基于种群混合协同联盟的属性量子博弈均衡约简

为进一步提高进化种群在粗糙集属性演化约简中寻求最优解的协同性能,提出了一种基于种群混合协同联盟的属性量子博弈均衡约简算法.该算法建立一种基于自适应多层进化树的种群协同演化联盟模型,以种群内个体竞争和种群间精英合作的混合协同机制实现各种群协同演化,较好地达到属性协同演化约简中广度寻优和深度探索的有效平衡;然后将信任裕度报酬机制引入到多种群精英量子协同博弈模型,种群精英在每个划分的属性子集中通过量子协同博弈策略均能求得各自最优约简子集,从而稳定取得Nash均衡下全局最优属性约简集.实验结果表明本文算法具有较高的属性演化约简效能和精度,对不完备电子病历系统中脑组织核磁共振成像MRI的高效约简与分割进一步展示其具有较强的实用性和鲁棒性.     

基于量子蛙跳协同进化的粗糙属性快速约简

 属性约简是粗糙集理论研究的重要内容,现已证明求决策表最小约简是一个典型NP难题.本文提出一种基于量子蛙群协同进化的粗糙属性快速约简算法.该算法构造一种动态多簇的蛙群结构,用量子态比特进行蛙群个体编码,以自适应量子旋转角调整、量子变异和量子纠缠等策略加速蛙群进化收敛,各簇蛙群以双向协同学习机制共享属性约简中相关信息.标准Benchmark优化函数测试结果表明该算法在保证收敛速度同时具有较强的平衡全局优化与局部细致搜索能力.在UCI数据集上进行属性约简比较实验,结果验证了本算法在属性约简精度和效率方面具有明显优势.     

基于互信息下粒子群优化的属性约简算法

最小属性约简是粗糙集理论中属性约简的优化问题.在寻找最小属性约简的问题上,基于粒子群优化的属性约简算法（ARPSO算法）优于传统的属性约简算法.在现有的ARPSO算法中,正域部分通常被作为启发式信息,但是它并不能够很好地衡量不确定性,而互信息是粗糙集理论中一种更有效的度量不确定信息的重要工具.为此,提出基于互信息下的粒子群优化的属性约简算法（MIPSO算法）,该算法把互信息作为适应度函数,通过增强粒子能迅速靠近吸引子的这一特性,改进了内嵌区域震荡搜索的粒子群优化算法（简记为RSPSO算法）,防止算法较早的陷入局部最优,使得粒子群中的粒子更快的找到最优值,因此使得算法尽可能实现全局收敛.实验结果表明,该算法不仅提高了寻优的能力,加快了算法的速度,提升了算法的精度,而且也能够使得约简后剩余属性的互信息值与约简前所有属性的互信息值近似相等.     

基于QPSO的属性约简在NIDS中的应用研究

支持向量机作为一种优良的分类算法应用在网络入侵检测系统中,但是训练时间过长是它的主要缺陷.文中提出了基于量子粒子群优化的属性约简和支持向量机(SVM)的入侵检测方法,利用量子粒子群优化的属性约简算法对训练样本集进行属性约简,剔除了对入侵检测结果影响较小的冗余特征,从而使入侵检测系统在获取用户特征的时间减少,整个入侵检测系统的性能得到提高.实验结果表明,该方法是有效的.     

融合粗糙集与小生境免疫优化的属性约简方法

在粗糙集核属性的基础上,融合小生境免疫优化提出一种决策属性约简方法.将核属性参数作为抗体编码的先验信息,通过疫苗自适应提取算法对抗体群接种疫苗,提高抗体群多样性及稳定性.为降低属性约简的计算复杂度,引入属性集合的分类近似标准作为免疫优化的亲和度,采用小生境免疫共享机制动态调整抗体群的亲和力,提高算法局部搜索能力.通过免疫记忆算子操作促使优良个体的保存,在保证收敛速度的同时具有较强的全局和局部寻优能力.通过滚动轴承故障诊断及UCI数据集的属性约简实验,显示本算法在属性约简精度和效率方面具有较好效果.     

精英免疫克隆选择的协同进化粒子群算法

提出一种精英免疫克隆选择的协同进化粒子群算法（Elite immune clonal selection co-evolutionary particle swarm optimization,EICS-CPSO）.算法借鉴了协同进化思想和精英策略,基于精英种群与普通群体并行协同进化框架.高适应度的精英个体组成精英团体,运用自适应小波变异的免疫克隆选择算子对精英团体进行提升引导操作.普通种群间个体极值采用柯西交互学习机制提高微粒个体极值收敛性能;迁移操作进一步推进了整体信息共享与协同进化.实验结果表明该算法收敛精度快且全局搜索能力强,且具有较好的动态优化性能.实验分析表明该算法对参数不敏感,易于使用.     

一种基于粒子群优化的自适应均衡算法

提出了一种自适应信道均衡的方法,它利用粒子群优化算法对均衡器系数进行自适应调整.由于粒子群优化算法具有实现简单、性能函数的单调性强、搜寻全局最优解的能力强等优点,将其用于自适应信道均衡将会改善传统均衡器均衡效果不理想的问题.仿真结果表明,该方法实用有效,在信道失真较大和最优解搜索精度方面表现出了优越性.     

一种基于知识粒度的决策系统属性约简算法

本文针对决策系统给出了一种新的知识粒度模型,并给出了知识粒度下的核属性定义和分析了知识粒度模型的属性约简与正区域模型的属性约简的等价性.在此基础上利用知识粒度的重要性作为启发式信息构造了决策系统的属性约简算法.算法能够快速获取决策系统的属性约简,算例分析进一步说明了算法的可靠性.     

基于全局最优的快速一致性点漂移算法

目前受到广泛关注和研究的一致性点漂移(CPD)算法是一种基于高斯混合模型的点模式匹配算法,虽然该算法具有较强的鲁棒性,但其存在局部最优性和收敛速度随点集大小增加而下降等问题。针对上述问题,该文提出了一种新的基于全局最优的快速一致性点漂移算法。该算法首先将点集进行正交标准形约简,利用约简后点集的重要性质,推导出不完全观测数据的对数似然函数在全局最优解附近凸函数区域的边界值,再以该边界值为基础,采用多重初始化策略来实现全局最优。最后,提出了基于置信域的全局收敛二次平方迭代期望最大化算法,实现了全局优化算法的超线性收敛。模拟仿真与真实数据实验验证了该文算法是有效的、快速的以及鲁棒性较强的。     

烟花算法在SAR图像属性散射中心参数估计中的应用

针对合成孔径雷达（SAR）属性散射中心估计问题,提出基于烟花算法的方法。首先,在图像域对SAR图像中高能量区域进行分割解耦,获得单个独立散射中心在图像域的表现形式。在此基础上,以属性散射中心参数化模型为基础,构建优化问题,对分离出来的单个散射中心进行最优参数的搜索。在此阶段,引入烟花算法进行参数寻优。该算法具有强大的全局和局部搜索能力,在保证优化精度的条件下避免陷入局部最优,从而保证散射中心参数估计的可靠性。在原始图像中剔除求解后的单个散射中心,对残余图像进行高能量区域分割,序惯估计下一个散射中心的属性参数。最终,获取输入SAR图像上所有散射中心的参数集。实验中,首先基于MSTAR数据集中的SAR图像进行参数估计验证,通过参数估计结果与原始图像的对比以及基于估计参数集对原始图像进行重构,反映了提出算法的有效性。此外,实验还基于估计得到的属性参数进行SAR目标识别算法验证,通过与其他参数估计算法在相同条件下进行识别性能的对比,进一步体现了提出方法在属性散射中心参数估计上的性能优势。     

一种解决组合优化问题的改进型量子遗传算法

在量子遗传算法(QGA)的基础上,提出了一种解决组合优化问题的改进型量子遗传算法(NIQGA).为充分利用量子态的干涉性和纠缠性,该算法引入了动态调整量子门旋转角步长机制、量子交叉操作和量子变异操作,因而具有更高的搜索效率.利用两种典型组合优化问题——0/1背包问题和路由选择问题进行验证.结果表明,相比于GA和QGA,NIQGA具有收敛速度快和全局搜索能力强的特点,在解决基因间弱关联性的组合优化问题时有更优的性能.     

基于量子免疫蛙跳算法的图像增强研究

针对图像增强的特点,提出量子免疫蛙跳算法。该算法按适应度大小排序的青蛙个体进行量子编码,同时蛙跳移动离散化;通过动态调整量子蛙跳旋转门实现量子染色体中所有的量子比特都朝着与最优解对应的量子比特基态动态优化偏转;采用Hadamard门对量子位变异,基于阴性选择算法对蛙跳免疫进行像素匹配,并给出了图像增强过程。实验仿真表明,本文算法对图像增强效果的轮廓和细节更加清晰,层次感强,结构相似性SSIM其值较好,为0.9849。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于混合蛙跳算法的移动机器人路径规划

针对移动机器人路径规划中算法搜索能力不强且易陷入停滞的问题,文中提出了一种基于混合蛙跳算法的移动机器人路径规划方法。首先利用蚁群算法在栅格地图中生成一定数量的路径,然后引入混合蛙跳算法,子群内进行Memetic进化,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格进行路径更新,并对最终生成的最优路径进行优化处理,以消除不必要的拐点,保证机器人路径运行的安全性。二维环境下的仿真实验表明,提出的混合蛙跳算法能在有效避开障碍物的同时快速地规划出一条通往目标点的优化路径,且效果令人满意。     

基于量子布谷鸟搜索的认知无线网络频谱分配

为了有效解决认知无线网络频谱分配的离散优化问题,将量子计算引入布谷鸟搜索算法,提出了一种新的组合优化算法——量子布谷鸟搜索算法。该算法使用量子鸟窝表征问题的多维解,通过Lévy flights随机游动方式和量子突变策略快速搜索到全局最优位置。通过使用基准函数验证了算法的高效性,并提出了一种基于量子布谷鸟搜索的认知无线网络频谱分配方法。然后与经典频谱分配算法在不同的网络效益函数下进行仿真性能比较。结果表明,所提出的频谱分配方法能够较快找到全局最优解,并且在不同网络效益函数下均优于已有的经典频谱分配算法。     

QoS multicast routing scheme using QGA in IP/DWDM networks

This article studies multi-constraints least-cost multicast routing problem in internet protocol over dense wavelength division multiplexing （IP/DWDM） networks. To address this problem, an individual-difference-based quantum genetic algorithm （IDQGA） is proposed. This algorithm considers individual differences among chromosomes by introducing an adaptive rotation angle step determination scheme and a grouping-based quantum mutation operation. Simulations are conducted over network topologies. The results indicate that compared with other heuristic algorithms, IDQGA has better optimal performance on solving quality of service （QoS） multicast routing problem in IP/DWDM networks and is characterized by strong robustness, high success ratio and excellent capability on global searching.     

基于栅格模型机器人路径规划的量子蚁群算法

针对复杂环境中移动机器人路径规划问题,提出了一种基于量子-蚁群算法(QACA)融合的路径规划算法。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素,增加位置的多样性,加快算法的收敛速度。通过仿真实验表明,该算法可增加算法的随机性,较传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力,即使在障碍物较复杂的环境下,也能迅速规划出一条最优路径。     

基于保真度的量子信令纠缠交换最佳交换速率

为了解决量子信令交换的最佳交换速率问题,提出了基于保真度的量子信令纠缠交换最佳交换速率算法。根据量子信令纠缠交换方案,分析了由量子混合态组成的信令保真度。针对单输入单输出系统（SISO）和多输入多输出系统（MIMO）,讨论了影响量子信令交换速率的各种因素,计算得出最佳交换速率。仿真结果表明,在保真度为97%时,最佳交换速率为100qubit/s,该指标完全能够满足量子通信对信令交换的要求,对于构建未来量子通信系统有着重要的技术支撑作用。