一种新的混合量子进化算法

量子进化算法(QEA)用于多峰函数优化时,容易陷入局部最优.本文提出一种新的混合量子进化算法,通过双编码机制(经典二进制编码和量子概率编码),以及经典交叉和量子概率编码更新策略,实现了经典遗传算法与量子进化算法的有机结合,在发挥经典遗传算法全局优化能力的同时,利用量子概率搜索提高了算法的局部搜索能力.通过一组典型函数优化实验对该算法的性能进行了考察,并与QEA进行了比较.结果表明,本文算法在解的质量和收敛速度上都要优于QEA.     

一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。     

基于细菌觅食趋化算子的PSO算法*

PSO算法是模拟鸟群觅食的一种解决优化问题的仿生算法,为了避免其在优化过程中过快陷入局部极值的缺陷,提出一种新的基于细菌觅食趋化算子PSO算法。结合细菌觅食算法的局部搜索优势,将其趋化思想引入到PSO算法中。通过典型函数优化测试表明,该算法可以有效弥补PSO算法精度不高、容易陷入局部最优的缺陷。新算法是一种全局优化算法,适用于解决复杂特别是多峰不规则的函数优化。     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,使其能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明该算法可以避免陷入局部最优解,能提高全局寻优能力,能以更快的速度收敛于全局最优解,具有较好的应用价值。     

量子位Bloch坐标的量子人工蜂群优化算法

为了改善人工蜂群(ABC)算法在解决多变量优化问题时存在的收敛速度较慢、容易陷入局部最优的不足,结合量子理论和人工蜂群算法提出一种新的量子优化算法。算法首先采用量子位Bloch坐标对蜂群算法中食物源进行编码,扩展了全局最优解的数量,提高了蜂群算法获得全局最优解的概率;然后用量子旋转门实现搜索过程中的食物源更新。对于量子旋转门的转角关系的确定,提出了一种新的方法。从理论上证明了蜂群算法在Bloch球面每次以等面积搜索时,量子旋转门的两个旋转相位大小近似于反比例关系,避免了固定相位旋转的不均等性,使得搜索呈现规律性。在典型函数优化问题的实验中,所提算法在搜索能力和优化效率两个方面优于普通量子人工蜂群(QABC)算法和单一人工蜂群算法。     

基于混沌机制的混合量子粒子群优化算法

针对量子粒子群优化算法在处理一般复杂函数时可以找到函数最优解但容易陷入局部极小等问题,提出利用混沌搜索解决早熟收敛的混合量子粒子群算法CODPSO。数值实验结果表明,与量子粒子群优化算法相比,该算法效率高、优化性能好,具有较强的避免局部极小能力,对初值具有较强的鲁棒性。     

基于自寻优和交叉寻优的量子优化算法

为提高群智能优化算法的搜索能力,提出了一种量子优化算法。该算法基于量子位Bloch坐标,将种群分为最优个体和普通个体两部分并进行不同处理,对于最优个体,通过使所有量子比特在Bloch球面上绕着坐标轴多次旋转,生成多个新个体,并采用贪婪搜索策略选择最优个体;对于普通个体,将当前个体的量子比特向着随机交叉确定的目标位置旋转,生成新个体,并在当前个体和新个体之间通过贪婪选择以实现当前个体的交叉寻优。函数极值优化的仿真结果表明,所提算法在优化能力上,优于简单量子遗传算法、普通遗传算法和人工鱼群算法,从而验证了算法的有效性。该算法在高维能很好地避免陷入局部最优值,具有快速收敛性和良好的全局搜索能力,实验结果揭示出采用量子计算设计优化算法进而提升搜索能力的研究思路是可行的。     

基于云模型的实数编码量子进化算法

针对量子进化算法易陷入局部最优和求解精度不高的缺点,利用云模型具有随机性和稳定倾向性的特点,提出了一种基于云模型的实数编码量子进化算法。该算法利用单维云变异进行全局快速搜索,利用多维云进化增强算法局部搜索能力,探索全局最优解。依据算法的进化过程动态调整搜索范围并复位染色体,可以加提高敛速度,并防止陷入局部最优。仿真结果表明,该算法搜索精度和效率得到提高,适合求解复杂函数优化问题。     

分段式量子-单纯形进化算法及函数优化

量子进化算法在高维复杂函数优化上存在容易陷入局部最优解、进化后期收敛速度慢的问题,为进一步提高其搜索性能,提出了一种带单纯形搜索算子的分段式量子进化算法。该方法将搜索过程分为3个阶段,首先用量子进化算法搜索到一定代数,然后将种群分为若干个子种群,每个子种群中的个体作为单纯形法的初始顶点,并行地用单纯形法进行搜索,将搜索后的子种群再合并,继续用量子进化算法进行最后的搜索。对几个典型的高维函数进行仿真的结果表明,该算法具有更快的收敛速度和更高的求解精度。     

基于梯度粒子群算法的细菌觅食算法

针对细菌觅食算法在优化过程中环境感知能力较弱且容易陷入局部极值的缺陷,将梯度粒子群算法的基本思想引入细菌觅食算法中,改进原算法的收敛速度和收敛能力,并据此提出了基于梯度粒子群算法的细菌觅食算法GPSO-BFA。该算法既利用了细菌觅食算法出色的全局搜索能力,又借助梯度粒子群算法的快速局部寻优能力,很好地将两者的优势结合在一起。基于六个高维Benchmark函数的实验结果显示,该算法在收敛速度和精度方面都优于其他四种细菌觅食算法。     

Application of Modified Bacterial Foraging Optimization algorithm for optimal placement and sizing of Distributed Generation

In this paper, a new approach in Bacterial Foraging Optimization algorithm is proposed to reduce the total power loss and to improve the voltage profile of the radial distribution systems, in the presence of Distributed Generation unit. The proposed method aims to modify the performance of the Bacterial Foraging Optimization algorithm. The test results obtained from Modified Bacterial Foraging Optimization algorithm are also compared and found to be better and in close agreement with the Bacterial Foraging Optimization algorithm. The achievability and convenience of the optimization methods proposed have been demonstrated on 12-bus, 34-bus, and 69-bus radial distribution system consisting of 11, 33, and 68 sections, respectively. MATLAB, Version 7.10 software is used for simulation.     

基于细菌觅食优化算法的自适应阈值边缘检测

Sobel算子在阈值偏高或偏低的情况下会产生伪边缘或边缘丢失的问题。为此,将细菌觅食优化算法与最大类间方差相结合,利用细菌觅食优化算法的全局寻优能力,以最大类间方差为适应度函数搜索最佳边缘检测阈值,对图像进行自动边缘检测。实验结果证明,该方法能够取得较好的边缘分割效果,提高阈值检索速度。     

基于细菌觅食与改进Otsu算法的自适应阈值边缘提取

针对Canny算子在阈值偏高或偏低的情况下会产生边缘丢失或伪边缘的缺陷,提出了一种基于细菌觅食算法与改进最大类间方差法（Otsu算法）相结合的自适应阈值Canny算子。根据图像的梯度幅值直方图将像素点进行分类,并基于改进的Otsu算法定义描述类间方差的适应度函数,通过细菌觅食算法自动获取使适应度函数最优的高低阈值。实验结果表明,该方法在目标边缘提取的准确性上优于传统算法。     

基于菌群优化算法的非线性系统模型参数辨识

非线性系统模型参数估计一直是自动控制领域的研究热点。针对非线性系统,结合菌群优化(BSFO)算法的特点,提出了一种新型的非线性系统模型参数辨识方法。通过将待辨识参数设置为群体细菌在参数空间的位置,并模拟细菌群体觅食的动态行为来实现对系统参数的辨识,有效地提高了参数辨识的精度和效率。通过对重油热解三集总模型进行了仿真研究,得到了较为精确的过程模型,模型输出与实际输出基本一致。仿真结果表明,菌群优化算法为非线性系统模型参数估计提供了一种有效的途径。     

一种细菌觅食算法的改进及其应用

针对原有细菌觅食算法收敛速度慢、计算量大的问题,首先通过改进细菌种群大小、细菌运动步长、引进迭代终止条件改进原有细菌觅食算法,然后将其应用到支持向量机的参数优化上。实验以Iris标准测试数据集为依托,以高斯核支持向量机中核参数γ和惩罚因子C为优化对象,分析了遗传算法、粒子群算法、原有的和改进后的细菌觅食算法的寻优性能,验证了将改进后的细菌觅食算法应用到支持向量机参数选择上具有优越性。     

细菌觅食算法求解高维优化问题

针对细菌觅食优化算法中,以往的自适应步长公式引入参数过多,统一的经验性参数无法适应各类不同问题的情况,提出了改进的自适应步长公式,通过在步长公式中引入当前细菌的进化代数、寻优范围,并发挥当前最优细菌的引导作用,灵活的调整步长,真正达到自适应调整步长的目的;其次对高维优化问题进行分析,将其分为可分解可分组、不可分解可分组和不可分解不可分组三大类,针对不同类型的问题,采用不同的分组方式,降维、细化来求解,将复杂的问题简单化,极大的提高了求解的效率和精度。将改进的自适应步长公式应用于高维优化问题的求解方法中,通过对多个标准测试函数在多维空间特别是超高维空间（500维、800维、1000维）进行测试,并将其结果同其它算法进行比较,实验证明本文改进算法在寻得最优解的精度和效率上比其它改进方案有显著提高。     

多目标细菌觅食优化算法*

传统的细菌觅食优化算法仅针对单目标优化问题寻优。为进一步发掘细菌群体智能在多目标优化问题中的寻优优势,提出了改进的多目标细菌觅食优化算法。在个体间互不支配时给出归一化的择优策略;引入差分思想完成复制操作,提高种群的多样性;采用栅格划分法进行迁徙操作,提高解集的分散性。同时使用外部集存放当前找到的非支配解,并不断对外部集进行优化。通过对多个标准函数进行测试并与其他几种算法的对比结果表明,所提出的多目标细菌觅食优化算法在解的收敛性和分散性指标上都有一定提升,能够有效解决多目标优化问题。     

一种Q学习的量子粒子群优化方法

分析了量子行为粒子群优化算法,着重研究了算法中的收缩扩张参数及其控制方法,针对不同的参数控制策略对算法性能的影响特点,提出将Q学习方法用于算法的参数控制策略,在算法搜索过程中能够自适应调整选择参数,提高算法的整体优化性能;并将改进后的Q学习量子粒子群算法与固定参数选择策略,线性下降参数控制策略和非线性下降参数控制策略方法通过CEC2005 benchmark测试函数进行了比较,对结果进行了分析。     

离散蝠鲼觅食优化算法及在频谱分配中的应用

针对认知无线电中以最大化网络效益为准则的频谱分配难题以及蝠鲼觅食优化(MRFO)算法难以解决频谱分配问题的不足,提出一种离散蝠鲼觅食优化(DMRFO)算法.根据工程中频谱分配问题具有亲1性的特点,首先,基于Sigmoid函数(SF)离散法对MRFO算法进行离散二进制化;然后,通过异或算子和速度调节因子引导蝠鲼根据当前速...     

细菌觅食优化的智能PID控制

传统的PID在控制过程中,尤其针对复杂被控对象易产生振荡和较大的超调,甚至控制系统无法稳定,为了解决这个问题,采用了一种新的基于细菌觅食优化（Bacterial Foraging Optimization,BFO）的智能PID控制方法,针对该算法收敛速度慢的缺陷,对步长及搜索范围做了一定的分析改进。通过与粒子群优化（Particle Swarm Optimization,PSO）智能PID参数整定控制的仿真结果比较,特别是在系统的动态性能指标以及输入信号的跟踪情况等方面进行对比分析,得出基于BFO智能PID控制的优缺点及有效性。