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.     

自适应Bloch球面的量子遗传算法

在基于量子位Bloch坐标的量子遗传算法的基础上,提出一种自适应Bloch球面的量子遗传算法。该算法按两种方式自适应地选取Bloch球面的一部分进行搜索：沿经线方向选取和沿纬线方向选取,并在理论上证明了这两种选取方式都能够包含所求连续优化问题的所有可行解。在对选取的Bloch球面进行搜索时,提出了近似等面积搜索的方法,进而推导出两个相位转角大小之间的反比例关系,染色体的变异操作也作了相应的修改以适应选取区域的限制。实验表明该算法在搜索能力方面与基于量子位Bloch坐标的量子遗传算法基本相当,但优化效率方面有明显提高。     

改进的量子遗传算法及应用

针对量子遗传算法在函数优化中迭代次数多,容易陷入局部最优解等缺点,提出新的量子遗传算法.该算法的核心是采用新的量子旋转门调整策略对种群进行更新操作,有效保证了种群的多样性,可以避免算法陷入局部最优解,提高了算法的全局寻优能力.同时能以更快的速度收敛于全局最优解.通过对典型复杂函数测试,计算结果表明,提出的算法优化质量和效率都要优于传统遗传算法和一般量子遗传算法.     

基于Bloch 球面坐标编码的量子粒子群算法及应用

为提高粒子群算法的优化效率,在分析粒子群优化算法的基础上,提出了一种基于Bloch球面坐标编码的量子粒子群优化算法。该算法每个粒子占据空间三个位置,每个位置代表一个优化解。采用传统粒子群优化方法的搜索机制调整量子位的两个参数,可以实现量子位在Bloch球面上的旋转,从而使每个粒子代表的三个优化解同时得到更新,并快速逼近全局最优解。标准测试函数极值优化和模糊控制其参数优化的实验结果表明,与同类算法相比,该算法在优化能力和优化效率两方面都有改进。     

多车场动态路径问题的自适应量子蚁群算法

针对物流配送过程中存在的多配送中心动态需求车辆调度问题即多车场动态车辆调度问题(MDDVRP),提出了一种自适应量子蚁群算法(SAQACA),用于最小化路径.根据量子的相位编码方式,提出了对蚁群的信息素矩阵进行直接编码,进而实现由量子旋转门更新完成蚂蚁移动;根据搜索点的量子相位特点及目标函数的变化率,提出了一种自适应量子旋转门更新方式,进而提高了算法的全局搜索深度;引入基于两元素搜索策略的局部搜索方法提高了算法的局部优化能力,从而对可行解进行改进.仿真实验与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。     

一种新的相位角编码量子进化算法

针对具有连续解空间的数值函数优化问题,基于量子算法和实数编码进化算法的思想,提出一种新的相位角编码量子进化算法(PAQEA).算法的概率表达特性使得量子染色体能够以一定概率表达优化问题的所有可行解,结合动态量子旋转门实现染色体的进化,实现了算法局部搜索与全局搜索的平衡.理论分析证明了算法的全局收敛性.仿真结果表明,该算法适用于复杂数值函数优化问题,具有收敛速度快、搜索能力强和稳定性高的特点.     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,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,使其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,能以更快的速度收敛于全局最优解,具有较好的应用价值。     

多比特概率幅编码的量子衍生粒子群优化算法

为了提高粒子群算法的优化能力, 提出一种新的量子衍生粒子群优化算法. 该方法采用多比特量子系统的基态概率幅对粒子编码, 基于自身最优粒子和全局最优粒子确定旋转角度, 采用基于张量积构造的多比特量子旋转门实施粒子的更新. 在每步迭代中, 只需更新粒子的一个量子比特相位, 即可更新该粒子上的所有概率幅. 标准函数极值优化的实验结果表明, 所提出算法的单步迭代时间较长, 但优化能力较同类算法有大幅度提高.

     

量子衍生涡流搜索算法

涡流搜索是最近提出的新型优化算法, 具有操作简单且搜索能力强的突出优点, 但在后期容易陷入早熟收敛. 对比, 通过在该算法中引入量子计算, 提出一种量子衍生涡流搜索算法. 首先将涡流中心用量子比特编码; 然后将其在Bloch 球面上实施多次旋转得到多个个体, 将最优个体作为新的涡流中心, 完成一次迭代. 对新的涡流中心再次实施旋转, 直至满足终止条件. 标准函数极值优化的实验结果表明, 所提出的方法明显优于普通涡流搜索算法.

     

基于改进的蜂群算法求解专有路径保护设计优化问题

针对光网络故障恢复资源利用的优化问题,采用改进的蜂群算法（IABC）来求解专有路径保护设计优化问题。由于采蜜机理的蜂群算法全局寻优能力较弱,引入禁忌表机制,增强算法搜索全局最优解的能力,并改进蜂群算法的交叉算子,增强算法的收敛速度。通过实验仿真。结果表明与传统的ABC算法相比,IABC能算法大大地提高计算效率,针对较复杂网络资源优化的NP问题提供有效的可行性实施方法。     

改进的人工蜂群算法在函数优化问题中的应用

人工蜂群算法是近年来新提出的一种优化算法。针对标准人工蜂群算法的局部搜索能力差,精度低的缺点,提出了一个改进的人工蜂群算法,利用全局最优解和个体极值的信息来改进人工蜂群算法中的搜索模式,并引入异步变化学习因子,保持全局搜索和局部搜索的平衡。将改进的人工蜂群算法在函数优化问题上进行测试,结果表明改进的人工蜂群算法优于原算法。     

双搜索人工蜂群算法的彩色图像多阈值分割

针对彩色图像多阈值分割中普遍存在精度低、速度慢的问题,提出了一种新的基于双搜索人工蜂群（DABC）的彩色图像多阈值分割算法。首先由于人工蜂群算法单一的解搜索公式存在不足,对雇佣蜂和跟随蜂各提出了一种搜索公式,进而对人工蜂群算法的相关参数进行了改进,然后做了DABC算法、全局最优引导人工蜂群算法（GABC）、人工蜂群算法（ABC）、粒子群优化算法（PSO）这四种算法的彩色图像多阈值分割对比实验。实验结果表明,与其他三种算法相比,基于DABC的彩色图像多阈值分割方法在分割的精度和速度上都有明显提高,完全能满足实际的需要。     

引入跟踪搜索和免疫选择的人工蜂群算法

针对人工蜂群算法中食物源更新和观察蜂选择食物源机制存在的缺点,提出一种具有跟踪搜索和免疫选择的人工蜂群算法。在原搜索方法基础上,引入跟踪全局最优解和随机选择解的搜索方法,选择搜索到的最优解作为候选解,以加快种群的收敛速度,提高算法的收敛性;在观察蜂选择食物源时,引入免疫系统的抗体浓度调节机制,以维持种群的多样性,提高算法的全局搜索能力。对6个经典测试函数的仿真计算结果表明,与ABC、GABC、RABC和TABC算法相比,改进算法在寻优精度、收敛性能方面具有较明显的优势。     

基于改进人工蜂群的核模糊聚类算法

针对核模糊C均值（KFCM）算法对初始聚类中心敏感、易陷入局部最优的问题,利用人工蜂群（ABC）算法的构架简单、全局收敛速度快的优势,提出了一种改进的人工蜂群算法（IABC）与KFCM迭代相结合的聚类算法。首先,以IABC求得最优解作为KFCM算法的初始聚类中心,IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值,对雇佣蜂的搜索行为进行改进,平衡人工蜂群算法的全局搜索与局部开采能力;其次,以类内距离和类间距离为基础,构造出适应KFCM算法的适应度函数,利用KFCM算法优化聚类中心;最后,IABC和KFCM算法交替执行,实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验,实验结果表明,与基于改进人工蜂群的广义模糊聚类（IABC-KGFCM）相比,IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点,具有鲁棒性强和聚类精度高的优势。     

基于混沌局部搜索算子的人工蜂群算法

在求解函数优化问题时,为了提升人工蜂群算法局部搜索能力,提出了一种新颖的混沌蜂群算法。新算法设计了一种混沌局部搜索算子,并将其嵌入蜂群算法框架中;该算子不仅能够实现在最优食物源周围局部搜索,还能够随着进化代数增加使搜索范围不断缩小。仿真实验结果表明,与人工蜂群算法相比,新算法在Rosenbrock函数上,求解精度和收敛速度明显占优;此外新算法在多模函数Griewank和Rastrigin上,收敛速度明显占优。     

合蜂群杂草算法及其在灌溉制度优化中的应用

首先针对杂草算法容易早熟收敛的问题,将人工蜂群算法的寻优机制引入其中,提出了一种混合蜂群杂草算法。该算法对杂草种群中的每个个体利用采蜜蜂搜索方式进行变异,对群体最优个体利用跟随蜂搜索方式进行变异,用较优的变异结果替代原有个体,提高了算法的收敛精度。然后,通过对几个标准测试函数进行实验,验证了改进算法的优化性能。最后,将该算法应用到灌溉制度优化问题中,为制定灌溉水量分配方案提供了一种新的工具。     

一种带共享因子的人工蜂群算法

人工蜂群(ABC)算法在搜索过程中收敛速度较慢,且容易出现早熟现象。针对该问题,提出一种带共享因子的ABC算法。通过共享因子动态调整蜜蜂与其邻域个体之间的信息共享程度,在搜索初始阶段适当减小信息共享,避免蜂群飞过最优解所在区域,在搜索中后期增强信息共享,提高蜂群的全局寻优性能。函数测试结果表明,该算法具有较好的收敛性能,适用于求解复杂函数优化问题。     

基于分段搜索策略的自适应差分进化人工蜂群算法

针对人工蜂群算法在求解函数优化问题时存在的探索能力强,而开发能力不足和收敛性能差的问题,本文提出一种基于分段搜索策略的自适应差分进化人工蜂群算法。该算法将改进后的差分进化算法中的变异操作引入到观察蜂的局部搜索策略中,让观察蜂在雇佣蜂逐维变异后的当前最优解周围进行局部搜索,并采用分段搜索的方式更新蜜源,以提高其局部搜索能力。仿真实验结果表明,与基本人工蜂群算法相比,改进后的算法有效地平衡了算法的探索能力和开发能力,并提高了算法的寻优精度和收敛速度。     

分阶段搜索的改进人工蜂群算法

针对人工蜂群(ABC)及其改进算法在求解高维复杂函数优化问题时,存在求解精度低、收敛速度慢、易陷入局部寻优且改进算法控制参数多的不足,提出一种分阶段搜索的改进人工蜂群算法。该算法设计了分阶段雇佣蜂搜索策略,使雇佣蜂在不同阶段具备不同的搜索特点,降低了算法陷入局部极值的概率;定义逃逸半径,使其能够更好地指导早熟个体跳出局部极值,避免了逃逸行为的盲目性;同时,采用均匀分布结合反向学习的初始化策略,促使初始解分布均匀且质量较优。通过对优化问题中8个典型高维复杂函数的仿真实验结果表明,该改进算法求解精度更高,收敛速度更快,更加适合高维复杂函数求解。