求解连续空间优化问题的量子粒子群算法

为提高粒子群算法的搜索能力和优化效率并避免早熟收敛,将量子进化算法融合到粒子群算法中,提出一种求解连续空间优化问题的量子粒子群优化算法.用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;用量子非门实现变异,提高种群多样性.因每个量子位有两个概率幅,故每个粒子同时占据空间两个位置,在粒子数目相同时,能加速粒子的搜索进程.实验结果表明,本算法优于基本粒子群算法.     

基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.     

基于粒子群优化的反潜搜索研究

在分析目前反潜搜索现状的前提下,提出了使用粒子群优化算法进行反潜搜索,并针对基本粒子群优化算法存在早熟和后期收敛速度慢的局限性,对个体极值实行高斯变异,并使惯性因子随进化代数自适应调节,提高了全局搜索能力和后期收敛速度,改进了粒子群优化算法的潜艇搜索策略.经过实验验证,本算法可以有效地提高反潜搜索效率.     

车间调度问题的量子粒子群优化算法设计

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,将量子粒子群优化算法用于求解车间调度问题,按照量子粒子群优化算法的进化规则在调度空间内搜索最优解,并对量子粒子群算法的参数选择进行了研究。以典型的Job-Shop调度问题作为实验对象,实验结果表明QPSO算法相对PSO算法具有较好的全局搜索能力。     

采用病毒粒子群优化算法的飞行器航迹规划

针对飞行器航迹规划问题, 对基本粒子群算法进行了改进, 提出一种基于病毒粒子群优化算法的飞行器航迹规划方法。该方法结合生物病毒进化系统理论, 在基本粒子群算法中引入病毒种群, 通过执行反向代换和转导算子两种操作, 利用病毒的水平感染和垂直传播能力来维持主群体粒子种群和病毒种群之间的信息交换, 保证了航迹规划中粒子个体的多样性, 提高了算法的局部搜索能力, 解决了基本粒子群优化算法容易使粒子陷入局部最优、收敛速度慢的问题。仿真实验结果表明, 在相同的约束条件下, 所提出的方法能够更快更有效地生成满足要求的航迹。     

基于粒子群融合遗传算法的阵列天线方向图综合

<正>基本粒子群算法应用于阵列天线波束赋形时，优化算法容易陷入局部收敛，无法准确获得所需方向图，针对这一问题提出了一种粒子群融合遗传算法的改进优化算法。该算法在基本粒子群算法的基础上，引入了遗传算法中的交叉、变异机制，并结合精英粒子选择策略，增加了粒子种群的多样性，增强了算法的全局寻优能力，有效地提高了算法全局搜索的效率。仿真结果表明，将该方法应用于阵列天线波束赋形时能够得到预期的目标方向图，算法的优化效率高、优化效果好，具有较强的稳健性。     

基于MQPSO—LQPSO的RBF神经网络训练方法

带有局部搜索的量子粒子群算法是一种较为成功的改进型量子粒子群算法。将该算法用于RBF神经网络的结构优化和参数优化,在确定网络参数的同时也确定了网络的结构。在函数逼近上的仿真实验表明,这种优化是有效的。     

基于量子粒子群模糊C均值聚类算法应用研究

模糊C均值聚类对初始参数有着较强的依赖性,文中针对其对初始聚类中心敏感的问题,提出利用量子粒子群来优化FCM的初始聚类中心。粒子群优化算法具有较强的全局搜索能力,但局部搜索能力不足,因此借助于量子理论,将粒子群量子化,借助量子旋转门改变粒子的移动,同时利用量子非门增加种群的多样性,加强粒子群优化算法的局部寻优能力。并最终利用量子粒子群优化算法搜寻FCM算法的初始聚类中心,通过实验仿真表明,改进的算法在加快搜索速度的同时,能获得较为稳定的聚类中心且分割效果明显优于标准的FCM算法。     

改进粒子群算法的多峰值优化研究

粒子群优化算法对于多维函数的最优解搜索存在前期易陷入局部最优,后期收敛速度缓慢的问题.将改进的k-中心点聚类分析与PSO相结合提出了一种混合粒子群算法KM-PSO,用于多峰值问题的优化.在算法中,利用k-中心点聚类分析方法将粒子群划分成若干个子群,结合PSO的隐含并行搜索的优势增强了寻优性能.不仅增加了粒子间的信息交换,抑制了早熟收敛,还提高了全局寻优速度和计算精度.仿真实验结果表明,KM-PS0性能优于基本粒子群优化算法.     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

基于改进QPSO的模糊C-均值聚类算法

针对模糊C-均值聚类算法容易陷入局部极值等缺陷,提出了基于改进QPSO的模糊C-均值聚类,算法利用QPSO的优点,并对量子门更新策略进行了改进。实验结果显示该算法提高了模糊聚类算法的聚类效果以及搜索能力,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

基于量子微粒群的综合孔径圆环阵排列方法

稀疏天线阵列设计是综合孔径微波辐射计的一个重要研究内容。圆环阵因其可实现(u,v)平面基线零冗余、结构简单以及共形、波束旋转对称等特点而备受关注。针对均匀圆环阵UV覆盖不均匀的问题,提出基于量子微粒群优化(QPSO)的综合孔径圆环阵排列方法,以改善圆环阵的UV覆盖。该方法引入量子行为的搜索机制,并设计一种新的圆环阵优化目标函数;与现有方法相比,该方法在提高全局搜索效率的同时,大大降低计算复杂度,且能更好地度量圆环阵UV覆盖的均匀程度。数值仿真结果验证了本文方法的有效性。     

基于PSO的无线多媒体传感器网络覆盖增强算法

在无线多媒体传感器网络(Wireless Multimedia Sensor Networks,WMSNs)中,由于节点部署的不合理,往往存在较多的监控盲区,影响了网络的服务质量。为了提高网络的覆盖率,在有向感知模型基础的基础上,提出了一种基于粒子群算法的WMSNs覆盖增强算法PSOCE。PSOCE算法以网络覆盖率为优化目标,以粒子群算法为计算工具,同时对节点的位置与主感知方向进行调整。仿真试验表明,PSOCE算法能够有效地改进WMSNs的覆盖质量,网络的覆盖率能提高6%～12%。     

混合无线传感网络覆盖优化的粒子群算法

为提高随机部署的传感网络覆盖性能,提出基于动态克隆粒子群的移动节点部署控制算法,用每个粒子表示所有移动节点的一种部署方案,在经典粒子群算法基础上,每次迭代结束后,粒子依据自身的覆盖性以及与群体中粒子的相似性决定其克隆数量和变异幅度,有效避免陷入早熟陷阱.通过与其他算法的对比仿真实验,表明该优化算法能更有效地提高网络覆盖性能.     

基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization,QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization,QPSO）的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.     

Image cluster algorithm of hybrid encoding method

In the clustering analysis based on swarm intelligence optimization algorithm,the most of encoding method only used single form,and this method might be limit range of search space,the algorithm was easy to fall into local op-timum.In order to solve this problem,image clustering algorithm of hybrid encoding (HEICA) was proposed.Firstly,a hybrid encoding model based on image clustering was established,this method could expand the scope of the search space.Meanwhile,it was combined with two optimization algorithms which improved rain forest algorithm (IRFA) and quantum particle swarm optimization (QPSO),this method could improve the global search capability.In the simulation experiment,it was carried out to illustrate the performance of the proposed method based on four datasets.Compared with results form four measured cluster algorithm.The experimental results show that the algorithm has strong global search capability,high stability and clustering effect.     

New method of traffic flow forecasting based on quantum particle swarm optimization strategy for intelligent transportation system

Traffic flow forecasting is one of the essential means to realize smart cities and smart transportation. The accurate and effective prediction will provide an important basis for decision‐making in smart transportation systems. This paper proposes a new method of traffic flow forecasting based on quantum particle swarm optimization (QPSO) strategy for intelligent transportation system (ITS). We establish a corresponding model based on the characteristics of the traffic flow data. The genetic simulated annealing algorithm is applied to the quantum particle swarm algorithm to obtain the optimized initial cluster center, and is applied to the parameter optimization of the radial basis neural network prediction model. The function approximation of radial basis neural network is used to obtain the required data. In addition, in order to compare the performance of the algorithms, a comparison study with other related algorithms such as QPSO radial basis function (QPSO‐RBF) is also performed. Simulation results show that compared with other algorithms, the proposed algorithm can reduce prediction errors and get better and more stable prediction results.     

WSNs布局的粒子进化的多粒子群优化策略

在粒子进化的多粒子群算法基础上,提出了一种无线传感网络节点布局的优化策略.该策略通过多个粒子群彼此独立地搜索解空间,提高了算法的寻优能力,有效地避免了"早熟"问题,提高了算法的稳定性.仿真实验表明,与传统的粒子群算法相比,该算法有效覆盖率由75.36%提高到80.96%,收敛速度提高了19.4%.因此粒子进化的多粒子群优化策略具有比传统的粒子群算法更好的优化效果.     

基于量子粒子群算法的PID参数自整定方法

PID控制在工业生产中应用非常广泛.以直流电机模型为被控对象,提出了基于量子粒子群算法的PID参数自动整定方法.应用经典的Ziegler-Nichols方法整定PID参数,被控对象性超调大往往难以满足要求.粒子群算法是通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法.将量子粒子群算法用于优化PID参数,并与Z-N法整定的PID控制器性能进行对比.仿真结果发现,与Z-N法相比,基于粒子群算法优化的PID控制器,系统超调明显减小.除QPSO-PID(ITSE)对应的系统具有较长调节时间外,虽然应用不同优化目标优化后的PID参数不同,控制对象的响应性能却非常相似.