改进量子进化算法及其在物流配送路径优化问题中的应用

量子进化算法的性能直接受量子旋转门旋转角计算方法的影响.文中提出一种改进量子进化算法,核心是设计了基于量子比特概率幅比值自适应计算量子旋转门旋转角的新方法,算法具有收敛速度快和全局搜索能力强的特点.通过0/1背包问题分析了新方法中相关参数对算法性能的影响,并应用算法求解物流配送路径优化问题,仿真表明改进量子进化算法性能优于量子进化算法和传统进化算法.     

函数优化的量子正弦余弦算法

正弦余弦算法利用正弦和余弦函数对个体位置进行更新与搜索。为了避免正弦余弦算法早熟收敛,根据量子进化算法的相关理论和正弦余弦算法,设计了一种求解函数优化问题的新型智能算法——量子正弦余弦算法。量子正弦余弦算法则利用量子位对个体位置进行编码,以量子旋转门实现对个体最优位置的搜索,并以量子门实现个体的变异,从而避免早熟收敛。通过一系列典型函数优化问题的求解实验并与其他算法作比较,获得了满意的效果。     

混合量子算法及其在flow shop问题中的应用

量子进化算法（QEA）是目前较为独特的优化算法,它的理论基础是量子计算。算法充分借鉴了量子比特的干涉性、并行性,使得QEA求解组合优化问题具备了可行性。由于在求解排序问题中,算法本身存在收敛慢,没有利用其它未成熟个体等缺陷,将微粒群算法（PSO）及进化计算思想融入QEA中,构成了混合量子算法（HQA）。采用flow shop经典问题对算法进行了测试,结果证明混合算法克服了QEA的缺陷,对于求解排序问题具有一定的普适性。     

基于量子免疫算法的车辆调度问题优化

为优化带时间窗的车辆调度计算问题,引入量子进化算法,提出了一种混合量子免疫进化算法。首先对传统量子旋转门进行改进,使个体在进化过程中向全局最优位置靠近,从而避免算法早熟并保持种群多样性。其次在迭代过程中,引入免疫算子,提取优秀基因片段作为疫苗,接种到种群中其他个体,避免算法性能的倒退。最后,针对Solomon标准实例库实例数据进行多算法编码仿真实验,结果表明,所提混合量子免疫进化算法不仅能够有效解决类似问题,而且能够显著加速收敛。     

实数编码量子进化算法

为求解复杂函数优化问题,基于量子计算的相关概念和原理,提出一种实数编码量子进化算法.首先构造了由自变量向量的一个分量和量子比特的一对概率幅为等位基因的三倍体染色体,增加了解的多样性;然后利用量子旋转门和依据量子比特概率幅满足归一化条件设计的互补双变异算子进化染色体,实现局部搜索和全局搜索的平衡.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局搜索能力强和稳定性好的优点.     

基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。     

混合量子差分进化算法及应用

量子进化算法基于量子旋转门更新量子比特状态影响了算法搜索性能．提出一种差分进化（DE）与和声搜索（Hs）相结合更新量子比特状态的混合量子差分进化算法（HQDE）．该方法采用实数量子角形式编码染色体,设计一种由差分进化计算更新量子位状态的量子差分进化算法（QDE）和一种由和声搜索更新量子位状态的量子和声搜索（QHS）,并相互机制融合,采用两种不同进化策略共同作用产生种群新量子个体以克服常规算法中早熟及收敛速度慢等缺陷;在此基础上,算法还引入量子非门算子对当前最劣个体以一定概率选中的量子比特位进行变异操作增强算法跳出局部最优解能力．理论分析证明该算法收敛于全局最优解．0／1背包问题及旅行商问题实例测试结果验证了该方法有效性．     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题,算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群,求解多目标0/1背包问题的实验结果表明了该算法的有效性.     

一种量子行为进化算法及应用

为了提高进化算法的优化能力,提出一种量子行为进化算法.该算法基于Bloch球面建立搜索机制,首先用量子位描述个体,用泡利矩阵建立旋转轴,用量子位在Bloch球面上的绕轴旋转实现进化搜索;然后用Hadamard门实现个体变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.以函数极值优化为例,实验结果表明该算法具有较高的优化能力和优化效率.     

求解组合优化问题的改进型量子进化算法

根据组合优化问题的特点,提出了一种求解组合优化问题的改进型量子进化算法.借鉴小生境协同进化思想初始化种群,增加了个体多样性;采用动态策略调整量子门旋转角,加快了收敛速度;采用"优体交叉"策略实施染色体交叉操作,增强了局部搜索能力.利用典型组合优化问题--2个多维0/1背包问题实例对算法性能进行验证,结果表明了该算法的可行性和有效性.     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

基于旋转基技术的多目标粒子群优化算法

为了解决多目标优化求解的问题,提出一种基于旋转基技术的多目标粒子群优化算法（rtMOPSO）。改进了旋转基可视化技术,并将Pareto前沿映射到改进的旋转基扇形平面上,采用差熵指标监测种群进化状态。为平衡归档集的收敛性和多样性,提出了角度支配和角度支配力度两种新的概念,并设计归档集新的排序方法。在融合了旋转基角度和距离的概念的基础上,提出了一种改进的全局引导粒子的选择策略。改进算法采用两个类别的测试函数,与五种多目标优化算法进行了对比实验。实验结果表明,改进算法在收敛性和多样性方面优势明显。     

量子位Bloch坐标的量子人工蜂群优化算法

为了改善人工蜂群(ABC)算法在解决多变量优化问题时存在的收敛速度较慢、容易陷入局部最优的不足,结合量子理论和人工蜂群算法提出一种新的量子优化算法。算法首先采用量子位Bloch坐标对蜂群算法中食物源进行编码,扩展了全局最优解的数量,提高了蜂群算法获得全局最优解的概率;然后用量子旋转门实现搜索过程中的食物源更新。对于量子旋转门的转角关系的确定,提出了一种新的方法。从理论上证明了蜂群算法在Bloch球面每次以等面积搜索时,量子旋转门的两个旋转相位大小近似于反比例关系,避免了固定相位旋转的不均等性,使得搜索呈现规律性。在典型函数优化问题的实验中,所提算法在搜索能力和优化效率两个方面优于普通量子人工蜂群(QABC)算法和单一人工蜂群算法。     

基于多链拓展编码方案的量子遗传算法

为了提高量子遗传算法的性能,提出了一种基于多链拓展编码方案的量子遗传算法。根据编码方案,将每个量子位分解为多个并列的基因,有效地拓展了搜索空间;结合编码方案提出量子更新策略,并引入了动态调整旋转角机制对个体进行更新,使用量子非门变异策略实现量子变异。仿真实验中,分析了使用不同变异概率[0,0.1,…,0.9,1]时对算法性能的影响,对比了分别使用普通量子遗传算法、双链编码方案、三链编码方案以及四链编码方案的量子遗传算法在优化函数极值问题时算法的性能。实验结果证明,通过增加基因链可以显著提高算法的性能,多链拓展编码方案可以提高量子遗传算法的性能,是有效的。     

Integrating Conjugate Gradients Into Evolutionary Algorithms for Large-Scale Continuous Multi-Objective Optimization

Large-scale multi-objective optimization problems (LSMOPs) pose challenges to existing optimizers since a set of well-converged and diverse solutions should be found in huge search spaces. While evolutionary algorithms are good at solving small-scale multi-objective optimization problems, they are criticized for low efficiency in converging to the optimums of LSMOPs. By contrast, mathematical programming methods offer fast convergence speed on large-scale single-objective optimization problems, but they have difficulties in finding diverse solutions for LSMOPs. Currently, how to integrate evolutionary algorithms with mathematical programming methods to solve LSMOPs remains unexplored. In this paper, a hybrid algorithm is tailored for LSMOPs by coupling differential evolution and a conjugate gradient method. On the one hand, conjugate gradients and differential evolution are used to update different decision variables of a set of solutions, where the former drives the solutions to quickly converge towards the Pareto front and the latter promotes the diversity of the solutions to cover the whole Pareto front. On the other hand, objective decomposition strategy of evolutionary multi-objective optimization is used to differentiate the conjugate gradients of solutions, and the line search strategy of mathematical programming is used to ensure the higher quality of each offspring than its parent. In comparison with state-of-the-art evolutionary algorithms, mathematical programming methods, and hybrid algorithms, the proposed algorithm exhibits better convergence and diversity performance on a variety of benchmark and real-world LSMOPs.      

基于权重学习的高维多目标进化算法

在多目标进化算法解决多目标优化问题的过程中,随着目标个数的增加,种群个体进化方向的盲目性逐渐显露出来,同时还存在着收敛性和多样性难以平衡的问题。针对以上两个问题,以基于参考点策略的快速非支配排序遗传算法NSGA-Ⅲ为框架,分别从产生候选解和选择候选解两个角度进行算法改进,从而得到一个新的进化算法WL-NSGAⅢ。在新算法的匹配选择阶段,设计了一种基于权重的个体学习策略,即利用种群信息构建代内关系为种群个体提供进化方向并增加候选解集的收敛性。同时,在新算法的环境选择阶段,利用权重信息对小生境选择策略进行改进。为了验证新算法的有效性,通过模拟实验将新算法与现有算法在DTLZ问题测试集中进行比较。仿真结果表明,新算法在大多数基准问题上具有良好的效果。     

面向多目标优化的适应度共享免疫克隆算法

多目标优化的日标在于使得解集能够快速的逼近真实Pareto前沿.针对解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持的多目标优化进化算法;算法建立外部群体以保存非支配解,以Pareto优和共亨适应度作为外部群体更新与激活抗体选择的双重标准.为了增强算法对决策空间的开发能力,引入...     

基于参考点的高维多目标粒子群算法

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

A surrogate-assisted evolutionary algorithm based on the genetic diversity objective

In this work, a novel surrogate-assisted memetic algorithm is proposed which is based on the preservation of genetic diversity within the population. The aim of the algorithm is to solve multi-objective optimization problems featuring computationally expensive fitness functions in an efficient manner. The main novelty is the use of an evolutionary algorithm as global searcher that treats the genetic diversity as an objective during the evolution and uses it, together with a non-dominated sorting approach, to assign the ranks. This algorithm, coupled with a gradient-based algorithm as local searcher and a back-propagation neural network as global surrogate model, demonstrates to provide a reliable and effective balance between exploration and exploitation. A detailed performance analysis has been conducted on five commonly used multi-objective problems, each one involving distinct features that can make the convergence difficult toward the Pareto-optimal front. In most cases, the proposed algorithm outperformed the other state-of-the-art evolutionary algorithms considered in the comparison, assuring higher repeatability on the final non-dominated set, deeper convergence level and higher convergence rate. It also demonstrates a clear ability to widely cover the Pareto-optimal front with larger percentage of non-dominated solutions if compared to the total number of function evaluations.