多目标优化量子进化算法及其在PID控制器中的应用

目前量子进化算法主要应用于单目标优化问题．本文结合量子进化算法和经典多目标优化算法中常用的非支配排序技术,提出一种解决多目标优化问题的多目标优化量子进化算法（Multi—objective Optimization Quantum Evolutionary Algorithm,MOQEA）,并将其应用于PID控制器参数整定．经过实验证明,无论是解的质量还是解的分布均匀性,MOQEA都优于经典多目标优化算法NSGA—II．     

基于云模型量子进化算法的薄膜微观结构表征

掠入射X射线反射(GIXR)是光学薄膜表征的优选方法,但它需要建立相应的物理模型并采用一定的算法进行拟合求解。针对目前普遍使用的进化算法存在着种群规模大、收敛速度慢和拟合精度差的问题,本文将云模型与量子进化算法相结合,提出了一种基于云模型量子进化算法(CQEA)的薄膜微观结构表征方法,并将该算法应用于Si单层膜和周期极紫外Mo/Si多层膜的表征之中,并将其拟合结果与基于进化算法的拟合结果进行对比。分析表明,CQEA具有种群规模小、收敛速度快和拟合精度高的优势,同时给出的薄膜结构参数值精度更高。相关研究工作体现了CQEA应用于薄膜微观结构表征中的可行性与优越性,为基于GIXR的薄膜微观结构表征提供一种更优选的拟合求解方法。     

量子进化算法和免疫算法的比较研究

量子进化算法和免疫算法都是解决优化问题的强有力算法。在分析了量子进化算法搜索的特点和免疫算法的机理基础上,对它们进行比较,阐明了二者的不同特点,并通过仿真实例总结出它们在求解多峰值函数优化问题上各自的优缺点。     

免疫量子进化算法

将免疫的概念和方法引入到量子进化算法中，提出一种新型的进化算法——免疫量子进化算法。该算法在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或先验知识，抑制或避免求解过程中的一些重复或无效的工作，以提高算法的整体性能。对背包问题的仿真实验表明，免疫量子进化算法的性能优于经典的进化算法、免疫进化算法、量子进化算法等3种算法。     

单纯形调优法在多层膜系优化设计中的应用

采用单纯形调优法对多层光学膜系进行了优化设计，并开发了相应的优化设计程序。用该优化程序已经成功地设计出了可见光区高增透膜系。与其他光学薄膜自动设计方法得到的结果相比，在膜系层数相同甚至更少的情况下，用该方法可以得到很好的优化效果，而且优化过程对初始膜系的依赖性较低。     

基于模拟退火的量子进化算法

针对量子进化算法全局搜索能力强而局部寻优能力弱的特点,提出一种基于模拟退火的量子进化算法。该方法将模拟退火算法引入到量子进化算法中,在采用量子进化算法进行解空间全局搜索的同时,用模拟退火算法加强局部寻优能力,以有效平衡算法的开采与勘探能力。采用著名的NP难组合优化问题———背包问题为例进行实验,结果表明:本文方法获得了比量子进化算法更好的解,证实了其有效性。     

多层反膜系反射特性的计算机模拟计算及其应用

根据薄膜光学与膜系设计的原理,对非四分之一波长的多层反射膜系的反射特性进行了计算,总结出高折射率薄膜的光学厚度与膜系的倍频反射带之间的关系,并以此指导设计出特殊要求的多层反射膜系.     

一个基于模拟进化的VLSI多层区域布线算法

提出了一个VLSI版图设计的多层区域详细布线算法。算法采用有网格顺序布线技术，先按线网权重从大到小的次序对线网逐个布线，若剩有不能布通的线网则采用拆线－重布线，所有线网都布通后再利用拆线－重布线策略对布线进行优化，拆线－重布线的线网选择原则基于模拟进化技术，对单个线网使用改进型多层迷宫算法进行布线。算法可进行严格分层模式和非严格分层模式的布线，布线同时能进行通孔优化，能优先考虑关键线网的布线，并采取了减少串扰的措施。实验证明该算法能得到较好的布线结果。     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

基于内分泌激素调节机制的量子进化算法

针对传统量子进化算法用于搜索某些适应度函数时稳定性和精确性差的问题,在计算量子旋转角时引入内分泌激素调节规律,使得量子旋转角根据种群进化代数及个体适应度值自适应调整,提出了一种基于内分泌激素调节机制的量子进化算法.并用于Schaffer函数寻优和三维人脑图像分割.仿真实验结果表明,该算法不仅保留了传统量子进化算法收敛速...     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

进化算法在废弃物选址问题上的应用

研究城市废弃物中转站和处理站的选址问题,考虑总成本（建设费、运费）最低和环境负效应最小,建立优化模型.设计进化算法求解,确定要建立的中转站和处理站的位置、容量及建设费用,并确定了中转站服务的产生点和处理站服务的中转站.最后算例仿真表明了算法的可行性和有效性.     

数字电路模块化进化算法

针对大规模复杂电路进化设计的收敛速度和规模瓶颈,在遗传算法的基础上提出了一种模块化进化算法.该算法以节点作为基本单元,采用图表形式的编码方案,其基本思想是将染色体中优秀的基因片段作为有效局部解或优秀子电路封装为模块,进化过程中该模块不再进行进化操作.不仅保护优秀的基因片段而且大大简化了复杂电路的进化设计.并以加法器和乘法器为例进行了模块化进化算法的进化设计实验.结果表明:相对于传统遗传算法,模块化进化算法应用于复杂电路进化设计时,不仅进化设计的速度得到提高,而且大大提高了电路进化设计的成功率.     

一种改进的进化规划算法在原料库存优化中的应用

库存控制是现代企业,特别是连续生产企业物流管理的一项重要内容.针对某有色冶金企业原料库存的实际情况,建立一个以资金损耗最小为直接性能指标的原料库存优化模型,并利用一种进化规划的算法对该模型进行优化.仿真及实际运行结果表明:进化规划算法有效地克服了传统遗传算法容易早熟收敛的缺点,具有全局收敛性,同时还能加快遗传进化的速度,得到令人满意的全局最优解.     

量子遗传算法在目标分配上的应用

量子遗传算法是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性.目标分配问题是一种典型的NP难问题,传统的方法在求解此问题时很容易陷入局部最优.本文利用量子遗传算有效地解决了目标分配最优化的问题,数值模拟表明量子遗传算法在该类问题中具有效性和可行性.     

基于自适应量子遗传算法的电力系统机组组合问题

采用了一种自适应量子遗传算法来解决机组组合问题.其数学模型以最小燃料成本作为目标函数.考虑的约束条件有功率平衡约束、机组容量约束、最大启停次数约束,以及最小连续停运和运行时间约束.该算法采用了新的量子个体来表示机组的启停状态,提出了针对个体适应值和进化代数的自适应量子旋转角,使个体向更好的解靠近.仿真实验结果验证了自适应量子遗传算法的可行性和优越性.     

多目标进化算法在物流配送中心选址中的应用

传统的物流配送中心选址模型过于单一地追求物流成本的最小化,而没有考虑服务的质量与效率．本文将顾客时间满意度作为度量物流服务水平的一个标准,提出了物流配送中顾客时间满意度的计算方法,建立了以物流成本最小化和时间满意度最大化为目标的物流配送中心选址多目标优化模型．采用一种基于NSGA一Ⅱ的多目标进化算法来求解,通过选择合适的编码方法和遗传算子可以得到模型的最优解,并通过实际算例说明了模型和算法的有效性．该模型能一次得到多组有效解,从而可以为物流配送中心选址提供更加全面的决策支持．