基于QEA优化的WSNs簇间路由策略

无线传感器网络(WSNs)路由协议中采用多跳通信方式在一定程度上解决了单跳方式下簇头节点过早失能的问题,增强了网络通信的稳定性,提高网络能量的利用效率。但多跳方式使距离基站较近的簇头节点由于承担了大量数据转发任务,从而造成其过早死亡,出现网络空洞,缩短了生存周期。针对以上问题,提出基于量子进化算法(QEA)优化的分簇路由策略,通过QEA的多样性、快速收敛性、全局搜索能力强等特点,进行簇间路由的优化,从而有效均衡了簇头节点间的能耗。仿真结果表明:与经典LEACH协议和EEUC协议相比,基于QEA优化的簇间路由策略可以有效均衡簇头节点间能耗,延长网络生存周期。

面向多峰函数的自适应小生境量子进化算法

为解决量子进化算法在多峰优化时只能找到一个最优解,无法找到所有全局和局部最优解的问题,提出自适应小生境量子进化算法。利用佳点集理论初始化种群,使种群均匀分布在整个搜索空间;提出中心地形信息小生境自适应识别方法,用于自适应的识别峰值所在区域,并建立小生境完善策略,提高小生境识别速度;借助量子进化算法的快速寻优能力精确寻找各个峰值点;采用动态种群调整策略,维持种群的多样性,自适应地调节种群规模。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到的每个最优解都达到了理想值。

免疫量子进化算法

将免疫的概念和方法引入到量子进化算法中,提出一种新型的进化算法——免疫量子进化算法。该算法在保留原算法优良特性的前提下,力图有选择、有目的地利用待求问题中的一些特征信息或先验知识,抑制或避免求解过程中的一些重复或无效的工作,以提高算法的整体性能。对背包问题的仿真实验表明,免疫量子进化算法的性能优于经典的进化算法、免疫进化算法、量子进化算法等3种算法。

基于实数编码量子进化算法的不规则多边形排样

为探索更高效的二维不规则多边形排样方法,提出一种改进的实数编码量子进化算法。设计了基于临界多边形的按照排样件最低形心位置进行布局的放置策略,并建立了以最大化材料利用率为优化目标的数学模型;设计了基于排样编号序列和旋转角索引序列的实数几率幅值编码方法及解生成方式,通过量子观测操作直接生成问题解,使其解码效率较高;算法通过自适应调节方式进行量子更新,采用启发式算法生成排样序列初始种群,以保证解在时间和质量上的可行性。通过基准算例仿真和算法对比实验,验证了所提算法的可行性和有效性。

基于MapReduce模型的并行量子进化算法

利用MapReduce模型可自动编写串行程序及编程接口简单的优点,实现量子进化算法在MapReduce模型下的并行化,提出基于MapReduce模型的并行量子进化算法MRQEA,并将其部署到Hadoop云计算平台上运行。对0-1背包问题的测试结果证明,MRQEA算法在处理大型数据集时具有良好的加速比和并行效率。

基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。

改进量子进化混合优化算法在溪洛渡电站机组组合中的应用研究

传统方法求解水电站机组组合问题时存在易陷入局部最优、易出现"维数灾"、收敛性差等缺陷,因此提出了一种改进量子进化混合优化算法用以解决这一问题。通过将量子进化算法与基于经济运行总表的动态规划法嵌套,分别对外层机组组合和内层负荷分配问题进行迭代优化;同时,引入最短开、停机时间修补策略和备用容量修补策略,有效处理多重复杂约束,在保证计算精度的前提下,显著提高收敛速度。以溪洛渡电站经济运行中的机组组合问题为工程背景进行了实例研究,并与已有DP和IBPSO方法进行对比分析,结果显示所提算法简单高效,优化效果好,具有较强的工程实用性。

一种改进的量子蚁群算法及其应用

将量子群进化算法(QEA)与蚁群系统(ACS)进行融合,提出一种新的量子蚁群算法(QACA)。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子的态矢量和量子旋转门来分别表示和更新信息素,从而在全局寻优能力和种群多样性方面比蚁群算法有所改进。结合旅行商问题(TSP),对算法进行了测试,得到了与现有文献结果相同或更好的解,表明该算法具有较强的问题求解能力。

混合量子算法及其在flow shop问题中的应用

量子进化算法(QEA)是目前较为独特的优化算法,它的理论基础是量子计算。算法充分借鉴了量子比特的干涉性、并行性,使得QEA求解组合优化问题具备了可行性。由于在求解排序问题中,算法本身存在收敛慢,没有利用其它未成熟个体等缺陷,将微粒群算法(PSO)及进化计算思想融入QEA中,构成了混合量子算法(HQA)。采用flowshop经典问题对算法进行了测试,结果证明混合算法克服了QEA的缺陷,对于求解排序问题具有一定的普适性。

新颖的阻塞流水车间调度量子差分进化算法

针对阻塞流水车间调度问题(BFSP),提出了一种新颖的量子差分进化(NQDE)算法,用于最小化最大完工时间。该算法将量子进化算法(QEA)与差分进化(DE)相结合,设计一种新颖的量子旋转机制控制种群进化方向,增强种群多样性;采用高效的基于变邻域搜索的量子进化算法(QEA-VNS)协同进化策略增强算法的全局搜索能力,进一步提高解的质量。基于Taillard's benchmark实例仿真,结果表明,所提算法在最优解数量上明显高于目前较好的启发式算法——INEH,改进了110个实例中64个实例的当前最优解;在性能上也优于目前有效的元启发式算法——新型蛙跳算法(NMSFLA)和混合量子差分进化(HQDE),产生最优解的平均百分比偏差(ARPD)均下降约6%。NQDE算法适合大规模阻塞流水车间调度问题。

基于改进量子进化算法的特征选择

特征选择作为一种数据预处理技术被广泛研究,由于其具有NP难度而一直无法找到有效的求解方法。鉴于目前在特征选择中应用较多的遗传算法存在进化机制上的局限,将量子进化算法应用于特征选择,提出了一种基于改进量子进化算法的特征选择算法。以增加种群多样性和提高寻优性能为目标改进了量子进化算法,以Fisher比和特征维度为特征子集的评价准则构造了适应度函数,按照量子进化算法求解优化问题的步骤设计了特征选择算法。使用UCI数据库中的数据集对三种算法作对比验证,通过识别重要特征、提高学习算法性能、特征选择效率三组实验,结果表明,该算法能够识别出重要特征,并随着数据集特征维度升高,特征选择的性能逐渐优于对比算法,到了高维数据集,特征选择效率明显优于对比算法。

视频图像的车辆检测与识别

提出了一种新方法,用来提取视频图像中车辆的候选区域。即将视频图像转换到HSV空间,利用H分量提取图像中红色区域位置,V分量提取图像中车底的水平边缘位置,两者结合确定图像中车辆的候选区域。然后,利用改进的Gabor滤波器组对图像中的候选区域特性进行提取,最后利用支持向量机对提取的候选区域特性进行训练、识别。滤波器组通过量子进化算法进行了改进,其中引入了小生境协同进化算法并对优化后的滤波器组进行聚类减少多余的滤波器,降低冗余度。仿真结果表明此方法提取候选区域更加精确、快速。改进后的量子进化算法收敛速度快,能够快速地找到最优解。

改进的量子进化算法及其在TSP问题中的应用

针对量子进化算法(Quantum–inspired Evolutionary Algorithm,QEA),在解决实际问题中遇到的困难,提出一种改进的量子进化算法,应用于求解旅行商问题(Travelling Salesman Problem,TSP),并提出了TSP中的Hamilton圈的随机搜索编码技术。通过求解TSP问题库中的部分问题,表明改进的算法比经典的量子进化算法及免疫遗传算法具有更快的收敛速度和更好的全局寻优能力。

基于Bloch球面坐标的量子粒子群算法

为了提高粒子群优化(PSO)算法的优化效率,结合量子理论提出一种基于Bloch球面坐标的量子粒子群优化算法。在Bloch球面坐标下,粒子自动更新旋转角大小和粒子位置,不需将旋转角以查询表的形式设定(或设定为区间上的固定值),弥补了Bloch球面坐标下量子进化算法和量子遗传算法的不足,算法更具有普遍性;用量子Hadamard门实现粒子的变异,增强了种群的多样性,促使粒子跳出局部极值点。对典型函数优化问题的仿真结果表明,提出的算法稳定性强,精度高,收敛速度快,具有一定的实用价值。

基于量子进化算法的网络入侵检测特征选择

针对当前网络入侵检测中普遍存在检测速度较慢的缺陷,提出了一种新的网络入侵检测特征选择方法。该方法将量子进化算法应用于网络入侵检测的特征选择,从网络连接的原始特征属性中选出一组有效的特征用于入侵检测,以提高检测效率。首先以增强寻优性能为目标改进了量子进化算法,基于特征属性的Fisher比构造了特征子集的评价函数,然后按照量子进化算法的流程设计了网络入侵检测特征选择算法。通过KDD99样本数据集的实验,表明算法是有效的,既保证了入侵检测的分类性能,也提高了入侵检测的效率。

概率门量子进化算法

量子进化算法(QEA)比传统进化算法(EA)有更好的种群多样性和全局寻优能力,但它采用概率操作过程,具有随机性和盲目性.将量子进化算法中的旋转门以概率门代替,在概率分析及实例验证的基础上,说明概率门量子进化算法(PGQEA)能使得对种群选取过程控制在全局优化的方向下,并且能更快地收敛于最优解.

一种新型的多目标优化混合量子进化算法

针对复杂多目标优化问题,提出一种混合量子进化算法,并利用它求解多目标函数优化问题。该算法根据多目标优化的特点,创建外部集合保存历代搜索到的非支配解,利用其中的精英个体设计了一种旋转角自适应调整的量子门更新策略,并对量子比特表示的概率幅设置最大和最小阈值,以防止量子群体早熟收敛。借鉴量子门引入了专门针对量子个体的旋转交叉算子,同时小概率地对量子比特进行取反变异操作。对所提算法的计算复杂度进行了理论分析。与另一种已有的多目标量子进化算法的比较结果表明,所提算法具有更好的收敛性能、分布特性及求解效率。

优化网络入侵特征库的量子进化算法

针对网络入侵检测系统中入侵特征库的性能普遍较差的缺点,提出了一种优化网络入侵特征库的改进量子进化算法(IQEA)。采用特征向量表示染色体结构,借鉴小生境协同进化思想初始化种群,以个体的匹配程度设计适应度函数,使用动态更新和"优体交叉"策略进化种群。仿真实验表明,IQEA的寻优能力和收敛速度均优于量子进化算法和进化算法,经IQEA优化后的入侵特征库,检测能力强,并具有较好的自适应性。

求解TSP问题的新型量子-蚁群算法

目前,利用智能算法、线性规划等求解TSP问题,都是近似求解的方法,对于TSP这一典型的NP问题,用最基本的量子进化算法来求解,往往会陷入局部最优的状态。文中试图将量子理论引入基本蚁群算法中,并加以改进,结合最普通的乡村旅行售货问题(即TSP问题)进行测试,并借助Matlab软件进行仿真,实验结果表明改进的量子—蚁群算法在全局寻优、多样性等方面都比其它算法效果理想,是求解典型TSP问题的有效方法之一。

一种改进的量子进化算法及其在乡村邮路问题的应用

针对基本量子进化算法易陷于局部最优解的缺陷,提出一种改进的量子进化算法(QEA)。结合乡村邮路问题,对算法进行了测试,结果表明,改进算法在全局寻优能力和种群多样性方面比基本量子进化算法有所改进,是求解乡村邮路问题的一种有效算法。