一种并行的自适应量子粒子群算法

针对粒子群算法存在易陷入局部最优解的问题,提出了一种并行的自适应量子粒子群算法。通过共享粒子的两个极值,将改进后的自适应粒子群算法和边界变异的量子粒子群算法并行搜索,有效地克服了标准粒子群算法的缺陷。测试结果表明,该算法在精度和全局最优解的找寻速度方面有了很大的提高。     

一种基于量子行为的改进粒子群算法

研究粒子群优化算法（PSO）的收敛速度,以提高该算法性能是PSO的一个重要而且有意义的研究。Jun Sun 等人通过对PSO系统下的单个个体在量子多维空间的运动及其收敛性的分析,提出了具有函数形式的粒子群算法（Quantum Delta-Potential-Well-based PSO）。在此基础上进行了改进,用粒子的速度来产生一个随机数引导粒子向最优解快速靠拢,并对速度的处理采取了新的策略。仿真结果表明：该改进算法对收敛速度有非常好的改善,而且稳定性也较好。     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

量子粒子群算法的改进实现

为了进一步提高量子粒子群算法的精度,从描述粒子状态波函数的[δ]势阱特征长度[L(t)]出发,重新修改其评价方式。通过给群体中的每个粒子引入随机权重,生成随机权重平均最优位置来重新评价[L(t)],以增强算法的随机性,帮助算法逃离局部极小值点的束缚,使算法尽快找到全局极值点。通过几个典型函数测试表明,改进算法的收敛精度优于QPSO算法,并且具有很强的避免陷入局部极值点的能力。     

改进的带有局部搜索算子的量子粒子群算法

带有局部搜索算子的量子粒子群算法(MQPSO-LQPSO)是一种较成功的改进的QPSO算法,但是该算法在搜索震荡的不足,在一定程度上降低了搜索效率.针对该问题,提出了一种改进方法,将LQPSO搜索得到的最优粒子替换MQPSO的Gbest和当前群中适应度最佳的粒子和最差的粒子.在标准测试函数上的仿真实验结果表明,改进的算法在不改变原有算法框架和不引入新的参数条件下,提高了MQPSO-LQPSO的搜索能力和计算效率.     

一种变维搜索的量子粒子群优化聚类算法

针对PSO聚类算法需要预定聚类中心个数的问题,提出一种变维搜索解空间的量子粒子群优化聚类算法.该算法采用量子编码的方式实现双链并行搜索,加速寻优过程,避免了粒子在解空间边界过分聚集;设计了幅角相位旋转算子和变异算子,使幅角相位依变概率进行变异,提高了粒子群的多样性;在迭代过程中,动态更新了聚类中心的数量,使算法能够在不同维度的解空间中寻优.仿真实验表明,该算法的收敛速度和聚类精度得到一定的改善.     

改进的粒子群优化算法

为改善基本粒子群的全局、局部搜索能力和收敛速度以及计算精度,基于经典PSO方法和量子理论基础之上,提出了一种改进的基于量子行为的PSO算法--cQPSO算法.新算法中,采用全同粒子系更新粒子位置,并引用混沌思想,对每个粒子进行混沌搜索,试图改善粒子的全局、局部搜索能力和收敛速度以及计算精度.对经典函数的测试计算表明,改进算法的性能优于经典的PSO算法、基于量子行为的PSO算法.     

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)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.把模拟退火技术(SA)引入到PSO箅法中,提出了一种混合优化算法.混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构.由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法.SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小.混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度.仿真结果表明,混合优化算法的优化性能优于基本PSO算法.     

含维变异算子的量子粒子群算法

针对粒子群优化(PSO)算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种新的量子粒子群优化算法--含维变异算子的量子粒子群算法(QPSODMO).计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,让所有粒子在该维上的位置重新均匀分布在可行区域上.对测试函数所做的对比实验表明,所提出的QPSODMO增强了全局搜索能力,克服了PSO算法易于收敛到局部最优的缺点,也优于原始的量子粒子群算法.     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

基于QPSO的数据聚类

在KMeans聚类、PSO聚类、KMeans和PSO混合聚类（KPSO）的基础上,研究了基于量子行为的微粒群优化算法（QPSO）的数据聚类方法,并提出利用KMeans聚类的结果重新初始化粒子群,结合QPSO的聚类算法,即KQPSO。介绍了如何利用上述算法找到用户指定的聚类个数的聚类中心。聚类过程都是根据数据之间的Euclidean（欧几里得）距离。KMeans算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上。最后使用三个数据集比较了上面提到的五种聚类方法的性能,结果显示基于QPSO     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

带有扰动项的改进粒子群算法

在介绍基本粒子群优化（PSO）算法及其现有一些改进的基础上,分析了PSO算法更新公式的固有缺陷。指出其三段式结构所隐含的易陷入局部最优问题,进而提出了一种带有扰动项的改进粒子群算法（PSO—DT）。它改变了现有算法的速度更新公式,加入了用于避免陷入局部最优的扰动项。分析了该改进算法的收敛性。测试表明,改进算法在优化性能上有较大提高。     

基于仿生学改进的粒子群算法

针对标准粒子群算法收敛速度慢和易陷入局部最优的局限性,提出了一种基于仿生学改进的粒子群算法。即通过在标准粒子群公式中加入负梯度项,使算法更加符合鸟群觅食的实际规律,同时使算法的全局和局部搜索能力得到了平衡。仿真对比结果表明,改进的粒子群算法减小了陷入局部极值的可能性,能够提高最优解的精度和优化效率。     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

量子粒子群优化算法在摄像机标定中的应用

摄像机标定是三维重构中最关键的一步,它的精度直接决定了三维重构结果的逼真程度。为了能够提高摄像机标定的精度,克服传统优化算法易陷入局部最小,反投影误差大等缺点,首次将量子粒子群优化算法（Quantum-Behaved Particle Swarm Optimization,QPSO）应用于摄像机标定中。该方法利用传统的线性方法求得初始值,利用QPSO对初始值进行优化。实验数据表明,基于QPSO的摄像机标定的平均反投影误差小于一个像素,是一种可行的方法,且与智能优化算法PSO相比,基于QPSO的摄像机标定具有更小的误差。     

量子微粒群在波阻抗反演中的应用

求解的局部性和计算速度慢是目前非线性波阻抗反演存在的主要缺陷。在与微粒群算法进行比较的基础上,研究了量子微粒群反演算法。数值实验结果表明,与微粒群反演相比,量子微粒群波阻抗反演在收敛速度和避免陷入局部极小等方面有着一定的优势,适合于非线性反演问题,该方法也适用于其他领域非线性最优化问题的求解,具有较强的普适性。     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替,是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法,遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

粒子群优化覆盖算法

在覆盖算法中,识别精度与泛化能力之间存在矛盾。为此,结合粒子群优化(PSO)具有的全局搜索能力,提出一种PSO覆盖算法。将领域覆盖算法中每一类样本形成的一组覆盖转化为粒子群,并在迭代过程中搜索出较好的覆盖粒子,从而得到一组个数较少且分类效果较好的覆盖。实验结果表明,该算法具有较高的分类识别精度及较优的泛化能力。