理来自多个用户的服务请求,即多任务处理.区别于以往的并行计算机,文中充分挖掘粒子群算法的“隐并行性”,并引入协同进化机制,在同一搜索空间根据任务个数设置不同的子种群,各子种群以一定的概率相互传递有效信息,最后提出基于多任务处理协同进化粒子群算法(CPSOM),并将CPSOM应用于多任务连续型函数优化问题、多任务离散型属性选择问题以及多任务约束工程优化问题.仿真实验表明,在CPSOM多任务环境中,不同任务之间确实存在有效信息的传递,不同任务之间的相互协作不仅可以提高解的质量,而且可以加快各优化问题的收敛速度.     

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。     

基于混合协同进化算法的Web服务组合演化策略

为了在服务组合演化过程中高效地选择满足服务请求的Web服务,提出了一种基于混合协同进化算法的Web服务组合演化策略。首先,利用改进模糊C均值聚类算法将Web服务演化单元按应用分类;然后,利用带权值的粒子群算法对划分好的子群进行内部择优;最后,对各个子群进行协同进化,使得针对用户服务请求,能够选出最优Web服务演化组合。实验结果表明,混合协同进化算法无论在算法稳定性或是算法运算时间上都优于传统协同进化算法,且对于Web环境下大量的服务请求能够提供优质、高效的服务。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法,将RBF神经网络的参数组成一个多维向量,作为算法中的粒子进行进化,由此在可行解空间范围内搜索最优解。实例仿真表明,该学习算法相比于传统的学习算法计算简单,收敛速度快,并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

基于双层协同进化的多目标粒子群算法

针对当前算法在解决多模态多目标问题时获得的帕累托解集不完整、收敛性较差等不足,提出一种基于双层协同进化的多目标粒子群算法(double-layer co-evolutionary multi-objective particle swarm optimization algorithm,DCMOPSO)。利用双层协同进化机制划分上层探测种群和下层跟随种群,上下层协同进化以找到多个解;采用基于决策空间拥挤距离度量以维持解在决策空间的多样性。在12个测试函数上与其它6种算法进行比较,实验结果表明,DCMOPSO在决策空间中能够找到更多的帕累托解集,具有良好的收敛性能。     

具有学习行为的协同量子粒子群算法

提出了一种具有学习行为的协同量子粒子群算法(LCQPSO).针对量子粒子群(QPSO)存在的早熟收敛问题,从两方面对其进行改进:引入多子群协同搜索策略提高种群的全局搜索能力,使其在进化后期依然保持多样性;赋予粒子学习行为,提高种群的局部搜索能力.实验中对LCQPSO算法的子群规模与学习概率参数进行了分析,并利用标准测试函数对LCQPSO与PSO、QPSO等算法进行了比较测试,结果表明LCQPSO算法具有更优秀的收敛速度与精度,且能够有效地避免陷入局部极值.     

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。     

具有量子行为的粒子群优化算法的参数选择

Sun等人从量子力学的角度提出了具有量子行为的粒子群优化算法,它在搜索能力上优于传统的PSO算法,自适应参数的数目也比之较少。集中讨论了应用QPSO如何选择自适应参数的问题。介绍了QPSO算法,给出了随机模拟的实验结果,从而看到了参数值的选择如何影响粒子在QPSO中的收敛。最后,介绍了两种自适应参数控制方法和标准测试函数的实验结果。     

基于量子行为的粒子群优化算法分类规则获取*

介绍了基本的粒子群算法,并针对基本的粒子群算法在收敛性能上的缺陷,提出将具有量子行为的粒子群优化算法应用于数据挖掘学科中的分类规则获取。对加州大学厄文分校的若干数据集模式分类规则进行提取,与其他规则提取方法相比,证明该算法提高了分类规则的正确率以及全局寻优能力。     

纳什均衡解及其QPSO算法求解

纳什均衡是一种博弈的解的概念,可以对非常广泛类型的博弈作出严格的多的预测。具有量子行为的粒子群算法是一种能够较好的解决优化问题的算法,它是在粒子群算法的基础上发展起来的。本文讨论纳什均衡解,并利用QPSO算法来求解纳什均衡解。通过仿真算法及与几种算法的比较结果验证了算法的有效性,证明了算法的全局收敛性。     

An improved quantum-behaved particle swarm optimization and its application to medical image registration

This paper investigates the quantum-behaved particle swarm optimization (QPSO) algorithm from the perspective of estimation of distribution algorithm (EDA) which reveals the reason of QPSO's superiority. A revised QPSO (RQPSO) technique with a novel iterative equation is also proposed. The modified technique is deduced from the distribution function of the sum of two random variables with exponential and normal distribution, respectively. We present a diversity-controlled RQPSO (DRQPSO) algorithm, which helps prevent the evolutionary algorithms’ tendency to be easily trapped into local optima as a result of rapid decline in diversity. Both the RQPSO and DRQPSO are tested on three benchmark functions, as well as in medical image registration for performance comparison with the particle swarm optimization and QPSO.     

An improved quantum-behaved particle swarm optimization for multi-peak optimization problems

In this paper, we propose an improved quantum-behaved particle swarm optimization (QPSO), namely species-based QPSO (SQPSO), using the notion of species for solving multi-peak optimization problems. In the proposed SQPSO, the population is divided into subpopulations (species) based on their similarities. Each species is grouped around a dominating particle called the species seed. During the process of iterations, species are able to simultaneously optimize towards multiple optima by using QPSO, so each peak will definitely be searched in parallel, regardless of whether it is global or local optima. Further, SQPSO is applied to solve systems of nonlinear equations describing certain fitness functions, which are multi-peak functions. Our experiments demonstrate that SQPSO is able to search multiple peaks of a given function as accurate and efficient as possible. Finally the experiments for the solutions of systems of nonlinear equations show that the algorithm is successful in locating multiple solutions with better accuracy.     

Parameters identification of chaotic systems by quantum-behaved particle swarm optimization

This paper applies a novel evolutionary optimization algorithm named quantum-behaved particle swarm optimization (QPSO) to estimate the parameters of chaotic systems, which can be formulated as a multimodal numerical optimization problem with high dimension from the viewpoint of optimization. Moreover, in order to improve the performance of QPSO, an adaptive mechanism is introduced for the parameter beta of QPSO. Finally, numerical simulations are provided to show the effectiveness and efficiency of the modified QPSO method.     

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。     

基于QPSO的两通道正交镜像滤波器组的优化设计*

通过分析两通道正交镜像滤波器组的重构条件,提出了一种新的两通道正交镜像滤波器(QMF)组的设计方法,将完全重构的两通道QMF组的设计问题转换为由原型低通滤波器在通带、阻带和过渡带幅频响应的均方误差加权和组成的一种无约束的非线性优化问题,用量子粒子群优化算法(QPSO)来有效求解该类优化问题,获得该问题的全局最优解.最后...