改进实数编码量子进化算法及其在参数估计中的应用

借鉴量子计算的相关概念和原理,提出一种改进实数编码量子进化算法(IRCQEA).算法的核心是依据染色体的具体形式和目标函数的梯度信息设计互补变异进化染色体,以实现局部搜索和全局搜索的平衡;根据算法的进化过程动态缩小搜索空间,以加快收敛速度.对标准数值优化问题的求解结果表明,该算法具有寻优能力强、搜索精度高和稳定性好等优点.以非线性系统参数估计问题为例进行的仿真实验表明,所提出的算法能够有效提高估计参数的精度.     

一种实数编码量子进化算法及其收敛性

基于量子计算理论和进化理论,提出一种新的量子进化算法--基于实数编码的量子进化算法(RQEA).不同于传统进化算法的单点编码和量子进化算法的量子比特编码,该算法以实数矩形区域表示基因,一条染色体携带多个个体信息,利用量子态叠加和相干机理,通过叠加、变异及自学习来完成进化过程,理论分析证明了算法具有全局收敛性,实验结果表明,该算法在函数优化上具有优异的性能.     

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。     

一种实数编码的量子差分进化算法

量子进化方法是受量子计算思想的启发而产生的一种新型的高效算法,在计算效率和避免陷入局部极值问题上有着卓越的成效.因此,量子机制与智能优化算法的组合,将进一步扩展智能优化算法的应用领域,提高优化算法解决问题的能力.为此,将量子计算引入到差分进化算法中,提出一种新型的进化算法一量子差分进化算法.该方法将量子比特的概率幅表示应用于染色体的实数编码,用量子变异、量子交叉、量子选择操作实现染色体位置的更新,用量子非门进行量子位两个概率幅互换,能在防止算法早熟的同时使算法更快收敛.并分别以函数极值和TSP问题为例进行了仿真,验证了算法的有效性.     

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。     

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。     

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.     

采用混沌变异的进化算法

根据混沌理论关于进化与混沌的关系,设计一种采用混沌变异算子的进化算法,并提出“尺度收缩”的变异策略。对极小值函数优化问题的仿真实例表明,混沌变异是实数编码进化算法变异算子的有效实现;而采用“尺度收缩”策略的混沌变异算子明显改善了群体平均适应值,提高了算法性能,是解决优化问题的有效方法。     

量子进化算法研究现状综述

在介绍基本量子进化算法(QEA)的基础上,重点归纳总结了最近几年量子进化算法在算法机理和性能方面以及在算法的种群改进、编码扩展、算子创新、算法融合等应用方面的研究成果,进而提出了量子进化算法在模式理论、多目标进化、算法研究、应用等方面进一步的研究内容.     

一种基于量子进化算法的概率进化算法

针对量子进化算法(QEA)求解二进制编码问题比较有效,而求解多进制编码问题则比较困难,提出一种概率进化算法(PEA)。该算法汲取了量子复合位、叠加态等思想,采用由观测概率构成的概率复合位进行编码,观测和更新操作直接针对观测概率进行。PEA保持了QEA的性能,运算速度远优于QEA,并可以采用任意进制编码。函数优化和背包问题实验验证了PEA的有效性。     

A hybrid quantum chaotic swarm evolutionary algorithm for DNA encoding

DNA encoding is crucial to successful DNA computation, which has been extensively researched in recent years. It is difficult to solve by the traditional optimization methods for DNA encoding as it has to meet simultaneously several constraints, such as physical, chemical and logical constraints. In this paper, a novel quantum chaotic swarm evolutionary algorithm (QCSEA) is presented, and is first used to solve the DNA sequence optimization problem. By merging the particle swarm optimization and the chaotic search, the hybrid algorithm cannot only avoid the disadvantage of easily getting to the local optional solution in the later evolution period, but also keeps the rapid convergence performance. The simulation results demonstrate that the proposed quantum chaotic swarm evolutionary algorithm is valid and outperforms the genetic algorithm and conventional evolutionary algorithm for DNA encoding.     

基于量子进化算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。为了降低计算机网络的时延和运营费用以改进网络性能,采用量子进化算法优化计算机网络中路由选择问题,深入研究了量子进化算法及其在路由选择优化问题中的应用,并对量子进化算法进行了改进,使之更适合这类问题的求解。仿真实验结果表明,同传统优化算法相比该方法对求解网络的路由选择具有很大优越性。研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了量子进化算法的应用范围。     

一种竞争型量子进化算法

针对连续空间数值优化问题,提出了一种竞争型量子进化算法。粒子每次向全局最优和种群均值两个方向分别进化,从而得到两个子粒子。根据“优胜劣汰”原则选择适应度较高者作为下一代。同时,为了保证粒子的多样性,引入了一种自适应变异机制：对适应度较低的粒子以较高概率进行变异,而对适应度较高粒子以较低概率进行扰动。通过5个标准测试函数验证了算法的性能。仿真结果表明,与PAQEA及NVCQEA相比,该算法收敛速度快,收敛精度高,稳定性好。     

改进量子算法的片上网络映射研究

片上网络（NoC）是解决片上系统（SoC）之间各个IP核通信的主要方法。其中NoC的映射是整个NoC设计过程中最为关键的步骤之一。采用一种改进的方法解决NoC映射问题,该方法基于量子进化算法,并在算法中采用一种改进的更新方法,之后引入精英策略,让所有中间过程的解都参与到迭代中,选择其中最好的解作为每次迭代的NoC映射最终解。使用该方法建立在延时约束下的NoC映射功耗数学模型,实验表明,该方法在NoC映射中能达到降低通信功耗的目的。     

量子进化算法在生产调度中的应用综述

量子进化算法是量子计算和进化计算相融合的产物,具有种群多样性好、全局搜索能力强、收敛速度快等优点。综述了量子进化算法在Job-Shop调度、Flow-Shop调度、车辆路径规划、项目调度等生产调度领域中的应用现状,讨论了面向生产调度的量子进化算法的编码转换方式和进化策略以及存在的问题,并指明了其进一步的研究方向。     

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。