免疫量子进化算法

将免疫的概念和方法引入到量子进化算法中，提出一种新型的进化算法——免疫量子进化算法。该算法在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或先验知识，抑制或避免求解过程中的一些重复或无效的工作，以提高算法的整体性能。对背包问题的仿真实验表明，免疫量子进化算法的性能优于经典的进化算法、免疫进化算法、量子进化算法等3种算法。     

基于模拟退火的量子进化算法

针对量子进化算法全局搜索能力强而局部寻优能力弱的特点,提出一种基于模拟退火的量子进化算法。该方法将模拟退火算法引入到量子进化算法中,在采用量子进化算法进行解空间全局搜索的同时,用模拟退火算法加强局部寻优能力,以有效平衡算法的开采与勘探能力。采用著名的NP难组合优化问题———背包问题为例进行实验,结果表明:本文方法获得了比量子进化算法更好的解,证实了其有效性。     

基于改进量子进化算法的作业车间调度研究

针对作业车间调度问题,以最大完工时间最小化为优化目标,提出了跳跃基因量子进化算法(JGQEA).该算法在量子进化算法的基础上引入跳跃基因算子,同时采用动态调整量子旋转角策略以提高算法的搜索能力.通过仿真实验验证了算法的有效性,结果表明JGQEA优于QEA等几种进化算法.     

基于改进量子进化算法的作业车间调度研究

针对作业车间调度问题,以最大完工时间最小化为优化目标,提出了跳跃基因量子进化算法(JGQEA)。该算法在量子进化算法的基础上引入跳跃基因算子,同时采用动态调整量子旋转角策略以提高算法的搜索能力。通过仿真实验验证了算法的有效性,结果表明JGQEA优于QEA等几种进化算法。     

量子进化算法和免疫算法的比较研究

量子进化算法和免疫算法都是解决优化问题的强有力算法。在分析了量子进化算法搜索的特点和免疫算法的机理基础上,对它们进行比较,阐明了二者的不同特点,并通过仿真实例总结出它们在求解多峰值函数优化问题上各自的优缺点。     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。     

融合蜂群行为的量子进化算法

为提高量子进化算法的收敛精度和收敛速度,以人工蜂群算法为基本进化框架,提出一种融合蜂群行为的量子进化算法. 将采用相位编码的量子进化种群划分为量子开采种群、量子跟随种群以及量子侦察种群,在每个种群内模拟蜜蜂觅食行为寻优,其中量子开采种群采用混沌扰动搜索,量子跟随种群采用柯西变异操作进化. 同时对所有种群个体采用量子染色体的两步旋转更新方法,并进行自适应的动态变异操作. 利用基准测试函数进行仿真,与相关方法对比分析可知,所提出的算法在大部分的函数上都表现出较好的性能,能有效提高全局收敛性能.     

基于云量子进化算法的SOC测试规划研究

为克服传统量子进化算法中,迁移操作和量子门单一方向更新操作易陷入局部最优解的缺陷,借鉴云模型云滴的随机性和稳定倾向性特点,提出了一种新的云量子进化算法,该算法在量子进化算法基础上,由云模型的X、Y条件云发生器加入杂交操作,由基本云发生器加入变异操作.并将云量子进化算法用于解决SOC测试时间与测试功耗协同优化.最后用国际标准电路ITC'02 Test Benchmark进行实验仿真,与已有算法相比,云量子进化算法能够更好地缩短SOC测试时间、提高SOC测试效率.     

一种基于量子进化算法的快速水印算法

针对传统基于人类视觉系统特性的空间域与变换域相结合的水印算法中嵌入信息量小、嵌入位置定位及检测准确率低和算法运行速度慢等缺陷,提出并实现一种基于量子进化算法(QEA)的快速水印新算法。仿真实验结果表明,新算法不仅生成水印图像的速度快,而且对各种攻击具有良好的敏感性和鲁棒性。新算法在应用中有较大的灵活性,并且具有可嵌入信息容量大、运算速度快和可操作性强等特点。     

一种基于流密码和遗传算法的高效数字图像加密算法探索

本文结合流密码和遗传算法的优点,提出了一种彩色数字图像加密算法.该算法首先将图像分块,各块内象素相互异或,再对不同颜色分量执行迭代次数和变换矩阵均不同的三维Arnold变换,最后将遗传算法产生的密钥流与图像数据相异或来对图像进行加密.经过理论分析和实验验证,该算法具有密钥空间大、密钥敏感性高,加密效果好、并能有效抵御常见攻击等优点.     

一种基于杂草克隆的多目标粒子群算法

多目标粒子群算法(MOPSO)在优化函数时,尤其对于Pareto前沿是分段不连续的优化函数,存在收敛速度慢,种群多样性差的缺陷。针对此问题,将杂草克隆机制引入MOPSO,提出了一种新的多目标粒子群算法,称之为IWMOPSO。该算法利用改进的档案维护策略和不可行解增强多样性和均匀性,通过标准测试函数验证,能够使所求得的Pareto最优解逼近整个Pareto真实前沿,收敛性和多样性明显优于MOPSO和NSGA-Ⅱ,具有较强的应用性。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

基于后验信息修正的自适应交互多模型跟踪算法

针对目标运动状态变化较大甚至发生突变时,传统交互式多模型算法跟踪精度和稳定性会显著下降的问题,提出了一种在线辨识马尔可夫概率转移矩阵参数的基于后验信息修正的自适应交互多模型跟踪算法,该方法在滤波的过程中,根据不匹配模型误差压缩率的变化自适应调整先验的马尔可夫转移概率矩阵的参数,切换过程中较多地压缩不匹配模型的信息,放大匹配模型的信息,大大提高了系统的收敛速度.通过对仿真结果分析表明,论文提出的算法具有可靠、计算简便、快速等特点,模型滤波精度较高,具有一定的理论价值和实用价值.     

一种基于波束域最大非冗余矩阵的四阶高分辨DOA估计算法

在非白噪声背景下,基于二阶统计量的高分辨方法性能较差。基于四阶累积量的高分辨方法能较好地抑制空间高斯噪声,但其运算量较大。文献[9]提出了一种基于四阶累积量的波束域MUSIC方法,降低了运算量,但其四阶累积量矩阵仍存在较多的冗余元素。为了进一步降低运算量,提出了一种波束域最大非冗余四阶累积量矩阵。仿真分析和实验结果表明,与波束域四阶累积量MUSIC方法相比,论文所提方法在保证估计性能的同时减小了运算量。