一种量子行为粒子群优化动态聚类算法*

为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确定最佳的聚类数目。在五个测试数据集上与其他两种动态聚类算法进行聚类实验比较,实验结果表明,基于完全学习策略的量子行为粒子群优化动态聚类算法能够获得较好的聚类结果,有着良好的应用前景。     

一种改进二进制编码量子行为粒子群优化聚类算法

为了改善二进制量子行为粒子群优化（BQPSO）算法的收敛性能,提出了一种基于完全学习策略的改进BQPSO优化（CLBQPSO）算法,并由此设计了一种新的数据聚类方法.该算法在4个测试数据集上与其他一些聚类算法进行了聚类实验比较,实验结果表明,基于CLBQPSO的聚类算法不仅收敛速度快,而且有较好的全局收敛性,收敛精度优于其他聚类算法,聚类效果更好.     

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。     

合作的具有量子行为粒子群优化算法

通过对具有量子行为的粒子群优化（Quantum-behaved Particle Swarm Optimization,QPSO）算法深入分析,把协作机制引入到QPSO算法中,提出了协作的具有量子行为的粒子群优化（Cooperative Quantum-behaved Particle Swarm Optimization）算法,并详细阐述了这种算法的主要思想。测试结果表明,这种改进算法能够克服QPSO算法中的不足,增强了粒子群的优化能力。     

一种综合-合作学习的量子粒子群优化算法

为了改善量子粒子群优化QPSO(Quantum-behaved Particle Swarm Optimization)算法的全局收敛能力,在对综合学习策略QPSO算法研究的基础上,引入合作思想,提出综合-合作QPSO算法(CCQPSO)。在提出的算法中,局部吸引子和粒子最优位置的更新都体现在每一个具体的维度上,避免丢失解向量中最接近最优解的部分维。九个测试函数的仿真实验结果表明,提出的算法能够有效增加群体多样性,改善算法的早熟收敛。     

基于量子行为粒子群算法的微电网优化配置

关于微电网的优化配置问题,是在功率平衡等一系列约束的前提下,以投资成本、环境因素等为目标,优化配置微电网中各微电源的数量.微电网的优化配置是一个动态多维非线性优化问题,传统的优化算法收敛速度慢,容易陷入局部最优,而量子行为粒子群算法以其搜索能力强、收敛速度快和解的精度高等特点,可以很好的求解微电网的优化配置问题.以某地的气象和负荷数据为例,在满足用户的冷热电负荷需求前提下,求解微电网的配置.结果表明,采用量子行为粒子群算法,可以得到各微电源容量的最佳配比方案.     

基于量子行为粒子群优化算法的图像插值方法

传统图像插值方法简单,容易实现,但经过插值后的图像会增加一定的虚假内容,导致图像模糊。为提高插值图像的质量和图像的分辨率,提出一种基于量子行为粒子群优化（QPSO）算法的图像插值方法。该方法利用QPSO算法在以传统插值图像为基础形成的解空间中,寻找符合目标函数的最优高分辨率图像。实验证明,该方法实用、可行,且能得到质量较好的插值图像。     

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。     

一种量子粒子群算法的改进方法

针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法。在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值。通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果。     

基于量子行为的粒子群优化算法分类规则获取*

介绍了基本的粒子群算法,并针对基本的粒子群算法在收敛性能上的缺陷,提出将具有量子行为的粒子群优化算法应用于数据挖掘学科中的分类规则获取。对加州大学厄文分校的若干数据集模式分类规则进行提取,与其他规则提取方法相比,证明该算法提高了分类规则的正确率以及全局寻优能力。     

一种基于Cauchy变异的量子粒子群算法

和其他优化算法相比,粒子群算法有着简单易实现以及寻优结果快的优点,但研究结果表明标准粒子群算法在优化过程中存在着易于陷入最小的缺陷。文章提出了一种基于Cauchy策略的量子-粒子群算法。标准测试函数的仿真结果表明,新的算法不仅能够提高算法的全局搜索能力,而且能够加快算法的寻优速度,能够应用在实际工程中的函数优化问题。     

改进量子粒子群算法求解电力经济调度

为了避免算法早熟,结合柯西分布具有较长两翼的特点,提出了带柯西扰动因子的量子粒子群,对平均位置扰动,并结合罚函数处理约束条件来求解电力系统经济调度问题.通过对15个机组的数值仿真表明,该算法在收敛精度和迭代速度上有较好的效果.     

改进的量子行为粒子群优化算法及其应用

为提高量子行为粒子群算法的优化能力,提出了一种改进的算法．该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法．在每步迭代中,首先计算粒子适应度,然后取前K个适应度最好的粒子作为候选集．采用轮盘赌策略在候选集中选择一个粒子作为势阱中心,调整其它粒子向势阱中心移动．在优化过程中,通过使K值单调下降,获得探索与开发的平衡．将提出的算法应用于标准函数极值优化和量子衍生神经网络权值优化,实验结果表明提出算法的优化能力比原算法确有明显提高．     

基于量子行为特性粒子群和自适应网格的多目标优化算法

为了能够找到更多真实的Pareto最优解和提高所求最优解的分布均匀性,提出了一种新型的基于量子行为特性粒子群优化和自适应网格的多目标量子粒子群优化算法.利用量子行为特性粒子群优化算法的寻优优势快速地接近真实的Pareto最优解,引入高斯变异算子增强搜索解的多样性.通过设置一个外部存储器保留搜索过程中找到的Pareto最优解,采用自适应网格法对外部存储器中最优解进行更新和维护操作,使得从中选择的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明所提算法具有更好的收敛性能和更均匀的分布性能.     

基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

水下机器人参数辨识的量子粒子群算法

水下机器人动力学模型参数辨识是水下机器人运动状态控制、路径跟踪、状态监测、故障诊断及容错系统开发的基础,是水下机器人研究的核心内容之一.针对Falcon开架缆控水下机器人的动力学模型,将量子粒子群优化算法引入到水下机器人动力学模型参数辨识之中,提出基于量子粒子群优化算法(Quantum-behaved PSO,QPSO)的水下机器人动力学模型参数辨识,并将其辨识结果与粒子群优化算法(Particle Swarm Optimization,PSO)及遗传算法(GA)的辨识结果进行比较.仿真结果表明应用QPSO算法的参数辨识结果明显优于其它对比方法,说明了算法的有效性与合理性.     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。     

求解非线性方程组的量子行为粒子群算法

介绍了利用量子行为粒子群算法解决非线性方程组的问题.求方程组的解归结为一个最优化问题,当方程组有多个解时,它的适应值函数就是具有多个最优解的多峰函数.为此,引进一种物种形成原理算法,该算法根据群体微粒的相似度并行地分成子群体.每个子群体是围绕一个群体种子而建立的.对每个子群体进行QPSO最优搜索,从而保证方程组中每个可能的解都能被搜索到,具有良好的局部寻优特性.对几个重要的测试函数进行仿真实验,结果证明了所用算法可以保证找到方程组所有的解,并且具有很好的精确度.     

基于多种群量子粒子群优化的属性约简

现代工业发展要求迅速、可靠地实现故障诊断。针对粒子群约简算法易陷入局部最优等问题,提出了一种多种群量子粒子群优化算法（MIQPSO）。该算法对量子粒子群算法进行分群,并通过接种疫苗,指导粒子朝更优化方向进化,提高了量子粒子群的收敛速度和寻优能力。利用UCI相关数据集,通过对Hu算法、粒子群算法、量子粒子群算法、多种群量子粒子群算法的粗糙集属性约简验证,结果表明,基于多种群量子粒子群优化的约简算法具有良好的约简效果。     

量子粒子群优化算法的收缩-扩张系数控制策略研究

收缩-扩张(CE)系数是量子粒子群优化算法(QPSO)需要人工设定的最核心参数,如何选择该参数成为一个重要的问题。为寻找更为有效的CE系数控制方法,根据CE系数递减思想,提出了一种凸凹性可变的指数型非线性下降CE系数控制策略,采用Sphere、Rastrigrin、Griewank和Ackley等4种典型的单峰与多峰标准测试函数研究了CE系数的不同控制策略以及不同初始值对量子粒子群优化算法收敛精度与收敛速度的影响,并与线性下降CE系数及固定CE系数两种控制策略进行了对比分析,得出了CE系数控制策略选择的一般性指导准则,为量子粒子群优化算法的应用提供依据。