自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。     

基于双策略协同进化的QPSO算法及其应用

为更好地提升量子粒子群优化算法（QPSO）的局部挖掘和全局搜索能力,提出了一种改进的QPSO算法（DSQPSO）。在改进算法中引入了双策略协同进化的思路调整粒子的位置更新公式。为充分体现个体粒子挖掘的优势和群体共同引导的特点,提出了两种吸引点构造的思路,做到个体和种群更好地融合以及信息的互通;分别考虑了最优平均位置与全局最优和粒子的历史最优之间的联系,对粒子搜索范围作出了重新定义;此外,在迭代过程中,借助随机扰动机制对全局最优位置进行调整,以保持种群的多样性。通过18个测试函数将DSQPSO算法与PSO、QPSO、RQPSO和LQPSO四种算法在收敛精度和鲁棒性方面进行对比;进而在两个具体的工程优化问题上,应用改进算法与八个智能算法进行了寻优结果比较。实验表明DSQPSO算法无论在基准测试中还是在工程应用上,其计算精度和收敛效果均有明显优势。     

基于改进QPSO算法的电动汽车模糊控制器参数优化

目前电动汽车常以无刷直流电机（BLDCM）作为驱动器,但BLDCM调速控制系统中模糊控制器的量化因子和比例因子采用传统方法,自调节能力弱,针对该问题提出一种改进QPSO算法（AMF-QPSO）实现对量化因子和比例因子的自适应调节。AMF-QPSO算法以收缩—扩张系数（contraction expansion,CE）控制方式为研究重点,提出粒子活性概念,并以其作为反馈量实现动态自适应调节CE系数; 同时,为防止种群高度聚集,采用精英群体随机交叉学习机制,对部分活性低的精英粒子进行扰动,增强种群后期多样性。最后,通过LabVIEW实验平台,以具体案例验证AMF-QPSO算法性能。实验结果表明,AMF-QPSO优化的模糊PID控制器具有比标准模糊PID控制器和QPSO优化的模糊PID控制器更好的控制性和自适应性。     

量子粒子群优化算法的收缩-扩张系数控制策略研究

收缩-扩张(CE)系数是量子粒子群优化算法(QPSO)需要人工设定的最核心参数,如何选择该参数成为一个重要的问题。为寻找更为有效的CE系数控制方法,根据CE系数递减思想,提出了一种凸凹性可变的指数型非线性下降CE系数控制策略,采用Sphere、Rastrigrin、Griewank和Ackley等4种典型的单峰与多峰标准测试函数研究了CE系数的不同控制策略以及不同初始值对量子粒子群优化算法收敛精度与收敛速度的影响,并与线性下降CE系数及固定CE系数两种控制策略进行了对比分析,得出了CE系数控制策略选择的一般性指导准则,为量子粒子群优化算法的应用提供依据。     

一种自适应扩展粒子群优化算法

在粒子群优化算法的基础上,首先把粒子群优化算法的速度更新式中的个体最优位置用粒子群中所有个体最优位置的平均值代替,得到扩展粒子群优化算法;然后,建立了加速系数和粒子群中所有粒子的平均适应度与整体最优位置适应度之差的一种非线性函数关系,得到自适应加速系数扩展粒子群优化算法。由于新的算法利用了所有个体最优粒子的信息,并在进化过程中通过建立的非线性时变加速系数自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度。4个基准测试函数的对比实验结果说明自适应扩展粒子群优化算法的有效性和优良性能。     

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.     

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GA优化QPSO算法的文本聚类

针对量子行为粒子群优化算法中粒子搜索的盲目性以及初始聚类中心的选取对聚类结果的影响问题,提出了一种基于GA优化的QPSO聚类算法.该算法首先利用GA稳健的全局优化性能进行快速的粗略聚类,然后用GA的聚类结果初始化QPSO算法,以降低粒子群搜索的盲目性,从而提高QPSO算法的搜索效率.通过在Reuter-21578真实的文本数据集上实验,该算法在Fmeasure评价标准上获得了较高的查准率和查全率,从而验证了该聚类算法的有效性和可行性,可以在文本聚类领域推广应用.     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

QPSO算法的改进及其在DBN参数优化中应用

为了提升标准量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)的收敛精度,提出了基于粒子势阱长度变化率的粒子平均最优位置权重计算方法,通过平均最优位置的调节,来提升粒子的寻优能力,并将改进后的QPSO算法应用于深度置信网络(Depth Belief Network,DBN...     

QPSO算法在生产调度中的研究与应用

在对某印染企业的生产状况进行深入调研和分析的基础上,对微粒群算法及量子粒子群算法进行了对比研究,并根据实际情况对算法进行了部分改进,使之能适用于离散的生产调度问题。最后将量子粒子群算法应用到花布印染企业的生产调度中,对加工任务进行优化调度,并实现甘特图的动态生成。该结果可直接应用于企业车间调度中,具有一定的实际应用价值。     

改进QPSO算法的移动机器人轨迹跟踪控制方法

分析了智能群体的决策机制,发现在智能群体决策过程中,个体粒子参与决策的权利根据个体的优劣程度是不同的,提出了在量子粒子群优化（QPSO）算法中引入线性权重算子进一步提高QPSO算法的搜索效率及优化性能。分析了移动机器人轨迹跟踪控制的滑模变结构控制器设计方法,并采用指数趋近律和幂次趋近律相结合的方法,设计了新的滑模跟踪控制律,使用PSO算法、QPSO算法和改进算法优化了滑模跟踪控制器中的参数,通过两个实例验证了优化后的跟踪控制器的设计效果;设计效果的分析和比较表明了设计的跟踪控制器能够控制机器人实现对既定轨迹的跟踪,仿真结果显示改进QPSO算法能够在轨迹跟踪控制器的参数优化中取得更好的优化效果。     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

QPSO优化的改进CLARANS聚类算法

CLARANS算法是一种有效且广泛应用的聚类算法,适合发现任意形状的聚类结果,但CLARANS算法在搜索过程中容易陷入局部最优解,从而忽略全局最优解。为了避免CLARANS算法在搜索中心点时易受局部最优解的影响,提出一种将CLARANS算法中的邻接点作为QPSO算法的量子粒子,结点代价作为适应度函数对其进行寻优的改进CLARANS算法。将该改进算法应用于UCI数据集,结果表明该算法聚类效果好、收敛快,算法的稳定性、收敛性及寻优能力都有很大提高。     

基于QPSO的小波分数间隔盲均衡算法

在分析具有量子行为的粒子群优化(PSO)算法和正交小波变换理论的基础上,提出基于量子粒子群优化(QPSO)的正交小波分数间隔常模盲均衡算法。通过对分数间隔均衡器输入信号进行正交小波变换,降低信号的自相关性。利用QPSO算法全局搜索能力强、收敛速度快和鲁棒性高的特性,对均衡器权向量进行优化。仿真结果表明,该算法能降低稳态误差,加快收敛速度,提高水声信道中信号的无失真传输性能。     

用MC-QPSO算法求解并行流水车间调度问题

针对并行流水车间调度问题的特点,提出了一种基于多种群协同进化的改进量子粒子群算法（MC-QPSO）进行求解。首先将整个量子粒子种群分解为多个子种群,然后各个子种群独立地演化,并通过周期性共享搜索信息,以获得对自身信息的更新。最后,通过具体仿真实例进行了求解验证,结果表明,在求解并行流水车间调度问题时,基于多种群协同的量子粒子群算法,在收敛速度、寻优性能等方面,都要优于遗传算法。     

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5．11—1对铀价格进行预测。结果表明：QPSO—BP模型的预测精度（0．15％）高于PSO-BP模型（4．55％）与BP模型（30．86％）。泛化能力指标平均相对变动值为O．0025,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。