基于混沌量子遗传改进的模糊C均值聚类算法

针对标准FCM对噪声和初值敏感的问题,提出一种基于实数编码混沌量子遗传算法(RCQGA)的改进的加入空间信息的FCM算法。该算法在解空间内将实数染色体通过反向变换映射到量子位,采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索。将RCQGA与结合空间邻域信息的FCM相结合,用改进的FCM算法的目标函数建立适应度函数,利用混沌量子遗传算法搜索全局最优解,代替传统FCM的基于梯度下降的迭代爬山过程,从而有效地避免了模糊C-均值聚类算法收敛到局部最优和对噪声敏感的问题,并在此基础上实现了对遥感图像的聚类分割。实验结果表明,该算法对于遥感图像显示了较好的分割效果和较强的抗噪能力。     

一种基于实数编码的量子免疫克隆算法

传统量子位编码方案需要频繁的解码运算,降低算法效率。为此,提出一种基于实数编码的量子免疫克隆选择算法。该算法采用实数编码方式,应用Logistic映射产生混沌变量作为量子旋转门旋转角。实验结果表明,该算法适用于解决复杂多极值连续函数的寻优问题,编码简单,收敛速度快,寻优能力强。     

基于混沌理论的免疫量子进化算法

提出了基于混沌理论的免疫量子进化算法,该算法应用混沌理论并依据小生境机制将初始个体划分为实数编码染色体的子群,各子群应用免疫特性的局域搜索能力找出优化解。混沌优化搜索机制能有效避免早熟收敛。为解决2进制算法所不能避免的精度与效率的冲突,采用10进制编码染色体。算法综合了量子计算的天然并行性、免疫算法的充分自适应性和混沌系统的遍历性,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。仿真实验也表明了该算法的优越性。     

角度编码染色体量子遗传算法

为了进一步减少QGA应用中的存储量,并提高其搜索效率,本文提出了一种新型角度编码染色体量子遗传算法.该算法基于量子比特在二维Hilbert空间上的极坐标表示,以角度编码染色体使原有量子染色体的基因位由复数对变成一个实数,存储量大大减少.同时,染色体的更新过程和基因位的变异过程都由矩阵与向量相乘简化成了角度加减,相应的染色体观察方式也由概率对比简化成了角度对比.这些措施的应用使算法在存储性能和时间性能上都有了极大的提高.实验结果表明,角度编码染色体量子遗传算法是一种十分有效的寻优算法,其性能较QGA有了明显的提高.     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练.按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.     

一种新的自适应量子遗传算法研究

传统的量子遗传算法是基于二进制编码进行的,每次计算需要进行编码和解码操作,影响了算法的效率。针对这一问题,提出了实数编码的自适应量子遗传算法（RQGA）。首先运用实数和量子比特共同编码,并采用自适应频率的临近算符对编码进行更新,而后运用自适应转角策略更新量子比特串,以保证算法保持搜索性能和求解性能的平衡。最后分别采用二进制遗传算法、二进制量子遗传算法以及实数和量子比特共同编码的自适应量子遗传算法对Schaffer’f6函数进行测试对比,结果表明,实数和量子比特共同编码的自适应量子遗传算法无论在收敛速度还是收敛精度方面都体现了较好的优越性。     

基于角度编码染色体量子遗传算法的模板匹配

研究了如何应用量子遗传算法进行图像模板匹配,提出了角度编码染色体量子遗传算法。该算法以角度编码染色体,则基因位的复数对被实数形式的角度所替代,故存储量减少很多。染色体更新过程由矩阵与矢量相乘简化成角度加减,染色体观察方式由概率比较变成角度比较,因此时间性能也有较大提高。基于角度编码染色体量子遗传算法,结合模板匹配的特点和需求,进一步提出了逐级目标淘汰机制。该机制使匹配区域粗定位和匹配参考点精搜索有效结合,故匹配效率进一步提高。实验结果表明,角度编码染色体量子遗传算法与CGA、QGA和穷举方法相比,时间性能     

量子演化算法的改进研究

从两个方面对量子演化算法进行改进：（1）因量子染色体的量子位处于叠加态和纠缠态,无法使用传统的交叉方式对量子位进行操作,设计了针对测量后的经典染色体进行全干扰交叉,这样既不会破坏量子染色体的固有的并行性,又可以增加测量后染色体的多样性,继而影响量子染色体进化方向,加快算法的收敛速度,有效地防止＂早熟＂;（2）设计了概率触发器启动量子非门进行量子变异。实验表明,改进的量子演化算法比起先前的算法具有更好的寻优能力,更稳定的收敛度。     

一种改进变尺度混沌优化的模糊量子遗传算法

针对量子遗传算法存在的易陷入局部极小等问题,提出一种模糊量子遗传算法。该算法采用一种变尺度混沌优化方法,只需设 2个循环,内循环进行混沌搜索,外循环负责缩小区间,通过改进它的收敛策略,可以避免混沌优化在区间内的盲目重复搜索。利用改进的变尺度混沌优化方法,对量子遗传操作产生的种群进行混沌搜索寻优,同时模糊控制更新,加快种群的进化。仿真结果表明,该方法的寻优效果优于量子遗传算法及遗传算法。     

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。     

Real-coded chaotic quantum-inspired genetic algorithm for training of fuzzy neural networks

In this paper, a novel approach to adjusting the weightings of fuzzy neural networks using a Real-coded Chaotic Quantum-inspired genetic Algorithm (RCQGA) is proposed. Fuzzy neural networks are traditionally trained by using gradient-based methods, which may fall into local minimum during the learning process. To overcome the problems encountered by the conventional learning methods, RCQGA algorithms are adopted because of their capabilities of directed random search for global optimization. It is well known, however, that the searching speed of the conventional quantum genetic algorithms (QGA) is not satisfactory. In this paper, a real-coded chaotic quantum-inspired genetic algorithm (RCQGA) is proposed based on the chaotic and coherent characters of Q-bits. In this algorithm, real chromosomes are inversely mapped to Q-bits in the solution space. Q-bits probability-guided real cross and chaos mutation are applied to the evolution and searching of real chromosomes. Chromosomes consisting of the weightings of the fuzzy neural network are coded as an adjustable vector with real number components that are searched by the RCQGA. Simulation results have shown that faster convergence of the evolution process in searching for an optimal fuzzy neural network can be achieved. Examples of nonlinear functions approximated by using the fuzzy neural network via the RCQGA are demonstrated to illustrate the effectiveness of the proposed method.     

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.     

混合遗传算法及在多处理机调度问题中的应用

针对遗传算法存在收敛速度较慢,易陷入局部极值的缺点,通过算法混合,提出一种基于混沌及差分演化的混合遗传算法。该算法利用混沌运动的遍历性和内在随机性择优产生初始群体,借鉴差分进化算法中的繁殖策略,使染色体在解空间中更有效的搜索最优解。最后将该混合遗传算法应用于多处理机调度问题中,实验表明,该混合算法具有较高的优化效率,能寻找到更好的优化结果。     

遗传算法在混沌时间序列预测中的应用研究*

在混沌时间序列研究中,相空间重构和预测模型参数优化是影响预测性能的关键步骤,利用两者之间的相互联系来提高混沌时间序列预测模型的整体性能,提出一种基于遗传算法的混沌时间序列参数同步优化方法。同步优化方法将相空间重构和最小二乘支持向量机参数作为遗传算法的染色体,预测精度作为遗传算法的适应度函数值,通过遗传算法对参数同步优化问题进行求解。通过混沌时间数据对同步优化方法进行了验证性实验。实验结果表明,相对于单独参数优化方法,同步优化方法不仅提高了混沌时间序列的预测精度,同时降低了计算时间的复杂度。     

混合量子差分进化算法及应用

量子进化算法基于量子旋转门更新量子比特状态影响了算法搜索性能．提出一种差分进化（DE）与和声搜索（Hs）相结合更新量子比特状态的混合量子差分进化算法（HQDE）．该方法采用实数量子角形式编码染色体,设计一种由差分进化计算更新量子位状态的量子差分进化算法（QDE）和一种由和声搜索更新量子位状态的量子和声搜索（QHS）,并相互机制融合,采用两种不同进化策略共同作用产生种群新量子个体以克服常规算法中早熟及收敛速度慢等缺陷;在此基础上,算法还引入量子非门算子对当前最劣个体以一定概率选中的量子比特位进行变异操作增强算法跳出局部最优解能力．理论分析证明该算法收敛于全局最优解．0／1背包问题及旅行商问题实例测试结果验证了该方法有效性．     

基于改进混沌优化的多目标遗传算法

针对多目标遗传算法存在的缺陷,提出了基于改进混沌优化的多目标遗传算法．引入基于改Tent映射的自适应变尺度混沌优化方法细化搜索空间和高效寻优,结合非支配排序的群体分级机制和精英保留等多目标优化策略,保持种群多样性的同时保证了进化向Pareto优解集的方向进行．多目标测试函数的数值仿真和电力系统无功优化的算例分析表明了该算法的有效性和可行性．     

一种基于复合交叉的实数编码遗传算法

提出了一种基于复合交叉的实数编码遗传算法。通过对父代染色体间的区域进行多次交叉操作,复合交叉操作保留了被搜索区域的信息。算法首先对父代染色体进行复合交叉操作,然后利用包含在新个体集合中的信息进行信息最大化选择,对每一代个体进行基于适应度的选择。集合中信息冗余的个体被从种群中删除,位于欠搜索区域中的个体被保留。由于算法能够始终保持种群的多样性,算法不仅能搜索到全局最优点,同时也能找到尽量多的局部极值点。利用算法对多极值函数进行了寻优,仿真结果表明了算法的有效性。     

基于改进粒子群算法的电路板测试路径规划

针对飞针测试机检测电路板时检测时间长、测试效率低、单针检测容易撞针等问题,提出了一种基于改进粒子群算法的测试路径规划算法.首先,使用分区检测的方式解决两针相撞问题;其次,提出一种改进的粒子群算法,在粒子群算法的基础上加入混沌初始化公式用于约束和更新搜索的最大速度,引入遗传算法的交叉、变异的思想,改进粒子群算法易于趋于局部最优的缺陷,提升了算法的全局搜索能力.与粒子群算法、遗传算法进行有效性的对比分析与实机测试.结果表明:此算法可以有效解决测试时两针相撞问题;比起其他两种算法改进粒子群算法在更少的迭代数的同时全局搜索能力更强,可以减少30%算法运算时间、降低10%的测试距离,具有一定的工程应用价值.     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

A novel PPGA-based clustering analysis method for business cycle indicator selection

A new clustering analysis method based on the pseudo parallel genetic algorithm (PPGA) is proposed for business cycle indicator selection. In the proposed method, the category of each indicator is coded by real numbers, and some illegal chromosomes are repaired by the identification and restoration of empty class. Two mutation operators, namely the discrete random mutation operator and the optimal direction mutation operator, are designed to balance the local convergence speed and the global convergence performance, which are then combined with migration strategy and insertion strategy. For the purpose of verification and illustration, the proposed method is compared with the K-means clustering algorithm and the standard genetic algorithms via a numerical simulation experiment. The experimental result shows the feasibility and effectiveness of the new PPGA-based clustering analysis algorithm. Meanwhile, the proposed clustering analysis algorithm is also applied to select the business cycle indicators to examine the status of the macro economy. Empirical results demonstrate that the proposed method can effectively and correctly select some leading indicators, coincident indicators, and lagging indicators to reflect the business cycle, which is extremely operational for some macro economy administrative managers and business decision-makers.