基于混沌量子遗传改进的模糊C均值聚类算法

针对标准FCM对噪声和初值敏感的问题,提出一种基于实数编码混沌量子遗传算法(RCQGA)的改进的加入空间信息的FCM算法。该算法在解空间内将实数染色体通过反向变换映射到量子位,采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索。将RCQGA与结合空间邻域信息的FCM相结合,用改进的FCM算法的目标函数建立适应度函数,利用混沌量子遗传算法搜索全局最优解,代替传统FCM的基于梯度下降的迭代爬山过程,从而有效地避免了模糊C-均值聚类算法收敛到局部最优和对噪声敏感的问题,并在此基础上实现了对遥感图像的聚类分割。实验结果表明,该算法对于遥感图像显示了较好的分割效果和较强的抗噪能力。     

基于遗传-拟牛顿混合算法的到达时间差定位

结合遗传算法的群体搜索性和拟牛顿迭代法的局部细致搜索性,提出一种基于遗传-拟牛顿混合算法的到达时间差定位方法。该方法利用遗传算法进行全局迭代,当收敛结果达到满意值后将其作为拟牛顿迭代的初始值继续迭代,直至得到精确解,由此克服遗传算法后期搜索效率低以及拟牛顿法对初始值敏感的缺陷。仿真结果表明,在参数设置合理的前提下,相比遗传算法和拟牛顿法,该混合算法性能稳定,具有较快的定位速度和较高的定位精度。     

一种基于量子粒子群的过程神经元网络学习算法

针对过程神经元网络模型学习参数较多,正交基展开后的BP算法计算复杂、不易收敛等问题,提出了一种基于双链结构的量子粒子群学习算法.该算法用量子比特构成染色体,对于给定过程神经元网络模型,按权值参数的个数确定量子染色体的基因数并完成种群编码,通过量子旋转门和量子非门完成个体的更新与变异.算法中每条染色体携带两条基因链,提高了获得最优解的概率,扩展了对解空间的遍历,从而加速过程神经元网络的优化进程.将经过量子粒子群算法训练的过程神经元网络应用于Mackey-Glass混沌时间序列和太阳黑子预测,仿真结果表明该学习算法不仅收敛速度快,而且寻优能力强.     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练.按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。     

混合量子遗传算法及其性能分析

首先比较了带量子门更新和群体灾变的量子算法(QA)以及加入对量子位的交叉和变异操作的量子遗传算法(QGA);然后结合量子搜索和传统遗传搜索提出了混合量子遗传算法的框架,并给出了基于二进制编码的混合量子遗传算法(BQGA)和基于实数编码的混合量子遗传算法(RQGA).基于典型问题的数值仿真和比较表明,RQGA的性能明显优于其他算法,对参数和初值具有较好的鲁棒性.     

一种新的求解非线性方程组的混合量子遗传算法

针对传统非线性方程组的解法对初始值敏感、收敛性差、精度低等问题,提出一种求解非线性方程组的混合量子遗传算法。该算法综合考虑了量子遗传算法和拟牛顿法的优点,充分发挥了前者的群体搜索和全局收敛性,并有效克服了后者的初始点敏感问题。数值模拟试验表明,该算法具有很高的精确性和收敛性,是求解非线性方程组的一种有效算法。     

一种基于相位编码的量子遗传算法

基于量子位测量的二进制量子遗传算法在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率.针对这一问题,本文提出了一种基于量子位相位编码的量子遗传算法.该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异.在该方法中,由于优化过程统一在空间[0,2π]<'n>进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性.以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法.     

基于量子位Bloch坐标的量子遗传算法及其应用

提出了一种基于量子位Bloch坐标的量子遗传算法. 该方法用量子位构成染色体; 用量子位的Bloch坐标构成染色体上的基因位; 用量子旋转门进行染色体上量子位的更新; 用量子非门进行染色体变异. 对于量子旋转门的转角大小及方向的确定, 提出了一种简易快捷的新方法; 对旋转和变异操作, 提出了基于量子位Bloch坐标的新算子. 该算法将量子位的3个Bloch 坐标都看作基因位, 每条染色体包含3条并列的基因链, 每条基因链代表1个优化解.在染色体数目相同时, 可加速优化进程. 以函数极值优化和神经网络权值优化为例, 仿真结果表明该方法在搜索能力和优化效率两个方面优于普通量子遗传算法和简单遗传算法.     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练,按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.

     

基于过程神经元网络的时间序列预测方法

传统人工神经网络时间序列预测方法难以表达时间序列中的时间累积效应。为此,提出一种基于过程神经元网络的时间序列预测方法。采用双链结构的量子粒子群对过程神经元网络进行训练,以Mackey-Glass混沌时间序列预测为例进行实验。仿真结果表明,该方法的均方误差比普通神经网络低一个数量级。     

用过程神经网络和遗传算法实现系统逆向求解

对于多输入多输出系统,针对如何根据系统模型和期望输出反求系统输入的问题,本文提出了一种基于过程神经网络和遗传算法相结合的方法.首先根据实际系统的领域知识和学习样本集,建立满足系统实际输入输出映射关系的正向过程神经网络.然后按照系统在过程区间的某一期望输出,用过程神经网络的输出误差构造适应度函数,用遗传算法逆向确定系统的过程输入信号,使该输入信号满足已建立的正向过程映射关系,从而完成系统的逆向过程控制.文中给出了具体的实现算法并给出了此方法的一个应用实例.     

基于遗传算法的人工神经网络

为克服和改进传统的BP算法的不足，发挥神经网络和遗传算法各自的优势，提出了一种基于遗传算法的神经网络二次训练方法，将遗传算法应用于神经网络的权值训练中，并用神经网络二次训练得到最终结果，降低了计算时间，是一种比较有效的方法。     

一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法

针对时变输入/输出过程神经网络的训练问题,提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相结合的学习方法。综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质,基于PNN训练目标函数,构建两种算法相混合的进化寻优机制,通过适应度评估和优化效率分析自适应调节混沌遗传与粒子群算法的切换,实现网络参数在可行解空间的全局优化求解。实验结果表明,该算法较大提高了PNN的训练效率。     

基于量子遗传的蒙特卡洛节点定位算法

针对无线传感器网络(WSNs)节点定位的问题,提出了一种量子遗传算法与蒙特-卡洛相结合的定位算法(QGA-MCL).将QGA应用于MCL中的采样过滤阶段,通过合理的编码方案、译码方案以及量子旋转门对采样区域中随机产生的量子染色体进行操作,提高了样本寻优效率和定位精度,并加快了算法的收敛速度.仿真结果表明:与蒙特-卡洛定位算法相比,提出的QGA-MCL算法能够减少约10.2％的定位误差,同时,算法的收敛速度也得到了显著提升.     

量子遗传算法研究

量子遗传算法是在遗传算法中引入量子计算的概念,是20世纪90年代新兴的研究领域。介绍了遗传算法(GA)和量子算法(QC)的特点,以及量子遗传算法(QGA)的基本理论与方法。并在Matlab下编程对量子遗传算法与传统遗传算法的效率进行比较。     

一种改进的双链量子遗传算法及其应用*

针对目前双链量子遗传算法中保持种群多样性和改善优化效率问题提出了三种改进方法。通过在量子比特概率幅三角函数表达式中引入常数因子,使搜索过程在多个周期上同时进行,以改善算法的优化效率;提出了一种基于单比特量子Hadamard的变异策略,可提高保持种群多样性的概率;改进了量子旋转门转角步长函数,能够有效避免算法震荡,增强算法的适应性。以多变量函数极值优化问题为例,仿真实验结果表明上述三种改进措施是有效的。     

求解动态需求车辆调度问题的自适应量子遗传算法

针对物流配送过程中存在的动态车辆调度问题,即带载车量约束的实时优化车辆路径问题,提出一种自适应量子遗传算法,用于最小化配送成本.根据搜索点目标函数的变化率,提出一种自适应量子旋转门更新方式,并通过子种群适应度值的变化确定量子旋转角的方向和大小,进而引导种群进化方向,提高算法的全局搜索广泛性;设计了一种变异操作,用于保持自适应量子遗传算法的种群多样性,进而提高算法全局搜索的宽泛性;引入基于两元素搜索原则的局部搜索方法来增强算法的局部优化能力.仿真实验和算法比较验证了所提算法的有效性和优越性.     

一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。