基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

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。     

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.     

基于混沌变异算子的小生境量子粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题,提出了基于混沌变异的小生境量子粒子群算法(NCQPSO).该算法结合小生境技术并加入了淘汰机制.使算法具有良好的全局寻优能力.变尺度混沌变异具有精细的局部遍历搜索性能.使算法具有较高的搜索精度,实验结果表明,NCQPSO算法可有效避免标准PSO(Particle Swarm Optimization)算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.也优于原始的量子粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization).     

QPSO算法优化的非线性观测器设计方法研究

具有量子行为的粒子群优化算法(Quantum-behavedParticleSwarmOptimization,简称QPSO)是继粒子群优化算法(ParticleSwarmOptimization,简称PSO)后,最新提出的一种新型、高效的进化算法。论文在研究基于PSO算法的非线性观测器基础上,提出了一种基于QPSO算法的非线性观测设计方法。以vanderPol系统为例进行了仿真实验,其基本思想是将非线性连续时间系统的状态估计问题转换为非线性函数的在线优化问题,然后利用PSO或QPSO算法获得系统状态的最优估计。仿真结果显示了基于QPSO算法的非观测器比基于PSO算法的非线性观测器的性能更优越。     

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QPSO数据聚类的图像颜色分割

聚类算法在数据分析及数据挖掘等许多领域有广泛应用,在聚类方法中引入一种新的距离度量标准替代传统的Euclidean距离度量标准以提高其健壮性,并在此基础上提出基于粒子群算法(Particle Swarm Optimization,简称PSO)的聚类方法和基于量子行为的微粒群优化算法(Quantum-behaved Particle Swarm Optimization,简称QPSO)的聚类方法,然后将两种聚类方法应用于图像分割.实验结果表明,基于QPSO的聚类方法性能优于基于PSO的聚类方法.     

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.     

量子粒子群优化算法在摄像机标定中的应用

摄像机标定是三维重构中最关键的一步,它的精度直接决定了三维重构结果的逼真程度。为了能够提高摄像机标定的精度,克服传统优化算法易陷入局部最小,反投影误差大等缺点,首次将量子粒子群优化算法（Quantum-Behaved Particle Swarm Optimization,QPSO）应用于摄像机标定中。该方法利用传统的线性方法求得初始值,利用QPSO对初始值进行优化。实验数据表明,基于QPSO的摄像机标定的平均反投影误差小于一个像素,是一种可行的方法,且与智能优化算法PSO相比,基于QPSO的摄像机标定具有更小的误差。     

基于QPSO的改进算法

基于量子行为的粒子群优化算法（Quantum-behaved Particle Swarm Optimization,QPSO）提出一种新的搜索策略。在新的搜索策略中,粒子的每一维不再是只通过自身的信息进行下一步的搜索,而是某些维通过其他粒子的信息进行搜索。新的搜索策略确保了种群的多样性,很好地避免了早熟现象,并且没有引进多余的计算。用几个基准函数测试了改进的QPSO算法,实验结果表明了它的优越性。     

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。     

量子粒子群算法求解QoS组播路由

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。将量子粒子群算法用于此类问题的求解。并在此基础上对基本的量子粒子群算法进行改进,针对群体智能和约束优化问题的特点,提出了一种在每次迭代中有选择地保留一定数量不可行解的方法,并把它结合到量子粒子群优化（QDPSO）算法中。该算法可以利用保留下来的不可行解来帮助搜索靠近边界的最优解,同时又可以避免罚因子的选择问题,使之更适合于QoS组播路由的求解。仿真实验结果显示,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大算法保持了良好的特性,在寻优速度上与解的质量上优于其他粒子群算法与基本的量子粒子群算法。     

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。     

A hybrid Improved Quantum-behaved Particle Swarm Optimization–Simplex method (IQPSOS) to solve power system load flow problems

This study proposes a new approach, based on a hybrid algorithm combining of Improved Quantum-behaved Particle Swarm Optimization (IQPSO) and simplex algorithms. The Quantum-behaved Particle Swarm Optimization (QPSO) algorithm is the main optimizer of algorithm, which can give a good direction to the optimal global region and Nelder Mead Simplex method (NM) which is used as a local search to fine tune the obtained solution from QPSO. The proposed improved hybrid QPSO algorithm is tested on several benchmark functions and performed better than particle swarm optimization (PSO), QPSO and weighted QPSO (WQPSO). To assess the effectiveness and feasibility of the proposed method on real problems, it is used for solving the power system load flow problems and demonstrated by different standard and ill-conditioned test systems including IEEE 14, 30 and 57 buses test systems, and compared with the conventional Newton–Raphson (NR) method, PSO and some versions of QPSO algorithms. Furthermore, the proposed hybrid algorithm is proposed for solving load flow problems with considering the reactive limits at generation buses. Simulation results prove the robustness and better convergence of IQPSOS under normal and critical conditions, when conventional load flow methods fail.     

小波神经网络模型的改进方法

为了改善小波神经网络(WNN)在处理复杂非线性问题的性能,针对量子粒子群优化(QPSO)算法易早熟、后期多样性差、搜索精度不高的缺点,提出一种同时引入加权系数、引入Cauchy随机数、改进收缩扩张系数和引入自然选择的改进量子粒子群优化算法,将其代替梯度下降法,训练小波基系数和网络权值,再将优化后的参数组合输入小波神经网络,以实现算法的耦合。通过对3个UCI标准数据集的仿真实验表明,与WNN、PSO-WNN、QPSO-WNN算法相比,改进的量子粒子群小波神经网络(MQPSO-WNN)算法的运行时间减少了11%~43%,而计算相对误差较之降低了8%~57%。因此,改进的量子粒子群小波神经网络模型能够更迅速、更精确地逼近最优值。     

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。     

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性，通过演化信息的协助，提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息，粒子之间的动态协作增加了种群多样性，这有助于提高群体的搜索能力，并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代，利用二维空间分割树结构来存储算法中的估计解的位置和适应度值，从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略，因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明，不管是对于单峰还是多峰测试函数，CRDPSO的性能均是最优的，证明了该算法的有效性。