基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

一种新量子遗传算法及其应用

提出一种新量子遗传算法(NQGA),其核心是采用量子比特相位比较法更新量子门和自适应调整搜索网格的策略,NQGA具有收敛速度快、全局寻优能力强和计算时间短的特点.文中通过典型复杂函数测试和应用实例表明,NQGA的优化质量和效率都优于传统遗传算法.     

机载光电系统的行人跟踪方法研究

行人目标,作为计算机视觉领域内最有价值、最受关注的目标,一直以来都是目标跟踪领域内的研究热点和难点。机载光电系统的行人跟踪技术一般用于无人机搜索、边境巡逻等非战争军事领域。为了克服形变、遮挡因素对行人跟踪的影响,文章提出一种基于上下文辅助的行人跟踪方法,它利用局部区域的所有像素点与目标组成上下文关系,将跟踪问题转化为计算目标可能出现位置的置信图,置信图响应最大的地方即为当前帧估计出的目标中心。通过仿真试验对比,验证本文方法在运算速度和稳定性方面都有较大提高。     

一种解决组合优化问题的改进型量子遗传算法

在量子遗传算法(QGA)的基础上,提出了一种解决组合优化问题的改进型量子遗传算法(NIQGA).为充分利用量子态的干涉性和纠缠性,该算法引入了动态调整量子门旋转角步长机制、量子交叉操作和量子变异操作,因而具有更高的搜索效率.利用两种典型组合优化问题——0/1背包问题和路由选择问题进行验证.结果表明,相比于GA和QGA,NIQGA具有收敛速度快和全局搜索能力强的特点,在解决基因间弱关联性的组合优化问题时有更优的性能.     

量子干扰交叉遗传算法及其应用研究

针对遗传算法中传统交叉算子交叉效率低下等缺点,提出改进型全干扰量子交叉遗传算法.与基于位置信息的经典量子全干扰交叉模型不同,改进型交叉算子通过距离比较,能够获取质量更高的候选解.通过对旅行商问题(TSP)求解的对比实验表明,改进量子交叉遗传算法能有效平衡全局搜索和局部探索,具有更强的稳定性和寻优能力.     

一种有效的IIR数字滤波器优化设计方法

针对IIR数字滤波器优化设计实质上是一个多参数多目标优化问题,本文提出一种基于量子遗传算法的IIR数字滤波器满意优化设计方法,通过设计满意度函数而构造出满意优化计算模型,将滤波器性能指标的满意设计与参数优化统一考虑,并用本文提出的收敛速度快和全局寻优能力强的新量子遗传算法(NQGA)搜索满意解。通过低通和带通IIR数字滤波器的设计结果表明,该方法是有效、实用的。     

多目标量子编码遗传算法

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性。     

改进的量子遗传算法在网络拥塞控制中的应用

当前以遗传算法为基础的网络拥塞控制方法对网络拥塞存在控制目标选取耗时,最优目标参数选取不均等问题,控制效果不佳。针对这一问题,结合量子计算的优点,提出一种基于改进量子遗传算法的网络拥塞控制算法,首先对网络拥塞的原理进行分析,建立QoS路由拥塞控制数学模型,将量子计算引入遗传算法进行改进,在静态旋转角的量子遗传算法的基础上,保证拥塞目标参数的选取准确性,给出算法的实现方法和具体流程。实验结果表明,该算法的搜索速度快、效率高、可以很好地优化网络性能,实现拥塞控制。     

量子遗传进化算法的收敛性研究

量子遗传算法建立在量子的态矢量表达基础上,染色体的编码用量子比特的几率幅表示,使得一条染色体表达多个态的叠加,再利用量子门实现染色体更新操作,从而达到目标的优化求解.它具有种群规模小而不影响算法性能,收敛速度快和全局优化能力强等特点.但是遗传算法的随机性不好把握,收敛方向不好控制,针对遗传算法的种种问题,通过多种方法来对收敛性进行研究.     

卡尔曼滤波在跟踪运动目标上的应用

在多关节机器人跟踪运动目标过程中,图像处理的主要内容包括图像的识别和目标轨迹的判定,需要在整个视觉空间进行搜索和匹配。这是一个典型的全局搜索问题,耗时较长、实时性较差,难以实现运动目标的快速跟踪。针对多关节机器人跟踪运动目标过程中存在的彩色图像数据量大、处理时间长,从而影响实时性的问题,采用线性卡尔曼滤波将全局搜索转化为局部搜索,减少搜索空间、加快匹配速度。通过实验可知,匹配时间由原来的157 ms降低到20 ms。实验结果证明了该方法的有效性。     

A hybrid evolutionary programming method for circuit optimization

A hybrid evolutionary programming (EP) method is presented for global optimization of complex circuits. The conventional EP is integrated with a clustering algorithm to improve the robustness of the algorithm for complex multimodal circuit optimization problems. The EP generates populations around the regions of the search space which can potentially contain a minimum but may be overlooked. The clustering algorithm is used to identify these regions dynamically. In order to improve the speed of optimization, the EP is combined with a gradient-based search method in an efficient fashion. The local search is performed from the center of each identified cluster in order to find the minimum in the region very fast. The hybrid algorithm can also reduce the search space by avoiding the search in the areas that were previously investigated. This feature greatly improves the speed of optimization and prevents the premature convergence as well. The algorithm performed very well in several benchmark problems including a test function minimization and global optimization of a complex RF diplexer circuit.     

基于量子布谷鸟搜索的认知无线网络频谱分配

为了有效解决认知无线网络频谱分配的离散优化问题,将量子计算引入布谷鸟搜索算法,提出了一种新的组合优化算法——量子布谷鸟搜索算法。该算法使用量子鸟窝表征问题的多维解,通过Lévy flights随机游动方式和量子突变策略快速搜索到全局最优位置。通过使用基准函数验证了算法的高效性,并提出了一种基于量子布谷鸟搜索的认知无线网络频谱分配方法。然后与经典频谱分配算法在不同的网络效益函数下进行仿真性能比较。结果表明,所提出的频谱分配方法能够较快找到全局最优解,并且在不同网络效益函数下均优于已有的经典频谱分配算法。     

基于Memetic算法的电路演化设计研究

 针对传统演化算法在设计数字逻辑电路时存在的演化速度缓慢和容易陷入局部最优解等问题,设计了一种Cartesian进化编程编码的电路演化Memetic算法,采用遗传算法作为全局搜索方法,并设计了适合电路演化的基本门种类局部搜索策略.通过一位全加器电路证明所提出的Memetic硬件演化算法的搜索能力,实验证明所提出的算法能够有效地完成进化任务,具有较强的全局快速和局部搜索能力.     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

基于遗传算法的量子可逆逻辑电路综合方法研究

量子可逆逻辑电路综合主要是研究在给定的量子门和量子电路的约束条件及限制下,找到最小或较小的量子代价实现所需量子逻辑功能的电路。把量子逻辑门的功能用矩阵的数学模型表示,用遗传算法作全局搜索工具,将遗传算法应用于量子可逆逻辑电路综合,是一种全新的可逆逻辑电路综合方法,实现了合成、优化同步进行。四阶量子电路实验已取得了很好的效果,并进一步分析了此方法在高阶量子电路综合问题上的应用前景。     

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。     

改进遗传算法解决TSP问题

针对基本遗传算法收敛速度慢,易早熟等问题,提出一种改进的遗传算法。新算法利用贪婪思想产生初始种群来加快寻优速度,用贪婪思想来引导交叉操作,在交叉操作之前,把当前较差的一半种群替换成随机种群,最后用改进的变异算子和进化逆转操作进行寻优,利用新的遗传算法求解基本的旅行商问题。仿真结果表明,改进的遗传算法具有全局搜索能力强、收敛速度快的特点,优化质量和寻优效率都较好。