ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于改进量子粒子群优化算法的机器人逆运动学求解

针对工业机器人在逆运动学求解过程中存在的位姿奇异、解不唯一、求解精度低等问题,提出了一种改进量子粒子群算法。首先,利用D-H参数法建立机器人运动学模型,以机械臂末端最小位姿误差为主要优化目标,加入运动前后关节角变化最小、行程平稳连续的约束条件,设计了目标函数;其次,通过采用Levy飞行策略改进粒子更新方式、非线性地动态调整收缩膨胀因子、采用变权重方法计算最优平均位置等方法设计了一种改进量子粒子群优化(IQPSO)算法;然后,模拟单点位姿和连续轨迹两种不同的求解情况进行三种算法(IQPSO、APSO、QPSO)的仿真对比实验,结果表明IQPSO算法具有收敛速度快、求解精度高等优点;最后,将IQPSO算法用于机械臂本体进行实物验证,实验结果表明IQPSO算法求解出的插值点所组成的轨迹连续且平滑,进一步证明了该算法应用于实际运动控制中的稳定性和可行性。

面向柔性作业车间调度问题的混沌编码量子粒子群优化算法

为解决柔性作业车间调度问题,提出一种混沌编码量子粒子群优化算法。针对标准量子粒子群优化算法中粒子过早收敛于局部最优值的缺点,提出具有扰动行为的自适应收缩-扩张系数和关联粒子适应度值的计算方法,改善算法的全局搜索能力;通过引入混沌边界变异策略,减少粒子大量聚集在边界的概率,增加种群的多样性来提高搜索最优解的能力;针对量子粒子群优化算法的迭代特性,设计一种适用的混沌编码策略。将提出的改进量子粒子群优化算法应用于柔性作业车间调度问题,并通过多种基准算例与标准量子粒子群优化算法、粒子群优化算法和混合遗传算法进行对比,验证所提算法的性能。实验结果表明:混沌编码量子粒子群优化算法具有更好的稳定性和更强的寻优能力。

采用改进量子粒子群优化算法的虚拟电厂参与二次调频两阶段优化

虚拟电厂(virtual power plant,VPP)作为一种新型区域能源管理系统,可通过“源—荷—储”的协调优化调度,高效参与电网二次调频辅助服务。介绍虚拟电厂内部结构,建模分析新能源机组及可控负荷特性;搭建虚拟电厂参与二次调频两阶段调度模型,该模型能够兼顾二次调频净利润及调频效果;研究一种自适应权重的改进量子粒子群优化(quantum particle swarm optimization,QPSO)算法,通过引入自适应权重机制,在量子粒子更新过程中动态调整权重参数以提高算法的搜索能力和收敛速度;并将改进算法应用于两阶段优化过程中,使虚拟电厂获得更高的二次调频净利润及更好的调频效果;仿真结果表明,所提改进算法的收敛速度更快且全局寻优能力更强。

带交叉算子的量子粒子群优化算法

为了改善量子粒子群优化(QPSO)算法、提高其求解多峰优化问题的能力,采用新的粒子吸引点和势阱特征长度计算方法,引入遗传算法中的交叉算子并融入交叉概率自适应的参数控制技术,设计了一种带交叉算子的量子粒子群优化(CQPSO)算法.CQPSO算法既可确保QPSO粒子群体的多样性、维护粒子整体的活力性,又能克服特殊情况下QPSO算法收敛的不稳定性和陷入局部最优的偶发性.实验结果表明,在21个标准测试函数中,无论对应单峰函数、多峰函数或是偏移、旋转函数,在相同的物理仿真平台上,CQPSO算法的性能在绝大多数情况下都优于其他改进的量子粒子群算法,从而验证了CQPSO算法的有效性和鲁棒性.

基于佳点集构造的改进量子粒子群优化算法

针对粒子群优化算法易出现早熟收敛及局部搜索能力不足的特点,提出一种改进的量子粒子群优化算法(IQPSO)。该算法在量子粒子群优化算法(QPSO)的基础上,引入佳点集初始化量子的初始角位置,提高初始种群的遍历性;在粒子角速度位置更新中,采用混沌时间序列数,促使粒子跳出局部极值点;为避免粒子陷入早熟收敛,在算法中加入变异处理。仿真实验结果表明:与标准粒子群优化(SPSO)算法和量子粒子群优化(QPSO)算法比较,提出的算法具有快速的收敛能力、良好的稳定性,其优化性能有较明显的提高。

基于量子粒子群优化算法的空间机器人非完整笛卡尔路径规划

利用自由漂浮空间机器人系统的非完整冗余特性,提出一种可使基座姿态和机械臂末端位姿同时到达期望状态的路径规划方法。该方法首先通过正弦多项式函数对机械臂关节角轨迹进行参数化,并根据基座姿态和机械臂末端位姿控制精度指标设计目标函数,由此,将自由漂浮空间机器人系统的非完整笛卡尔路径规划问题转换为非线性系统的优化问题。采用量子粒子群优化算法对非线性优化问题进行求解,将求解出的参数代入机械臂关节轨迹函数,即实现了非完整路径规划的目标。建立由飞行基座和6-DOF机械臂组成的空间机器人系统动力学模型,对所提出的方法进行仿真验证。试验结果表明,所提出的方法能够收敛于全局最优值,收敛速度快,所需调整参数少,且规划的关节路径满足关节角、角速度及角加速度的范围,关节路径平滑,适合于机械臂的控制。

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四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。

基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法

将量子粒子群优化算法引入Volterra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Volterra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态。提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷。最后,将提出的方法应用到旋转机械故障诊断中。实验结果验证了该方法的有效性。

混沌量子粒子群优化算法

针对量子粒子群优化算法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,提出了混沌量子粒子群优化算法。采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率。数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法。

基于混合量子粒子群优化算法的三维航迹规划

针对粒子群优化算法(PSO)存在的早熟收敛问题,通过将种群的繁殖机制引入量子粒子群优化算法(QPSO),提出了一种混合量子粒子群优化算法(HQPSO),将该算法应用于无人飞行器的三维航迹规划。同时,运用统计学方法,通过仿真实验比较了HQPSO算法与QPSO算法以及带动态变化惯性权系数的PSO算法的性能。仿真实验结果表明,HQPSO不但比QPSO和PSO具有更强的全局搜索能力,而且比QPSO和PSO具有更快的收敛速度。

多样性引导的改进量子粒子群优化算法及其在干式空心电抗器优化设计中的应用

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法在求解复杂问题时的早熟收敛现象,提出了多样性引导的改进量子粒子群优化(diversity-guided modified QPSO,DGMQPSO)算法。该算法对基于混合概率分布的QPSO算法进行了扩展,利用群体多样性信息来引导粒子的搜索,即当群体的多样性小于下限值时,对全局最优粒子的位置进行混沌变异,从而提高群体的多样性,增强算法跳出局部最优解的能力;另外,还分析了采用不同混沌随机序列变异对优化设计结果的影响。对50 kvar干式空心电抗器的优化设计表明,DGMQPSO算法具有较强的全局搜索能力、较好的稳定性和良好的优化效果。

基于量子粒子群优化算法的配煤研究

针对目前火电厂实际燃用煤种偏离设计煤种的特点,利用量子粒子群算法(QPSO)建立优化配煤模型。模型兼顾配煤经济性和煤质特性参数作为目标函数,并以单煤的价格、发热量、灰分、挥发分、水分以及硫分等6项指标值作为约束条件。基于内蒙某电厂的来煤条件,采用该模型进行配煤优化计算。仿真试验结果表明:对比带惯性权重的粒子群算法,量子粒子群算法具有较好的全局搜索能力和收敛性,能够快速、准确地搜索到最佳配煤比例和最经济的配煤价格。

基于量子粒子群优化的Volterra核辨识算法研究

将量子粒子群优化(QPSO)引入非线性Volterra系统辨识中,提出基于量子粒子群优化(QPSO)的Volterra级数辨识方法,利用QPSO算法估计出非线性系统的Volterra核函数。将所提方法与传统的最小二乘(LMS)辨识方法进行比较,仿真结果验表明,在无噪声干扰下,所提方法与LMS方法都具有很好的辨识精度和收敛性。而在有噪声干扰下,无论在辨识精度、收敛性和抗干扰性方面,所提方法都优于传统的LMS方法,且随噪声的增强优势越明显。

一种改进的混沌量子粒子群优化算法

通过将量子粒子群优化算法和佳点集法相结合,提出一种改进的混沌量子粒子群优化算法,用于解决复杂函数问题。将佳点集融合到量子粒子群算法中,以提高解空间的遍历性,对函数实现全局寻优。用混沌序列改变惯性权重w,调节粒子群优化算法的全局和局部寻优能力。采用线性递减速度比例收缩因子η提高搜索速度,避免早熟收敛。用量子Hadamard门对量子编码进行变异,增强种群的多样性,促使粒子跳出局部极值点。对典型复杂函数的仿真结果表明,该混合算法寻优效率高、收敛速度快,能有效避免早熟收敛。

基于改进的量子粒子群优化小波神经网络的网络流量预测

为了改善小波神经网络(WNN)进行流量预测的性能及避免量子粒子群算法(QPSO)搜索后期的早熟收敛缺陷,提出了一种改进的QPSO。该算法定义粒子群聚拢度,改进收缩—扩张系数使其表示为聚拢度的函数并服从随机分布,以使粒子群具有动态自适应性,避免陷入局部最优,并通过搜索使用WNN待优化参数编码位置向量的粒子群的全局最优位置来实现目标参数的优化,使用本算法优化WNN参数,建立了基于改进的QPSO优化WNN的网络流量预测模型。使用真实网络流量通过两组对比实验对其预测精度进行验证,证明了该方法的可用性。实验结果表明,该方法的预测精度优于WNN和QPSO-WNN方法。

基于量子粒子群优化算法的机器人运动学标定方法

基于量子粒子群优化算法,提出一种同样适用于串联机器人和并联机器人的运动学标定方法。利用闭环矢量链方法和Denavit-Hartenberg矩阵法,分别建立并联机器人和串联机器人的运动学误差模型,将运动学误差模型内的几何误差源作为相应的机构参数修正量。由于机器人运动学误差模型表现有较强的非线性,因此确定模型内的机构参数修正量为优化变量,将机器人运动学参数标定问题转化为非线性系统的优化问题。采用量子粒子群优化算法对优化问题进行求解,利用优化获得的参数修正量更新运动学模型,以达到提高机器人运动精度的目的。以五轴并联机床的平面约束机构为研究对象,通过试验验证该标定方法的标定效果,并与模糊插值标定方法进行比较分析,结果表明在较大的工作空间内基于量子粒子群优化的运动学标定方法更为有效。

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化(QPSO)算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。

基于量子粒子群优化算法的水电系统经济运行

首次将量子粒子群优化算法用于水电系统经济运行研究中。该算法是量子理论与粒子群算法的融合,在粒子编码过程中引入了量子的态矢量表达,并将量子比特的概率幅表示应用于粒子的编码,使得粒子可以表达为多个态的叠加;在粒子更新操作过程中,利用量子逻辑门实现了粒子的演化,具有比常规粒子群算法更好的目标优化性能。仿真结果证实该算法可有效解决水电机组经济运行问题。性能对比显示,该算法求得的解优于常规粒子群算法及其它优化算法所求得的解。

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。