基于变异概率分析的改进QGA及其应用

标准量子遗传算法(QGA)在应用于组合优化问题时,会由于早熟收敛而陷入局部最优.为解决该问题,引入κ位变异子空间概念分析Q-bit的变异概率分布,指出传统随机变异机制和QGA自有变异机制之间的冲突,提出一种基于观测状态的阶段式大尺度变异机制.将该机制的变异算子嵌入量子旋转策略表,对不同规模的0/1背包问题进行测试,结果表明,该机制能有效避免早熟收敛,跳出局部最优,全局寻优能力优于标准QGA.     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法(QGA)在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法(QQGA),运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。     

用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

WMSNs中基于改进QGA的覆盖增强算法

针对无线多媒体传感器网络(WMSNs)中存在的覆盖盲区与覆盖重叠区域等问题,提出一种改进的量子遗传算法(QGA)来调整WMSNs中节点的位置和感知方向。相对于传统QGA,该算法采用从多条最优染色体构成的集合中随机选取优化目标来引导算法迭代,在保留算法收敛速度的同时改善其易收敛于局部最优的情况;同时,采用自适应旋转角和新的量子变异策略,加快算法的收敛速度。仿真实验表明:该算法具有良好的全局收敛能力和速度,可以更好地提高网络的覆盖率。     

量子遗传算法的变尺度混沌优化策略研究*

针对量子遗传算法（QGA）易陷入局部极值、具有早熟收敛等问题,分析了QGA的流程,从全局搜索和局部搜索两个层面探讨了QGA的改进策略,提出了一种新的算法。该算法利用混沌运动的遍历性和随机性进行全局搜索,同时利用梯度信息对QGA的量子更新过程环节进行优化。典型函数测试分析表明,该方法的综合性能明显优于量子遗传算法及遗传算法。     

混沌量子粒子群优化算法

针对量子粒子群优化算法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,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

求解TSP的量子遗传算法

量子遗传算法(QGA)在求解数值和组合优化问题时效率明显优于传统进化算法,但目前较多被用于求解组合优化的背包问题,为了充分发挥QGA的优点,文中用其求解TSP这一经典的NP难问题.首先,文中设计了一种利用几率幅值编码的新的编码方式,即利用几率幅值编码的量子个体与一组向量对应,而此向量又与一条可行路径一一对应.这样的编码方式不仅缩小了种群规模,占用较少内存,所得的解均可行,而且有效地增强了种群的多样性;其次,在量子个体上实施量子杂交,这一操作有利于保留相对较好的基因段;最后,为了加快算法的收敛速度,引入两阶段局部搜索,第一阶段主要针对实例中排列稀疏处的城市进行优化,第二阶段在第一阶段的基础上着重对排列密集处的城市优化.据此,设计了解TSP的一个新的高效的QGA,并证明了其以概率1收敛到全局最优解;测定算法性能的数值实验数据表明,该算法在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.     

含维变异算子的量子粒子群算法

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,提出一种新的量子粒子群优化算法--含维变异算子的量子粒子群算法(QPSODMO).计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,让所有粒子在该维上的位置重新均匀分布在可行区域上.对测试函数所做的对比实验表明,所提出的QPSODMO增强了全局搜索能力,克服了PSO算法易于收敛到局部最优的缺点,也优于原始的量子粒子群算法.     

混合量子遗传算法及其在VRP中的应用

物流配送车辆路径问题(VRP)是一类典型的NP问题.针对提高寻优能力问题,构造了一种混合量子遗传算法(HQGA),即在传统量子遗传算法(QGA)随机全局搜索的基础上引入一个免疫算子,通过该算子的局部搜索操作实现线路内次序的再优化.给出了该算法的具体实现方法和流程,并用实例进行测试.仿真结果表明混合量子遗传算法的寻优性能优于传统量子遗传算法(QGA)及文献中的其它方法,可以避免出现早熟收敛,是求解车辆路径问题的一种有效的算法.     

基于混沌机制的混合量子粒子群优化算法

针对量子粒子群优化算法在处理一般复杂函数时可以找到函数最优解但容易陷入局部极小等问题,提出利用混沌搜索解决早熟收敛的混合量子粒子群算法CODPSO。数值实验结果表明,与量子粒子群优化算法相比,该算法效率高、优化性能好,具有较强的避免局部极小能力,对初值具有较强的鲁棒性。