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。     

运用QPSO算法进行系统辨识的研究

引入了一种广泛而实用的方法——基于量子行为的粒子群算法的理论应用于系统辨识领域,QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性。仿真实验结果表明,QPSO算法具有比GA算法及PSO算法更强的线性系统辨识能力和非线性系统辨识能力。     

具有量子行为的协同粒子群优化算法

以分布估计算法(EDA)的角度,从理论上指出,具有量子行为的粒子群优化算法(QPSO)本质上是EDA算法与原始粒子群算法(SPSO)的综合.针对进化类算法普遍遇到的过早熟问题,将协同搜索策略引入传统的QPSO算法,提出了具有量子行为的协同粒子群优化算法(MQPSO).通过实验确定了最适合MQPSO算法的通信频率以及子种群大小.实验结果表明,该算法较QPSO及SPSO算法具有更快的收敛速度和更强的搜索精度,其优势在高维优化问题中更为明显.     

基于WQPSO算法的多阈值图像分割算法的研究

引入基于量子行为的粒子群算法（QPSO）应用于图像分割。QPSO不仅参数个数少、随机性强,而且能覆盖所有解空间,但由于QPSO的后期局部搜索能力较弱,因此提出一种基于小波变异的量子粒子群优化算法（WQPSO）以增强其局部搜索能力,保证算法的全局收敛性。把图像分割看成一个最优化问题,以最大类间方差法（OTSU）为例,对比了WQPSO、标准粒子群算法（PSO）和QPSO在阈值处理中的性能,实验结果表明WQPSO完全满足实时系统精确度和准确性的要求,具有无可比拟的图像分割效果。     

MQPSO: 一种具有多群体与多阶段的QPSO算法

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.     

基于多样性变异的量子行为粒子群优化算法

为了克服量子行为的粒子群优化（QPSO）算法存在早熟收敛的缺点,本文提出了一种改进的QPSO算法,在QPSO算法中加入多样性变异算法,设置多样性函数,当多样性较少时,执行变异操作。扩大了种群搜索过程中的搜索范围,避免了种群多样性不断下降。典型标准函数优化的仿真结果表明,该算法具有较强的全局搜索能力。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于动态邻域的QPSO算法

为了保证种群的多样性,提高算法的全局搜索能力,在具有量子行为的粒子群优化算法（QPSO）中引入邻域拓扑结构的概念,采用邻域结构中的轮形结构,提出一种基于动态邻域的具有量子行为的粒子群优化算法（NQPSO）。并用若干个标准函数进行测试,比较了NQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,NQPSO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上。     

基于量子粒子群优化的动态标定辨识方法

针对传统辨识方法对非线性系统辨识效果不理想的情况,提出将量子粒子群优化（ QPSO）算法引入到力传感器的动态标定辨识中来。搭建了基于垂直正弦力加载的力传感器动态标定装置优化,该系统使用正弦运动机构作为激励装置,动态力由安装在正弦机构上的质量块产生。为验证QPSO算法进行系统辨识的可行性,进行了两组对比实验。结果显示：相比于递推最小二乘（ RLS）法,QPSO算法的辨识精度较高,适用于非线性系统的参数辨识。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

用带变异因子的QPSO算法解决Job-Shop调度问题

由于量子粒子群优化算法仍有可能会出现早熟现象,因此将变异机制引入量子粒子群优化算法以使算法跳出局部最优并增强其全局搜索能力,并将改进后的量子粒子群优化算法用于求解作业车间调度问题。仿真实例表明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法、粒子群优化算法和量子粒子群优化算法。     

基于边界变异的量子粒子群优化算法

将边界变异操作引入到量子粒子群优化算法中,提出基于边界变异的量子粒子群优化算法QPSOB。该算法将越界粒子随机分布在边界附近的可行域内,以增加种群的多样性、提高算法的全局搜索能力。仿真实验证明其全局收敛性能优于量子粒子群优化算法。     

QPSO算法在非线性观测器设计中的应用*

具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法是继粒子群优化算法(Particle Swarm Optimization,PSO)后,最新提出的一种新型、高效的进化算法.提出了运用QPSO算法设计的非线性观测器方法.该方法属于滚动时域估计方法,利用具有量子行为的粒子群算法优化获得系统状态的最优估计.仿真结果显示该方法对初始条件不敏感,具有很强的跟踪能力.     

基于QPSO的图像融合算法的研究*

提出了一种基于量子行为的粒子群优化算法(QPSO)的图像融合方法.将图像融合问题归结为最优化问题,采用了QPSO算法进行优化.QPSO不仅参数个数少,其每一个迭代步的取样空间能覆盖整个解空间,因此能保证算法的全局收敛.与PSO算法和遗传算法进行了比较,证明了QPSO算法在图像融合中具有良好的效果.     

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。     

混沌量子粒子群算法在模型修正中的应用

混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量,但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法,提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正,结果表明,混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力,修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。