基于群体智能的多机器人任务分配

针对具有松散和紧密耦合型任务的大规模多机器人系统,研究了基于群体智能的任务分配方法。系统采用层次结构,高层用蚁群算法实现松散耦合型任务分配的寻优,提出逆转分配思想让蚂蚁代表任务,为每个任务选择任务的承担者。底层分别提出了基于蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成——产生紧耦合型任务解,并进行仿真。仿真结果表明,基本蚁群算法得到的解质量最差;粒子群蚁群算法得到的分配解最好,但是运算时间最长;量子蚁群算法得到的解稍次于粒子群蚁群算法,但分配时间比另两种算法减少了一半。因此,在大规模的多机器人任务分配中,量子蚁群算法具有更强的适用性。     

混合量子差分进化算法及应用

量子进化算法基于量子旋转门更新量子比特状态影响了算法搜索性能．提出一种差分进化（DE）与和声搜索（Hs）相结合更新量子比特状态的混合量子差分进化算法（HQDE）．该方法采用实数量子角形式编码染色体,设计一种由差分进化计算更新量子位状态的量子差分进化算法（QDE）和一种由和声搜索更新量子位状态的量子和声搜索（QHS）,并相互机制融合,采用两种不同进化策略共同作用产生种群新量子个体以克服常规算法中早熟及收敛速度慢等缺陷;在此基础上,算法还引入量子非门算子对当前最劣个体以一定概率选中的量子比特位进行变异操作增强算法跳出局部最优解能力．理论分析证明该算法收敛于全局最优解．0／1背包问题及旅行商问题实例测试结果验证了该方法有效性．     

一种新的量子群进化算法研究

提出了一种基于量子进化的量子群进化算法，使用量子角表示量子比特的状态，并引入改进的粒子群优化策略，对量子群中各量子的量子角进行自适应动态调整．在对0-1背包问题的求解中，表现出很好的性能．     

一种量子衍生神经网络模型算法及应用

为提高神经网络的逼近和预测能力，提出一种各维输入为离散序列的量子衍生神经网络模型及算法。该模型为三层结构，隐层为量子衍生神经元，输出层为普通神经元。量子衍生神经元由量子旋转门和多位受控旋转门组成，利用多位受控旋转门中目标量子位的输出向输入端的反馈，实现对输入序列的整体记忆，利用受控旋转门输出中多位量子比特的纠缠获得量子衍生神经元的输出。基于量子计算理论设计了该模型的学习算法。该模型可从宽度和深度两方面获取输入序列的特征。仿真结果表明，当输入节点数和序列长度满足一定关系时，该模型明显优于普通神经网络。     

基于量子衍生的图像中值滤波算法

利用量子衍生思想,借鉴量子信息理论,将归一化的数字图像用量子叠加态的方式表示,分析了量子Hadamard变换的原理,提出了基于量子衍生的图像中值滤波算法。针对受不同程度椒盐噪声干扰的数字图像,分别采用3×3和5×5大小的中值滤波窗口,对传统图像中值滤波算法和量子衍生中值滤波算法进行了去噪仿真实验。从主观视觉角度和客观评价指标两方面,对算法的去噪效果进行了分析和比较。根据信噪比和边缘保持度两种评价指标,客观衡量和比较了算法处理后的结果图像与原始图像之间的灰度值差异,以及算法对图像边缘细节的保持能力。算法仿真结果表明,对相同程度椒盐噪声干扰的图像进行去噪处理时,5×5大小的量子衍生中值滤波算法去噪效果最佳。     

基于量子进化算法的包装式特征选择方法

针对监督分类中的特征选择问题, 提出一种基于量子进化算法的包装式特征选择方法. 首先分析了现有子集评价方法存在过度偏好分类精度的缺点, 进而提出基于固定阈值和统计检验的两种子集评价方法. 然后改进了量子进化算法的进化策略, 即将整个进化过程分为两个阶段, 分别选用个体极值和全局极值作为种群的进化目标. 在此基础上, 按照包装式特征选择遵循的一般框架设计了特征选择算法. 最后, 通过15个UCI数据集分别验证了子集评价方法和进化策略的有效性, 以及新方法相较于其它6种特征选择方法的优越性. 结果表明, 新方法在80%以上的数据集上取得相似甚至更好的分类精度, 在86.67%的数据集上选择了特征个数更小的子集.     

求解离散优化问题的元胞量子狼群演化算法

针对离散空间优化问题,提出了求解离散优化问题的元胞量子狼群演化算法,首先,为了提高算法的全局收敛速度,采用双策略量子位初始化方法和滑模交叉方法,分别生成量子狼群初始位置和产生头狼,实现种群多样性;其次,为了描述头狼与猎物间的距离以及增强狼群的遍历范围,采用二进制编码方式和元胞自动机中的演化规则,分别实现狼群中个体狼与猎物距离的精确描述和量子旋转角的选取调整;然后,为了证明该算法的收敛性能,采用泛函分析方法,实现了算法全局收敛性能的验证;最后,通过6个标准测试函数的仿真实验,并与狼群算法以及量子狼群算法的优化结果进行比较。实验结果表明,该算法具有较快的收敛速度和较好的全局寻优能力。     

基于量子进化算法的配电网架规划

详细介绍了应用量子进化算法进行配电网架规划的方法,采用单阶段子系统模型,以规划年综合费用最低为目标,以线路传输容量、电压降、配电网辐射状结构等为约束条件。通过对具体实例的仿真实验,验证了该方法的可行性和优越性。     

局部搜索量子遗传算法及其无功优化应用

针对量子遗传算法局部寻优能力差的不足,提出一种局部搜索量子遗传算法,用于电力系统无功优化.该方法将局部搜索引入到量子遗传算法中,先进行全局寻优,当全局寻优搜索到的最优解经过多次迭代没有变化时,在此解附近产生小的寻优区间,进行局部寻优,以使算法同时具有较强的全局和局部搜索能力.复杂测试函数和IEEE30节点测试系统的仿真实验表明,该方法在寻优能力、收敛速度和稳定性方面优于文献中的新量子遗传算法、进化规划等多种方法.     

具有资源约束的项目调度问题中的量子进化算法

为了将量子进化思想应用到具有资源约束的项目调度领域中,提出了一种基于活动对连接关系的调度解表示方法,进而构成新的搜索解空间。利用新表示方法的二值性,给出了量子进化算法。该算法扩展了前向-后向搜索思想,构造出原问题的反向问题,并把原问题和反向问题以同样的方式进行求解,利用反向搜索一个方向上的解群来更新另一个方向上的解群。此外,算法根据分散搜索的思想,利用新搜索解空间中定义的距离来控制搜索的分散性。最后,通过仿真说明了该算法的有效性。