一种综合-合作学习的量子粒子群优化算法

为了改善量子粒子群优化QPSO(Quantum-behaved Particle Swarm Optimization)算法的全局收敛能力,在对综合学习策略QPSO算法研究的基础上,引入合作思想,提出综合-合作QPSO算法(CCQPSO)。在提出的算法中,局部吸引子和粒子最优位置的更新都体现在每一个具体的维度上,避免丢失解向量中最接近最优解的部分维。九个测试函数的仿真实验结果表明,提出的算法能够有效增加群体多样性,改善算法的早熟收敛。     

一种基于量子行为的改进粒子群算法

研究粒子群优化算法（PSO）的收敛速度,以提高该算法性能是PSO的一个重要而且有意义的研究。Jun Sun 等人通过对PSO系统下的单个个体在量子多维空间的运动及其收敛性的分析,提出了具有函数形式的粒子群算法（Quantum Delta-Potential-Well-based PSO）。在此基础上进行了改进,用粒子的速度来产生一个随机数引导粒子向最优解快速靠拢,并对速度的处理采取了新的策略。仿真结果表明：该改进算法对收敛速度有非常好的改善,而且稳定性也较好。     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

一种并行的自适应量子粒子群算法

针对粒子群算法存在易陷入局部最优解的问题,提出了一种并行的自适应量子粒子群算法。通过共享粒子的两个极值,将改进后的自适应粒子群算法和边界变异的量子粒子群算法并行搜索,有效地克服了标准粒子群算法的缺陷。测试结果表明,该算法在精度和全局最优解的找寻速度方面有了很大的提高。     

一种量子粒子群算法的改进方法

针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法。在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值。通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果。     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替,是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法,遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

一种二进制编码的量子粒子群优化算法

针对离散空间优化问题,给出二进制编码的量子粒子群优化（ＢＱＰＳＯ）算法的设计思路,重新定义粒子的位置矢量和粒子之间的距离,提出了ＢＱＰＳＯ 算法的进化方程．通过泛函分析的方法分析了ＢＱＰＳＯ 算法的收敛性,得出全局收敛的结论,并通过多个测试函数测试了ＢＱＰＳＯ 算法的性能．求解结果验证了算法的优越性．     

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.     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

一种PID参数量子粒子群自整定方法

传统的PID参数整定方法由于需要决策者具有较强的工程经验,难以处理非连续、非线性或时滞的复杂系统。针对这种情况,提出一种新的基于量子粒子群优化的PID参数自整定方法。该算法采用问题的时间绝对偏差乘积积分方程来评价粒子的适应值;设计一种时变变异算子,用来均衡粒子的全局和局部开发能力。实验结果表明,该算法在超调量和调节时间等指标上皆优于传统粒子群优化算法。     

基于量子粒子群求解混合整数非线性规划

在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法：量子粒子群（QPSO）算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。     

基于改进粒子群算法的变异体选择优化

变异测试是常用的测试方法之一,变异测试分析的过程中计算开销会比较大,问题主要集中于测试过程中会产生大量的变异体,为了减少变异体的数量,提出用标准粒子群聚类算法进行选择优化,但标准粒子群算法在被测数据量增加到一定数量的时候,它的迭代次数就会增加、收敛速度就会下降。针对以上问题提出基于改进的粒子群算法对变异体进行选择优化。通过对变异体集合进行聚类分区,增强变异体集合的多态性,从而对粒子群算法改进优化。实验结果表明在不影响测试充分度的前提下,使变异体的数量大幅度减少,同时与K-means算法以及标准粒子群算法相比之下,改进后的方法具有更好的优化效果。     

基于量子粒子群算法的聚类分析方法

针对K-均值聚类方法受初始聚类中心影响,容易陷入局部最优解的问题,提出一种基于量子粒子群算法的聚类方法,该方法引入了动态调整量子门旋转角和量子变异操作,采用改进的变异算子,使粒子群体保持品种的多样性和优良性,避免陷入局部最优,同时结合粒子群优化算法,增加粒子群的全局搜索能力。仿真实验表明该方法在全局寻优能力和收敛效率上都有所提高。     

基于量子行为粒子群优化算法的图像插值方法

传统图像插值方法简单,容易实现,但经过插值后的图像会增加一定的虚假内容,导致图像模糊。为提高插值图像的质量和图像的分辨率,提出一种基于量子行为粒子群优化（QPSO）算法的图像插值方法。该方法利用QPSO算法在以传统插值图像为基础形成的解空间中,寻找符合目标函数的最优高分辨率图像。实验证明,该方法实用、可行,且能得到质量较好的插值图像。     

改进的混合粒子群算法

从研究分析粒子群算法和郭涛算法的特点出发,提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式,以子空间搜索和串行搜索相结合的多点并行搜索,扩大了算法的搜索范围,减少了粒子对初值的依赖,增强了算法跳出局部最优的能力;通过后代较优个体变异产生子群,提高了算法局部寻优能力;实验证明,该算法正确高效。     

量子粒子群算法求解QoS组播路由

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。将量子粒子群算法用于此类问题的求解。并在此基础上对基本的量子粒子群算法进行改进,针对群体智能和约束优化问题的特点,提出了一种在每次迭代中有选择地保留一定数量不可行解的方法,并把它结合到量子粒子群优化（QDPSO）算法中。该算法可以利用保留下来的不可行解来帮助搜索靠近边界的最优解,同时又可以避免罚因子的选择问题,使之更适合于QoS组播路由的求解。仿真实验结果显示,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大算法保持了良好的特性,在寻优速度上与解的质量上优于其他粒子群算法与基本的量子粒子群算法。     

基于粒子群优化算法的Richards模型参数估计和算法有效性

针对Richards模型参数估计较为困难的实际问题,提出将Richards模型的参数估计问题转化为一个多维无约束函数优化问题。结合谷氨酸菌体的实际生长浓度数据,在Matlab 2012b环境中,利用粒子群优化（PSO）算法建立适应度函数,在最小线性二乘意义下估计Richards模型中的4个参数,并建立了拟合的生长曲线和最优值变化曲线。为进一步验证算法有效性,将PSO算法与该模型传统参数估计法中的四点法和遗传算法(GA)进行了比较,以相关指数和剩余标准差作为评价指标。结果表明,PSO算法对Richards模型的拟合效果良好,对模型的参数估计有着很好的适用性。     

基于多维问题的交叉算子量子粒子群优化算法

针对量子行为粒子群优化(QPSO)算法在求解多维问题时优秀维信息丢失的问题,引入交叉算子的策略,改善解的质量,提升算法性能。首先,分析了量子粒子群算法进化过程中的粒子整体更新评价策略,发现各维信息之间相互干扰,会丢失已经搜索到的优秀维信息;然后,指出如果采用逐维进化方法,会指数级增加算法的复杂度;最后,提出对进化过程中的问题解采用多点交叉的策略增加优秀维信息的保留概率,并将改进后的量子粒子群算法与线性下降参数控制策略、非线性下降参数控制策略方法通过12个CEC2005 benchmark测试函数进行了比较,并对结果进行了分析。仿真结果显示,所提算法比改进前在10个测试函数中取得了明显的改进效果,而比其他2种改进算法也在7个测试函数中取得了优势。因此该算法能够有效提升量子粒子群优化算法的性能。     

一种基于粒子群的聚类算法

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。     

基于食物链机制的动态多物种粒子群算法

针对粒子群优化(PSO)算法在解决多峰函数时容易陷入局部最优的问题,提出了一种基于食物链机制的动态多物种粒子群(DSPSO)算法。受生物界的启发,引入食物链机制来保证种群的多样性,并结合繁殖机制使得算法具有良好的优化性能。食物链机制中,整个标榜群被分为几个子种群,每个子种群都能够捕食另外一个子种群。通过一定概率发生的捕食现象使得标榜群得以进化,剔除对种群贡献小的粒子,并通过繁殖策略生成新的粒子。种群通过不断地进化保证了种群的多样性,同时通过剔除较差粒子的误导作用使算法的进化更有效率。为了验证算法的有效性,选择了包括偏移函数、旋转函数在内的10个测试函数来测试DSPSO算法的性能。实验结果表明DSPSO算法有着良好的寻优性能。与PSO、局部版本的粒子群(LPSO)算法、动态多群粒子群(DMS-PSO)算法和全面学习粒子群(CLPSO)算法相比,DSPSO算法不仅能够得到较高精度的解,而且还具有较高的可信度。