变分布的量子行为粒子群优化算法求解工程约束优化问题

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题,提出了一种自适应的基于高斯分布的量子行为粒子群优化(AG-QPSO)算法。通过自适应地调整高斯分布,AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力,随着搜索过程的进行,算法的局部搜索能力逐渐增强,从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性,在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明,在满足所有约束条件的情况下,AG-QPSO算法在压力容器设计问题上取得了5890.9315的平均解和5885.3328的最优解,在张弦设计问题上取得了0.01096的平均解和0.01096的最优解,远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果,同时AG-QPSO算法取得的结果的方差较小,说明该算法具有很好的鲁棒性。     

微电网群功率优化控制

随着间歇性电源(分布式风电、光伏)在中、低压配电网中渗透率的提高,多个微电网可能共存于一个区域配电网中,各微电网间能量互济与协调控制的微电网群技术开始引起广泛的关注。以微电网研究为基础,分析了微电网群的典型特征及拓扑结构。以微电网群功率波动为研究对象,建立了微电网群功率波动熵值的动态调度模型,采用量子粒子群优化算法进行求解实现优化控制。仿真结果验证了所提微电网群功率优化控制方法的正确性和有效性。     

基于QPSO优化算法的余弦调制滤波器组设计

提出了一种新的余弦调制滤波器组设计方法,此方法以原型滤波器的阻带衰减作为目标函数,用改进型量子粒子群算法(QPSO)设计最接近满足重构条件的原型低通滤波器,然后在此基础上通过余弦调制得到分析滤波器组和综合滤波器组.实验仿真结果表明,用此方法设计的余弦调制滤波器组(CMFB)具有良好的阻带衰减特性和精确重构性能,在满足性...     

基于量子微粒群的BPNN在转炉炼钢静态模型中的应用

针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络(BPNN)的拓扑结构,并依此建立了转炉炼钢静态模型.然后把量子微粒群算法(QPSO)应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法(PSO)、梯度下降法的学习性能.最后,基于某炼钢厂的历史数据进行了仿...     

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。     

基于QPSO和MATLAB优化资金投资组合

量子粒子群优化算法（QPSO）是一种基于粒子群优化算法（PSO）的进化算法,它收敛速度快、规则简单、易于编程实现;Matlab是国际控制界公认的标准计算软件。采用QPSO对资金组合投资的多目标问题进行优化,使用Matlab编程,解决了传统方法难以解决的问题,仿真实验表明采用本方法能对资金投资组合问题提出较好的优化决策。     

基于量子行为粒子群算法的铣削用量优化

铣削加工中如何选择最佳的铣削用量是一个多约束非线性的复杂优化问题。在考虑实际加工约束的情况下,以最小化加工成本为目标,采用量子行为粒子群优化(QPSO)算法对铣削实例进行优化,得出了最优的铣削用量组合。通过与实际使用经验值对比,验证该算法能够有效地优化铣削用量,节约加工成本。     

基于QPSO的震动传感器片上相位补偿器设计方法

震动传感器的系统相位非一致性会对地震波到时时差提取产生很大的误差,严重影响震源定位精度;针对这一问题,提出了一种基于量子粒子群优化算法（QPSO）的震动传感器片上相位补偿器设计方法。首先对震动传感器进行相位标定,获得传感器与参考传感器的相位差;其次设计基于QPSO算法的相位补偿滤波器对相位差进行修正,使其无限趋近于0;最后,将相位补偿滤波器封装成FPGA软核部署于FPGA上,完成对震动传感器的相位片上实时补偿。为了验证该方法的性能,将相位补偿滤波器部署于自研的多通道震动信号采集系统上,对8个相同型号震动传感器进行相位一致性校准。试验结果表明,在震动传感器频响范围内,该方法可以将2.5°内的传感器相位差实时修正至0.0044°以下,实现了震动传感器阵列的相位一致性实时校准。该成果在地下浅层震源定位领域具有较强的应用价值。     

基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究

针对电力数据海量化、多维化的趋势,为了提高聚类算法的聚类质量,并解决传统聚类算法聚类海量高维数据时单机计算资源不足的瓶颈,提出了一种基于云计算的电力负荷曲线聚类的并行量子粒子群优化模糊C均值聚类算法。将量子粒子群群体智能算法引入到传统模糊C均值聚类算法中,利用QPSO较强的全局搜索能力,克服FCM算法易陷入局部最优以及其对初始聚类中心过于敏感的缺陷。最后,采用云计算的MapReduce编程框架以及HBase分布式数据库对算法进行并行化改进。经实验验证与FCM算法和AFCM算法相比聚类正确率提高了10%左右,且并行性能较好。     

用加权子空间拟合和量子粒子群算法联合估计多普勒频率和波达方向

为了高效、准确地估计多普勒频率和波达方向(DOA),提出了基于加权子空间拟合(WSF)算法和量子粒子群优化(QPSO)算法的WSF-QPSO联合谱估计方法.首先,利用状态空间模型构造包含多普勒频率和DOA信息的广义可观测矩阵;用WSF算法拟合联合谱函数,将参数估计问题转化为多维非线性函数优化问题.然后,利用QPSO算法优化联合谱函数,得到多普勒频率和DOA的估计值.实验结果表明:在信源参数比较接近的情况下,WSF-QPSO方法在信噪比为0 dB时对多普勒频率和DOA估计的均方根误差仅为0.007 5 rad和0.25°.与其他方法相比,该方法具有估计精度高、控制参数少、鲁棒性好、参数自动配对等特点,在低信噪比和小样本条件下依然能够得到较满意的参数估计结果.