混合量子遗传算法及其性能分析

首先比较了带量子门更新和群体灾变的量子算法(QA)以及加入对量子位的交叉和变异操作的量子遗传算法(QGA);然后结合量子搜索和传统遗传搜索提出了混合量子遗传算法的框架,并给出了基于二进制编码的混合量子遗传算法(BQGA)和基于实数编码的混合量子遗传算法(RQGA).基于典型问题的数值仿真和比较表明,RQGA的性能明显优于其他算法,对参数和初值具有较好的鲁棒性.     

量子遗传算法的变尺度混沌优化策略研究*

针对量子遗传算法（QGA）易陷入局部极值、具有早熟收敛等问题,分析了QGA的流程,从全局搜索和局部搜索两个层面探讨了QGA的改进策略,提出了一种新的算法。该算法利用混沌运动的遍历性和随机性进行全局搜索,同时利用梯度信息对QGA的量子更新过程环节进行优化。典型函数测试分析表明,该方法的综合性能明显优于量子遗传算法及遗传算法。     

求解背包问题的混合量子进化算法

针对量子进化计算中反馈信息利用不充分并容易早熟的不足,将量子进化计算与及蚂蚁寻优策略融合,提出了一种新的优化方法—混合量子进化算法(HQEA).以量子染色体表示智能蚂蚁所有可能的搜索路径,初始阶段采用量子进化学习,设计了智能蚂蚁网络及衔接算子,进化学习所得结果表示智能蚂蚁路径选择的概率,并利用蚁群寻优策略继续搜索求精确解.理论证明该算法具有全局收敛性.最后以背包问题对算法进行了测试.     

基于越库配送车辆调度的混合量子遗传算法(QGA)研究

量子遗传算法(QGA)是将经典的量子理论应用到遗传算法当中,将量子态引入传统比特模型中,一种新型的求解最优问题的算法。越库配送车辆调度是一类经典的组合优化问题,基于量子遗传算法,针对提高物流配送过程中要求的快速和高效的问题,本文研究了一种混合量子遗传算法的框架,提出了解决传统物流调度中的配送优化方案的新思路,研究了新的量子更新和概率调整的策略,使该方法更加贴合物流配送的实际问题,实验结果显示,采用混合量子遗传算法后的性能明显优于传统的量子遗传算法,取得了更高的最佳适应度,具有良好的应用前景。     

基于变异概率分析的改进QGA及其应用

标准量子遗传算法(QGA)在应用于组合优化问题时,会由于早熟收敛而陷入局部最优.为解决该问题,引入κ位变异子空间概念分析Q-bit的变异概率分布,指出传统随机变异机制和QGA自有变异机制之间的冲突,提出一种基于观测状态的阶段式大尺度变异机制.将该机制的变异算子嵌入量子旋转策略表,对不同规模的0/1背包问题进行测试,结果表明,该机制能有效避免早熟收敛,跳出局部最优,全局寻优能力优于标准QGA.     

一种新的量子遗传算法变异机制

针对标准的量子遗传算法(QGA)应用于数值优化时容易早熟收敛而陷入局部最优的问题,引入k位变异子空间概念对Q-bit变异概率分布进行了分析,传统随机变异机制和QGA自蕴变异机制存在冲突.为此提出一种用观测状态的阶段式大尺度变异机制(SLVMBOO),并将SLVMBOO变异算子嵌入到量子旋转策略表中,实现起来简单高效.通过典型复杂函数测试表明SLVMBOO使得QGA应用于数值优化时能有效地避免早熟收敛、跳出局部最优,而且全局寻优能力优于其它方法.     

基于免疫量子遗传算法的多峰函数寻优

针对多峰函数优化中的全局及局部寻优问题,提出了一种结合免疫克隆算子的量子遗传算法,给出了实现流程。该算法集量子遗传算法的快速性和免疫克隆算法全局搜索性于一身。它不仅有效克服了量子遗传算法容易陷于局部最优的缺点,也避免了普通免疫克隆算法计算缓慢的缺点。用多峰值函数进行了全局寻优的仿真实验,并与基本遗传算法,量子遗传算法的计算结果进行了比较,结果表明所提算法能以较快的速度搜索到全局最优解,并且其鲁棒性远高于普通量子遗传算法和遗传算法。     

基于蚁群优化算法的障碍距离分析

传统的距离计算往往因不考虑实际情况中障碍物的问题而不实用,借鉴了机器人路径规划问题的解决思路,将遗传算法中交叉算子引入到蚁群优化算法的路径寻优过程中,提出一种进化蚁群优化算法的障碍距离算法,能够很好的降低搜索陷入局部最优的可能性.实验结果表明,该方法不仅能处理任何复杂形状的障碍,与基于遗传算法的障碍距离计算方法相比,具有较好的路径寻优能力.     

量子遗传算法在指纹图像分割中的应用

提出了一种基于量子遗传算法(QGA)的指纹图像分割改进方法.这种方法利用量子遗传算法种群多样性好,收敛速度快的特点,将基于量子遗传算法的阈值分割方法与方向图法相结合对指纹图像进行分割.实验结果表明,QGA在指纹图像阈值分割中的速度和精度优于改进的自适应遗传算法和其它一些传统算法,是一种有效的图像分割方法.     

多车场车辆路径问题的改进粒子群算法

多车场车辆路径问题是一类实用性很高的NP难解问题。针对标准粒子群算法易早熟、收敛速度慢的缺陷,提出了一种新的改进算法,该算法采用协同进化思想,同时在搜索陷入局部最优的情况下引入了模式搜索方法。针对多车场车辆路径问题构造了一种新的粒子编码方法,建立了相应的数学模型,并介绍了该算法的详细实现过程。仿真结果通过和遗传算法和标准粒子群算法比较,表明该算法具有更好的寻优速度和寻优效率,从而证明了提出的算法用于优化多车场车辆路径问题是可行和有效的。