基于量子行为花朵授粉算法优化LSTM模型

针对传统花朵授粉算法(flower pollination algorithm, FPA)受初始参数影响较大、且易陷入局部最优解或算法无法收敛等问题,提出一种基于量子行为的花朵授粉算法(quantum-inspired flower pollination algorithm, QFPA).通过引入量子系统到FPA中,使授粉过程中的搜索更高效,从而提高全局搜索能力.此外,还引入轨迹分析,使种群能更好地逃离局部最优解,进一步降低误差.为验证该方法的有效性,先通过选定的几个基准函数对QFPA进行评估,然后采用评估效果最好的QFPA对长短期记忆网络(LSTM)模型超参数进行寻优,最后在用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)算法去除噪声后的空气质量数据集上进行实验,并与其他几种常用的优化算法进行对比.实验结果表明:QFPA提高了优化算法的全局搜索能力和收敛性;QFPA-LSTM模型增强了长时间序列数据预测的准确性和效率,该模型预测的均方根误差为10.93μg/m^(3),为实际应用中的空气质量预测提供了可靠的解决方案.

基于量子行为粒子群算法的舱室噪声监测点优化布置

针对舱室噪声在线监测及声场预报问题,本文提出了一种基于量子行为粒子群算法的舱室内部声监测点优化布置方法。根据研究频段范围确定所需声腔模态阶数,计算全部备选监测点位置处各阶声腔模态的声场分布,采用模态置信矩阵作为目标函数,基于量子行为粒子群算法对监测点位置进行优化,获得优化布置方案。从声腔模态采样的正交性及内外声场响应的角度与其他测点布置方案进行了性能比较。研究表明:本文方法优化得到的测点布置方案采集声腔模态信息更全面,可有效提升舱室内声场的重建精度和基于舱室内声场监测的水下辐射噪声预报精度。

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbesti中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。

一种具有量子行为的细菌觅食优化算法

为改善细菌觅食优化(BFO)算法中群体信息共享机制,增强算法的全局搜索性能,该文将细菌个体放在量子空间中描述,根据细菌群体信息建立量子化的势能阱模型,通过蒙特卡洛随机采样完成繁殖操作,使得细菌群能对整个空间进行搜索。针对BFO算法中趋化步长一致的缺陷,该文提出了一种动态缩进控制策略,在保证算法收敛性的同时大大增加了个体全局寻优的几率。标准测试函数的仿真结果表明,所提出算法具有精度高、成功率大、全局寻优性能强的特点。

具有量子行为的粒子群优化算法的参数选择

Sun等人从量子力学的角度提出了具有量子行为的粒子群优化算法,它在搜索能力上优于传统的PSO算法,自适应参数的数目也比之较少。集中讨论了应用QPSO如何选择自适应参数的问题。介绍了QPSO算法,给出了随机模拟的实验结果,从而看到了参数值的选择如何影响粒子在QPSO中的收敛。最后,介绍了两种自适应参数控制方法和标准测试函数的实验结果。

基于量子行为遗传算法的船体局部结构优化设计

采用遗传算法解决船舶复杂结构中混合设计变量优化问题时,其效果很有效,且能获得全局最优可行解。然而,简单遗传算法局部搜索能力差且易于早熟。为了提高对船舶复杂结构设计变量解空间的搜索能力,该文设计了一种基于二进制编码的适用于混合变量的量子行为遗传算法,比较适合于复杂函数的全局寻优,且搜索能力优于标准遗传算法。通过三个算例对算法的寻优能力进行测试,实验结果表明,采用量子行为遗传算法进行的船体局部结构优化设计具有较好的计算质量与计算效率。

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法(QPSO)求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。

量子行为粒子群优化算法的布局问题研究

基于多边形扫描转换的启发式底左(HBL)算法,将量子行为的粒子群算法(QPSO)应用于布局问题——二维不规则多边形优化排样,给出了该问题的粒子构造方法及其布局优化过程。通过与模拟退火遗传算法(SAGA)进行布局优化比较,验证了该算法求解布局优化问题的有效性。

海洋环境下基于量子行为粒子群优化的时间最短路径规划方法

针对海洋环境下无人水下潜航器(UUV)的时间最短路径规划问题,提出了一种基于量子行为粒子群优化(QPSO)的路径规划方法,由此建立了海流模型、障碍物模型,并推导了衡量航行时间的代价函数。在两种不同案例下,对所提方法和基于粒子群优化(PSO)的方法进行仿真比较,结果表明:所提方法具有更强的鲁棒性,能够为UUV规划出一条时间更短的安全路径。

一种量子行为粒子群优化动态聚类算法

为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确定最佳的聚类数目。在五个测试数据集上与其他两种动态聚类算法进行聚类实验比较,实验结果表明,基于完全学习策略的量子行为粒子群优化动态聚类算法能够获得较好的聚类结果,有着良好的应用前景。

基于量子行为粒子群优化算法-混沌神经网络的电力系统负荷预测

提出了一种基于量子行为粒子群优化算法和混沌神经网络相结合的电力系统负荷预测方法。根据粒子群的量子行为特征,采用全同粒子系更新粒子的位置,改善传统的粒子群算法精度低、易发散、收敛速度慢等缺点。利用粒子群优化算法优化出混沌神经网络的权值和阈值,克服混沌神经网络参数确定难度大、速度慢的缺点。然后利用得到的权值和阈值,通过改进粒子群优化算法-混沌神经网络模型,得到预测日的相应时刻负荷值。最后通过实际应用,证明该方法有较高的预测精度和较好的准确性,具备一定的实际应用价值。

基于量子行为粒子群算法的微电网优化配置

关于微电网的优化配置问题,是在功率平衡等一系列约束的前提下,以投资成本、环境因素等为目标,优化配置微电网中各微电源的数量。微电网的优化配置是一个动态多维非线性优化问题,传统的优化算法收敛速度慢,容易陷入局部最优,而量子行为粒子群算法以其搜索能力强、收敛速度快和解的精度高等特点,可以很好的求解微电网的优化配置问题。以某地的气象和负荷数据为例,在满足用户的冷热电负荷需求前提下,求解微电网的配置。结果表明,采用量子行为粒子群算法,可以得到各微电源容量的最佳配比方案。

基于量子行为粒子群优化–人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization,QPSO)的改进算法,用于优化人工神经网络(artificial neural network,ANN),实现电能质量(power quality,PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。

基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配

为在给定的时间内以最小代价和最大效益完成任务,建立了多无人机协同任务分配问题的多目标优化模型。采用改进的多目标量子行为粒子群优化算法求解最优任务分配方案,定义了一种从所求候选方案中选取最优分配方案的自主选择准则。对比分析多目标粒子群优化、多目标进化算法和该文算法所求的最优分配方案。仿真结果表明该文算法能够较快地求解问题,而且所求最优任务分配方案的性能优于其它三种算法。

整数规划的量子行为蝙蝠算法

蝙蝠算法是一种新型群体智能算法,传统的蝙蝠算法在解决整数规划问题时容易陷入局部最优并出现早熟收敛现象,为了解决这些弊端,提出了一种基于势阱的具有量子行为的蝙蝠算法。论述了算法的优化原理和实现方式,并通过仿真实验,与粒子群算法和量子行为粒子群算法进行性能对比。实验结果表明,量子行为蝙蝠算法不仅能够有效地解决整数规划问题,而且比其他算法具有更好的性能。

基于量子行为的微粒群优化算法的图像分割

在图像处理中提出的图像颜色分割是一个重要性和具有挑战性的难题。当一幅图像中包含相似的和(或者)非固定的纹理区域时,难以计算出精确的纹理区域和分割区域的最优的数目。在这篇文章中,寻找出了一种实用而广泛的图像分割方法——基于量子行为的微粒群优化算法(QPSO)的图像颜色分割方法,把图像分割问题看作一个最优化问题,并且采用QPSO的进化策略聚类颜色特征空间中的区域。QPSO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。文中给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的颜色分割上具有很好的效能。

基于量子行为粒子群优化算法的河道糙率反演

糙率是河道水动力模型的重要参数,在模型中敏感性高,但其在实际工作中难以准确测定。量子行为粒子群算法(QPSO)是粒子群算法的发展,相对于粒子群算法,在全局收敛和收敛率上有很大提高。将量子行为粒子群优化算法与一维河道水动力模型耦合,建立河道糙率反演模型,并在淮河干流蚌埠到花园咀河段进行了模拟,取得了较好的效果。与其他糙率反演算法相比,该算法具有理论简单、参数少、易于编程实现、通用性强等优点。

基于Nelder-Mead单纯形法的改进量子行为粒子群算法

针对PSO算法搜索精度较低,并且在复杂多模态函数优化中,容易陷入局部极值的问题,提出了一种改进的量子行为粒子群优化算法。研究了该算法的基本原理、给出了算法流程并采用正交试验的方式获得了一套通用性较强的算法参数。并以CEC’13的28个测试函数作为测试集,采用Wilcoxon符号秩检验将NM-QPSO算法分别与PSO算法和QPSO算法的误差进行比较试验。试验表明:NM-QPSO算法在统计意义上优于传统的PSO算法和QPSO算法,并且在高维函数优化中,具有显著优势。

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。