函数优化的量子竞争决策算法

基于量子进化算法和竞争决策算法及进化博弈论,提出一种新型优化算法——量子竞争决策算法。将量子个体作为博弈者参与到优化中,通过竞争力函数和决策函数及量子门更新,实现博弈者自学习和自优化的目的,利用叠加态等特性,提高竞争群体的多样性。通过对典型复杂函数的实验和与其他算法的比较,结果表明算法能有效避免局部最优,全局优化能力强。     

改进量子进化算法及其在物流配送路径优化问题中的应用

量子进化算法的性能直接受量子旋转门旋转角计算方法的影响.文中提出一种改进量子进化算法,核心是设计了基于量子比特概率幅比值自适应计算量子旋转门旋转角的新方法,算法具有收敛速度快和全局搜索能力强的特点.通过0/1背包问题分析了新方法中相关参数对算法性能的影响,并应用算法求解物流配送路径优化问题,仿真表明改进量子进化算法性能优于量子进化算法和传统进化算法.     

用于多维函数优化的实数编码量子蚁群算法*

基于量子计算理论及蚂蚁群体寻优策略,提出了一种用于连续优化问题的新方法——实数编码量子蚁群算法（RQACOA）。针对量子比特编码和二进制编码在连续优化问题上的不足,引入一种新的实数编码表示方法,设计了智能量子蚂蚁,一条染色体携带指定范围内的多个个体信息。智能量子蚂蚁利用量子态纠缠和相干机理,通过叠加、变异及自学习来完成前期进化过程,然后以蚂蚁群体智能寻优方式进一步求解。实验结果表明,该算法具有强的全局寻优能力及快速搜索能力。     

基于量子进化算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。为了降低计算机网络的时延和运营费用以改进网络性能,采用量子进化算法优化计算机网络中路由选择问题,深入研究了量子进化算法及其在路由选择优化问题中的应用,并对量子进化算法进行了改进,使之更适合这类问题的求解。仿真实验结果表明,同传统优化算法相比该方法对求解网络的路由选择具有很大优越性。研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了量子进化算法的应用范围。     

一种实数编码的量子差分进化算法

量子进化方法是受量子计算思想的启发而产生的一种新型的高效算法,在计算效率和避免陷入局部极值问题上有着卓越的成效.因此,量子机制与智能优化算法的组合,将进一步扩展智能优化算法的应用领域,提高优化算法解决问题的能力.为此,将量子计算引入到差分进化算法中,提出一种新型的进化算法一量子差分进化算法.该方法将量子比特的概率幅表示应用于染色体的实数编码,用量子变异、量子交叉、量子选择操作实现染色体位置的更新,用量子非门进行量子位两个概率幅互换,能在防止算法早熟的同时使算法更快收敛.并分别以函数极值和TSP问题为例进行了仿真,验证了算法的有效性.     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

基于混合量子进化计算的混沌系统参数估计

混沌系统参数估计本质上是一多维参数优化问题.为精确估计混沌系统的未知参数,本文提出一种混合量子进化算法(HQEA)用于求解该优化问题,该方法采用实数量子角形式表示染色体,用量子比特的概率作为个体的当前位置信息;提出由差分进化计算更新量子位置状态的量子差分进化算法(QDE),并将其与实数编码量子进化算法(RQEA)相融合,以便令算法在解空间的全局探索和局部开发能力之间取得平衡.算法还引入量子非门算子,对当前最佳个体中按某个概率选中的量子比特位,进行变换操作,以便增强算法跳出局部最优解的能力.基准函数测试表明混合算法的全局搜索能力及可靠性都有很大改善.通过Lorenz混沌系统进行数值仿真,结果表明了该混合算法的有效性.     

优化网络入侵特征库的量子进化算法

针对网络入侵检测系统中入侵特征库的性能普遍较差的缺点,提出了一种优化网络入侵特征库的改进量子进化算法（IQEA）。采用特征向量表示染色体结构,借鉴小生境协同进化思想初始化种群,以个体的匹配程度设计适应度函数,使用动态更新和“优体交叉”策略进化种群。仿真实验表明,IQEA的寻优能力和收敛速度均优于量子进化算法和进化算法,经IQEA优化后的入侵特征库,检测能力强,并具有较好的自适应性。     

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.     

一种实数编码量子进化算法及其收敛性

基于量子计算理论和进化理论,提出一种新的量子进化算法--基于实数编码的量子进化算法(RQEA).不同于传统进化算法的单点编码和量子进化算法的量子比特编码,该算法以实数矩形区域表示基因,一条染色体携带多个个体信息,利用量子态叠加和相干机理,通过叠加、变异及自学习来完成进化过程,理论分析证明了算法具有全局收敛性,实验结果表明,该算法在函数优化上具有优异的性能.     

求解QoS组播路由问题的改进型量子进化算法

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。提出一种将基于量子计算原理的量子进化算法用于此类问题求解的算法,该算法对基本的量子进化算法进行改进,采用进化方程对量子门进行调整,采用量子变异阻止未成熟收敛,使之更适合于QoS组播路由的求解。仿真结果显示,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进化算法与基本的量子进化算法。     

量子进化算法原理及改进策略研究

针对传统进化算法存在收敛速度慢和未成熟收敛的问题,将进化算法与量子理论相结合,提出一种量子进化算法。使用量子比特编码染色体,构造一种新的用于普通染色体的全干扰交叉操作。实验证明,该算法能带来丰富的种群,使其以大概率向优良模式进化,从而加快算法的收敛速度,同时还能避免种群陷于一个局部最优,有效防止早熟。     

求解背包问题的混合量子进化算法

针对量子进化计算中反馈信息利用不充分并容易早熟的不足,将量子进化计算与及蚂蚁寻优策略融合,提出了一种新的优化方法—混合量子进化算法(HQEA).以量子染色体表示智能蚂蚁所有可能的搜索路径,初始阶段采用量子进化学习,设计了智能蚂蚁网络及衔接算子,进化学习所得结果表示智能蚂蚁路径选择的概率,并利用蚁群寻优策略继续搜索求精确解.理论证明该算法具有全局收敛性.最后以背包问题对算法进行了测试.     

基于模糊决策与进化算法的生产设备布局优化

为解决复杂情况下制造系统的生产设备布局优化问题,提出了一种将模糊决策与进化算法相结合的设备布局优化方法。进一步完善了优化模型,优化目标包括总成本最小、设备相邻要求最大化和面积利用率最大化等优化目标;其中总成本最小目标考虑了物料搬运成本,设备重置导致的设备拆装、移动成本,生产停工造成的产能损失成本。该方法考虑了用户对于成本、利用率及相邻性要求等存在的满意度、优先度等模糊情况,基于模糊决策理论,对多目标优化模型进行了模糊化处理,设计了模糊适应度函数,用以根据用户的优先关系评价pareto解集。基于求解模型的特点,对多目标进化算法的染色体编码方式与交叉、变异等遗传操作方式进行改进,以提高求解该模型的实用性与效率。最后以实际案例的优化结果证明了该方法的有效性。     

基于自变量简约的大规模稀疏多目标优化

现有的大多数进化算法在求解大规模优化问题时性能会随决策变量维数的增长而下降。通常,多目标优化的Pareto有效解集是自变量空间的一个低维流形,该流形的维度远小于自变量空间的维度。鉴于此,提出一种基于自变量简约的多目标进化算法求解大规模稀疏多目标优化问题。该算法通过引入局部保持投影降维,保留原始自变量空间中的局部近邻关系,并设计一个归档集,将寻找到的非劣解存入其中进行训练,以提高投影的准确性。将该算法与四种流行的多目标进化算法在一系列测试问题和实际应用问题上进行了比较。实验结果表明,所提算法在解决稀疏多目标问题上具有较好的效果。因此,通过自变量简约能降低问题的求解难度,提高算法的搜索效率,在解决大规模稀疏多目标问题方面具有显著的优势。     

A hybrid quantum chaotic swarm evolutionary algorithm for DNA encoding

DNA encoding is crucial to successful DNA computation, which has been extensively researched in recent years. It is difficult to solve by the traditional optimization methods for DNA encoding as it has to meet simultaneously several constraints, such as physical, chemical and logical constraints. In this paper, a novel quantum chaotic swarm evolutionary algorithm (QCSEA) is presented, and is first used to solve the DNA sequence optimization problem. By merging the particle swarm optimization and the chaotic search, the hybrid algorithm cannot only avoid the disadvantage of easily getting to the local optional solution in the later evolution period, but also keeps the rapid convergence performance. The simulation results demonstrate that the proposed quantum chaotic swarm evolutionary algorithm is valid and outperforms the genetic algorithm and conventional evolutionary algorithm for DNA encoding.