基于DIR-QPSO的弹丸落点定位声阵列优化布设方法

为了满足有限测点下声阵列定位精度提升的需求,提出了基于双种群量子粒子群(dual-group interaction quantum particle swarm optimization, DIR-QPSO)联合到达时差定位技术(time difference of arrival, TDOA)的单基站声阵列拓扑结构优化布设方法。首先,将声阵列中的声传感器作为粒子,利用Logistic混沌模型全局遍历性的优势初始化种群;其次,利用双种群之间信息共享优势,消除迭代过程中陷入局部最优点;再次,以TDOA模型构建适应度评价函数,得到声传感器最优布设位置;最后,通过仿真验证,得到优化后的声阵列拓扑结构。仿真结果表明,与传统六元正四棱锥阵列及QPSO优化后的阵列相比,方法将几何精度因子减小至1.351 8 m,克拉美罗下界减小至0.481 7 m,均方根误差减小至0.556 4 m。最后进行实验对比验证,实验结果表明,提出的单基站阵列具有更高的定位精度,极大提升了弹丸落点定位精度。

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。

基于QPSO算法的压气机特性代理模型优化

考虑到小样本特性数据情况下进行部件特性数据的二维线性插值精度低,提出一种基于量子粒子群优化(QPSO)算法的压气机特性代理模型优化方法。针对原始Kriging模型对其相关模型参数的初始值极度敏感以及易限于局部最优解的缺陷,利用QPSO算法对Kriging的相关模型参数进行全局寻优,克服了基于梯度的模式搜索法对于参数初始值的依赖,经测试该方法具有较好的效率以及稳定性。将该优化模型扩展应用于低压压气机特性代理模型建立与重构。经验证,在小样本特性数据下,基于QPSO的压气机特性Kriging模型仍具有较高精度,应用前景可观。

航空发动机状态变量模型的QPSO寻优混合求解法

针对航空发动机控制和故障诊断中的状态变量模型求解存在的系数矩阵精度不高的问题,结合阶跃响应法和拟合法的基础上,提出了一种基于量子粒子群寻优(QPSO)求取发动机状态变量模型的混合求解法。QPSO优化算法求解A,C矩阵使得状态变量模型和非线性模型在动态过程具有较好的吻合,阶跃响应法求取B,D矩阵保证了模型稳态响应一致。利用混合求解法建立了某型涡轴发动机在某一稳态工作点下的小偏离状态变量模型。仿真结果表明,这种方法不仅增强了状态变量模型的求解精度,相对于单纯的拟合法缩短了求解时间,精确的状态变量模型为进一步的故障诊断和控制系统设计提供了条件。

基于QPSO-DGM和熵突变的装备安全性崩溃分析

针对装备安全事故的突发性、复杂性,从系统安全熵"流程-突变"角度构建灰色-熵突变模型进行安全性崩溃分析。提出了复杂装备系统安全熵、安全熵函数、安全熵势函数等概念,刻画复杂装备系统安全状态从稳定到崩溃的演化机理和过程;建立了复杂装备系统安全熵函数的量子粒子群DGM(2,1)拟合模型,并以拟合值和实际值的灰关联度为适应度函数,提高模型拟合精度;构建装备系统安全熵尖点突变模型,给出安全性崩溃的灰色-熵突变判据算法。最后,以某型飞机主起落架控制系统为例,验证了模型的有效性,为定量判断装备系统安全状态提供了新的方法。

DELTA势阱改进QPSO优化BP算法及其应用

为了改进BP算法预测性能,提出QPSO-BP模型.该模型采用DELTA势阱改进的量子粒子群(QPSO)算法优化BP网络的权值与阈值,然后利用各年的GDP数据进行训练和预测.结果表明:经过DELTA势阱改进的QPSO优化BP算法模型比PSO-BP模型和BP神经网络更稳定,预测精度更高且泛化能力更强.与文献中所用模型的运算结果相比较,这种改进模型运算结果的相对误差和平均误差更小,在准确性上也有一定的优势.

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5-11-1对铀价格进行预测。结果表明:QPSO-BP模型的预测精度(0.15%)高于PSO-BP模型(4.55%)与BP模型(30.86%)。泛化能力指标平均相对变动值为0.002 5,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。

基于改进QPSO算法的地铁列车节能优化操纵研究

地铁列车的节能优化操纵是降低能耗的重要途径。针对地铁列车在不同工况与线路条件下的运行特点,对其进行动力学分析。参照线路纵断面化简原理对线路进行简化,并根据节能优化原则与列车站间运行的约束条件建立实际路况下的能耗模型。引入改进量子粒子群优化算法,将列车运行速度、加速度等参数进行实数编码,通过迭代寻优与变异操作求解列车站间运行的最低能耗,并获取列车最优运行速度及工况转换点等特征参数。通过南宁地铁一号线某站间线路的实例仿真证明,该方法在保证列车舒适性、安全性与准点停靠的前提下,降低列车运行能耗达9.21%。

QPSO优化BP网络预测烟蚜发生量

为有效地预测烟蚜发生量,利用BP神经网络理论和方法建立了烟蚜发生量预测模型,并运用QPSO算法优化BP神经网络的连接权值和阈值,以此确定最优连接权值和阈值。应用该模型以云南省玉溪市红塔区2003—2006年的烟蚜发生量历史数据为训练样本,对2007—2009年烟蚜发生量进行预测,其预测精度为99.35%,最小完成时间30 s,平均完成时间34.5 s,运行次数19次,预测效果明显优于其他预测模型。实验表明:该模型比其他预测模型预测结果更有效可行,收敛速度更快,稳定性更强,能解决预测、聚类方面的类似问题,为烟蚜的综合防治提供了理论依据。

基于QPSO的证券市场ARCH模型实证研究

文章针对ARCH模型参数传统估计方法的不足,提出了利用量子粒子群算法的改进算法,并利用此算法实证建立了美国证券市场道琼斯指数收益的ARCH模型,更加精确地动态度量了证券市场收益序列的条件“异方差”,进行了指数走势预测。

运用QPSO算法进行系统辨识的研究

引入了一种广泛而实用的方法——基于量子行为的粒子群算法的理论应用于系统辨识领域,QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性。仿真实验结果表明,QPSO算法具有比GA算法及PSO算法更强的线性系统辨识能力和非线性系统辨识能力。

QPSO-KM算法在葡萄酒品质分级中的应用

由于影响葡萄酒质量的指标较多,利用主成分分析法,找到了影响葡萄酒质量的指标总计17个。并对两组评酒员的品评数据进行了差异性检验,研究表明,第2组评酒员的评分数据更可信。同时,利用QPSO算法优化KM算法,建立了葡萄酒分类模型。通过试验分析,该算法相对其他两种算法更能搜索到全局最优解,并对葡萄酒样品进行了分级,该算法能处理聚类方面的类似问题。

基于BPSO和QPSO算法的智能小区用电控制

针对电动汽车负荷接入智能小区,可能进一步加剧用电无序性,造成高峰负荷和高电费问题,需要对小区进行智能用电控制。在对小区负荷进行分类基础上,提出可平移负荷用电需求模型和电动汽车充放电需求模型。基于分时电价提出改进电价模型,进一步建立智能用电控制模型。通过BPSO和QPSO算法求解智能用电控制模型,实现可平移负荷和电动汽车负荷协调有序用电。以100户的智能小区为例,分析比较优化前后负荷曲线和用户电费,结果验证了智能小区用电控制的有效性和可行性。

QPSO和GA相融合的智能组卷模型研究

为简化模型结构,改善算法全局搜索性能和组卷模型成功率,本研究提出利用QPSO中的全局和局部最优位置优化遗传算法中交叉、变异算子,粒子群编码采用实数编码,交叉、变异操作均在功能块内部进行,目标函数增加了权重系数判定是否更新粒子群,以此建立了智能组卷模型,并进行了相关实验分析。实验结果表明:改进的模型与其他三种组卷模型相比,该模型运行效率、全局搜寻性能、组卷成功率都有较大的提高,说明该组卷模型更稳定有效。

QPSO改进灰色融合模型的软件故障预测

为了提高小样本的预测精度,提出了一种基于量子行为粒子群优化与数据融合算法的灰色融合预测模型。首先从两个方面改进了GM(1,1)模型,对原始序列进行了幂函数变换,并采用量子行为粒子群优化算法实现了参数的优化。然后提出了多次建模的策略,利用原始序列的不同分量分别建立GM(1,1)改进模型进行预测,将各次预测值进行融合得到最终结果。最后用该模型进行软件故障预测,结果表明其相对误差在3%以内,适用于平滑性较差和高增长的序列预测。

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error,MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明,应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。

基于QPSO的上证指数ARCH模型

介绍一种利用量子行为粒子群算法(QPSO)建立上证指数收益的ARCH模型,利用不同的算法精确地估计模型中的参数,验证QPSO算法的优越性。利用得到的估计模型对指数收益进行预测,得到大致跟随指数实际走势的预测值。试验结果表明,QPSO算法比粒子群算法、遗传算法能更好地解决此类问题。

一种基于QPSO-RBF模型预测PM 2.5浓度值的方法研究及应用

为准确实时地预测PM 2.5浓度值,提出一种基于量子粒子群算法(QPSO)和径向基神经网络(RBF)算法结合的预测模型。利用随机森林算法(RF)对PM 2.5浓度影响因子进行筛选后,再利用QPSO算法的全局搜索性能对径向基神经网络(RBF)的主要参数进行优化,解决传统的参数训练算法存在的收敛速度慢、寻优能力弱等问题。用该模型对南京市某区域的PM 2.5浓度值进行预测,结果表明模型预测速度快、精度高,具有较高的实用价值。

基于LMD-QPSO-CRJ模型汾河上游月径流预测方法研究

针对径流序列具有较强的非平稳性和非线性特征,为提高预测精度,提出一种月径流组合预测模型LMDQPSO-CRJ。选用局部均值分解法(Local Mean Decomposition,LMD)对径流数据分解降噪,并对第一个高频分量用变模态分解法(Variational Mode Decomposition,VMD)进行二次分解,采用量子粒子群优化算法(QPSO)对确定性循环跳跃网络(Cycle Reservoir with Regular Jumps,CRJ)进行参数优化,最终建立LMD-QPSO-CRJ模型。将该模型应用于汾河上游汾河水库站和上静游站的月径流预测,并与单一QPSO-CRJ模型及CEEMD-QPSO-CRJ模型进行对比分析。结果表明,验证期LMD-QPSO-CRJ模型的MAE值和RMSE值与单一QPSO-CRJ模型相比分别减少32%~40%和23%~31%,与CEEMD-QPSO-CRJ模型相比分别减少11%~26%和11%~18%,LMD-QPSO-CRJ模型的NSE值最接近于1。因此,LMDQPSO-CRJ模型具有较好的预测精度,可以用于指导实际的生产建设。

基于QPSO-LightGBM网络资产脆弱性评估模型

为有效减少网络安全事件造成的损失,并对高风险网络资产进行漏洞评估,提出了一种基于量子粒子群轻量级梯度升降算法(QPSO-LightGBM:Quantum Particle Swarm Optimization-Light Gradient Boosting Machine)的多分类预测模型。该模型通过对少量过采样技术(MOTE:Minority Oversampling)进行合成从而达到数据平衡,采用量子粒子群算法(QPSO:Quantum Particle Swarm Optimization)实现参数的自动最优化,并使用LightGBM进行建模,进而实现网络资产的多分类预测。为验证模型的有效性,将所提模型与其他算法模型进行了比对,实验结果表明,该模型在各类预测性能指标上都取得了较好的效果。