自适应收扩系数的双中心协作QPSO算法

针对量子粒子群优化(QPSO)算法迭代后期种群多样性下降、收敛速度慢、易陷入局部最优的缺点,提出一种自适应收缩-扩张系数的双中心协作最子粒子群优化算法。该算法从2个方面进行改进:(1)自适应调节收缩-扩张系数,其目的是帮助粒子跳出局部最优点,提高粒子的全局搜索能力;(2)双重更新全局最优位置,即在每次迭代中,先后分别采用2种不同的方式更新全局最优位置。第1种方式与QPSO算法一致,第2种方式则引入双中心粒子,使其和当前全局最优位置在相应维度上合作,从而达到更新全局最优位置的目的。从固定迭代次数和固定精度角度分析算法性能,仿真结果表明,相比于QPSO算法,该算法在保证复杂度较低的情况下,可提高收敛速度,增强全局和局部搜索能力。     

使用新混合模糊聚类算法的模糊系统建模方法

为了进一步提高模糊系统建立模型的精度,提出一种新的模糊系统算法ANFIS-HC-QPSO：采用一种混合型模糊聚类算法来对模糊系统的输入空间进行划分,每一个聚类通过高斯函数的拟合产生一个隶属度函数,即完成ANFIS系统的前件参数--隶属度函数参数的初始识别,通过具有量子行为的粒子群算法QPSO与最小二乘法优化前件参数,直至达到停机条件,最终得到ANFIS的前件及后件参数,从而得到满意的模糊系统模型。实验表明,AN-FIS-HC-QPSO算法与传统算法相比,能在只需较少模糊规则的前提下就使模糊系统达到更高的精度。     

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的P-U曲线呈现多峰特性,需要设计光伏多峰最大功率点跟踪方法,以实现光伏发电最大功率输出,提高光伏发电效率。相比粒子群优化算法,量子粒子群优化算法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索;根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压;并根据量子粒子群优化算法收敛时粒子自身最优位置的特点,提出了更适合光伏多峰最大功率点跟踪的收敛判据。仿真测试表明,提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪,收敛速度更快,避免了不收敛的问题,且具有应对光照情况变化的能力,提高了局部阴影时光伏发电的效率。     

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。     

基于量子粒子群改进算法的直线阵综合

提出了一种基于反向学习机制的改进量子粒子群算法,采用反向学习机制增加种群的多样性,使搜索效率有了较大的提高,有效地避免了算法早熟收敛。应用这种改进算法成功地实现了直线阵的方向图综合,三个实例仿真结果证明了本文改进算法求解此类问题的有效性。     

量子粒子群和最小二乘支持向量机相结合的网络异常检测

为了提高网络安全性的异常入侵检测的准确率,提出一种量子粒子群算法（QPSO）优化最小二乘支持向量机（LSSVC）的网络异常检测方法（QPSO-LSSVC）.首先利用量子粒子群处算法对LSSVC模型参数进行搜索,选出最优参数,然后采用泛化性能力优异的LSSVC对网络入侵进行建模和检测.选取KDDCUP99数据对QPSO-LSSVC性能进行测试,实验结果表明,QPSO-LSSVC提高了网络异常检测准确率,降低了误报率,为网络安全提供了有效保证.     

基于QPSO算法的信道分配方法

由于传统的信道分配方法存在频率利用率低下和处理速度慢的缺点,为此,提出基于量子计算的PSO算法（QPSO）来快速实现信道最优化分配方法。这种优化方法利用了量子计算的并行计算能力强、全局收敛、运算速度极快等特点,主要包括初始化代表每个信道的粒子的速度和位置,根据信道分配的教学模型计算保证信道各种约束条件的适应度函数,根据量子粒子群的规律进行粒子位置更新,直至找到最佳信道分配方案等步骤。仿真结果表明其方法是行之有效的,优化效果优于基于遗传算法和PSO算法的信道分配方法。     

基于量子粒子群优化算法的水电系统经济运行

首次将量子粒子群优化算法用于水电系统经济运行研究中。该算法是量子理论与粒子群算法的融合,在粒子编码过程中引入了量子的态矢量表达,并将量子比特的概率幅表示应用于粒子的编码,使得粒子可以表达为多个态的叠加;在粒子更新操作过程中,利用量子逻辑门实现了粒子的演化,具有比常规粒子群算法更好的目标优化性能。仿真结果证实该算法可有效解决水电机组经济运行问题。性能对比显示,该算法求得的解优于常规粒子群算法及其它优化算法所求得的解。     

半导体制造批量计划调度问题的量子粒子群算法研究

对半导体制造批量计划调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解.该算法采用0-1编码方式,来实现对lot的分批和分配,并以最小完工时间为目标函数值进行寻优.最后通过具体算例,对该算法进行了仿真验证,结果表明,在求解半导体制造批量计划调度问题时,量子粒子群算法要优于二级蚂蚁算法、DSH算法,从而验证了该算法的可行性和有效性.     

An Improved Hybrid Indoor Positioning Algorithm via QPSO and MLP Signal Weighting

Accurate location or positioning of people and self-driven devices in large indoor environments has become an important necessity The application of increasingly automated self-operating moving transportation units, in large indoor spaces demands a precise knowledge of their positions. Technologies like WiFi and Bluetooth, despite their low-cost and availability, are sensitive to signal noise and fading effects. For these reasons, a hybrid approach, which uses two different signal sources, has proven to be more resilient and accurate for the positioning determination in indoor environments. Hence, this paper proposes an improved hybrid technique to implement a fingerprinting based indoor positioning, using Received Signal Strength information from available Wireless Local Area Network access points, together with the Wireless Sensor Networks technology. Six signals were recorded on a regular grid of anchor points, covering the research space. An optimization was performed by relative signal weighting, to minimize the average positioning error over the research space. The optimization process was conducted using a standard Quantum Particle Swarm Optimization, while the position error estimate for all given sets of weighted signals was performed using a Multilayer Perceptron (MLP) neural network. Compared to our previous research works, the MLP architecture was improved to three hidden layers and its learning parameters were finely tuned. These experimental results led to the 20% reduction of the positioning error when a suitable set of signal weights was calculated in the optimization process. Our final achieved value of 0.725 m of the location incertitude shows a sensible improvement compared to our previous results.