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。

基于二进制具有量子行为的粒子群算法的多边形近似

提出了适合二进制搜索空间的具有量子行为的粒子群优化算法(BQPSO)。在二进制环境中重新定义粒子的位置向量及距离向量,调整了QPSO算法的进化公式。用二进制具有量子行为的粒子群算法求解平面数字曲线的多边形近似,解决了传统BPSO算法中粒子搜索范围受限的问题。用2条通用benchmark曲线进行测试,结果表明,该算法较BPSO加快了收敛速度,在相同的容忍误差和迭代次数下找到了更少顶点的多边形。

基于改进自适应量子行为粒子群算法的交直流混合配电网协调优化方法

随着系统日益庞大,交直流混合配电网的拓扑结构与系统潮流计算将更为复杂,各单元的协调控制已成为配电网经济、稳定运行的关键,恰当的控制方案可助力各单元协调控制进一步优化。针对此问题,提出一种多时间尺度下交直流混合配电网的能量管理系统优化运行的控制策略,通过与分布式电源、蓄电池、主从换流站等本地控制相结合,使得配电网能最大限度地降低总体电能损耗和各节点电压偏差。本文首先描述交直流混合配电网系统模型,然后建立交直流混合配电网能量管理系统的优化模型,在此基础上,采用改进的自适应量子行为粒子群算法,求解能量管理系统多目标函数的优化问题,以提高算法的求解效率和全局搜索的能力。最后,为验证算法的可行性和有效性,选择33节点的算例进行仿真验证。

基于具有量子行为的离散粒子群算法的作战飞机分散式加油车辆调度优化问题研究

针对战时情况下多机种综合保障基地作战飞机分散式加油车辆调度优化的实际问题,基于设备设施能力的约束,以最小化加油车最大完工时间为目标函数,建立了符合实际情况的数学模型。在问题求解方面,将量子行为引入基本PSO算法,构建出一种性能更好的QDPSO算法。实验表明,该算法能弥补基本PSO算法易陷入局部最优和早熟收敛的不足,在全局和局部解空间搜索效率和质量上表现更优,能够很好地解决所研究的问题。

具有量子行为的粒子群优化算法惯性权重研究及应用

在研究惯性权重对基本PSO算法影响的基础上,根据惯性权重对粒子群算法影响的特点,采用4种惯性权重策略对一种新的具有量子行为的粒子群算法的速度进行调节,比较每种算法的性能,从中找到一种新的性能更好的改进算法,将其用于求解0-1背包问题。实验结果表明较好地选择惯性权重参数对算法的性能有很大提高,该改进算法在求解0-1背包问题中具有高效性,提高了最优解的精度,同时具有较快的收敛速度。

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。

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。

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。

改进量子行为粒子群算法智能组卷策略研究

提出一种求解智能组卷问题的改进量子粒子群算法。首先,通过定义粒子进化速度及粒子聚集度,将惯性权重表示为粒子进化速度和粒子聚集度的函数,使惯性权重具有自适应性。其次,将慢变函数引入传统位置更新公式中,以有效地解决陷入局部最优解的问题。最后,根据项目反应原理对组卷问题进行数学建模。仿真实验表明,与标准粒子群算法和量子粒子群算法相比,所提算法在组卷成功率和组卷效率方面均具有更好的性能。

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。

一种具有自我更新机制的量子粒子群优化算法

自然界中生命体都存在着有限的生命周期,随着时间的推移生命体会出现老化并死亡的现象,这种老化机制对于生命群体进化并保持多样性有重要影响。针对量子行为粒子群(QPSO)算法中粒子存在老化并使得算法存在早熟收敛的现象,将生命体的自我更新机制引入了QPSO算法,在粒子群体进化中提出领导者粒子和挑战者粒子,随着群体粒子的老化,当领导者粒子领导力耗尽不能引导群体进化时,挑战者粒子通过竞争更新机制成为新的领导者粒子引导群体进化并保持群体多样性,并证明了算法的全局收敛性。将提出的算法与多种典型改进QPSO算法通过12个CEC2005 benchmark测试函数进行比较,对结果进行了分析。仿真结果显示,该算法具有较强的全局搜索能力,尤其在7个多峰测试函数中,综合性能最优。

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。

量子行为粒子群优化算法在几何约束问题上的应用

几何约束问题可以等价为求解非线性方程组问题,同时也可以将几何约束问题转化为一个优化问题来求解.受经典粒子群优化算法和量子动力学启发,提出一种新的算法——量子行为粒子群优化算法(QPSO)来求解几何约束问题.在QPSO模型里,粒子的状态不再通过位置和速度来决定,而是通过一个波函数来确定.这种算法的主要优点就是可以在感兴趣的问题上保持种群的多样性.实验结果表明,该方法可以提高几何约束求解的效率和收敛性.

求解非线性方程组的量子行为粒子群算法

介绍了利用量子行为粒子群算法解决非线性方程组的问题。求方程组的解归结为一个最优化问题,当方程组有多个解时,它的适应值函数就是具有多个最优解的多峰函数。为此,引进一种物种形成原理算法,该算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。对每个子群体进行QPSO最优搜索,从而保证方程组中每个可能的解都能被搜索到,具有良好的局部寻优特性。对几个重要的测试函数进行仿真实验,结果证明了所用算法可以保证找到方程组所有的解,并且具有很好的精确度。

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。

一种基于量子行为的改进粒子群算法

研究粒子群优化算法(PSO)的收敛速度,以提高该算法性能是PSO的一个重要而且有意义的研究。JunSun等人通过对PSO系统下的单个个体在量子多维空间的运动及其收敛性的分析,提出了具有函数形式的粒子群算法(Quantum Delta-Potential-Well-based PSO)。在此基础上进行了改进,用粒子的速度来产生一个随机数引导粒子向最优解快速靠拢,并对速度的处理采取了新的策略。仿真结果表明:该改进算法对收敛速度有非常好的改善,而且稳定性也较好。

量子行为粒子群优化算法在公交调度优化中的应用

以公交费用最小和乘客平均等待时间最短为目标构建优化调度模型,针对已有算法在求解这类调度问题存在的早熟收敛、优化效率较低的缺点,提出了一种惯性权重自适应调整的量子行为粒子群优化算法。首先引入聚焦距离变化率的概念,将惯性权重因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;同时在算法中嵌入了一种判断和避免搜索早熟和停滞的有效方法。优化实例的结果分析表明,该算法能有效地解决公交车辆的调度优化问题。

量子行为的粒子群算法在叠前AVO反演中的应用

量子行为的粒子群优化算法突破了粒子群优化算法所遵循的牛顿随机搜寻,在搜索过程中加入了量子运动,既改善了全局优化的能力和收敛速度,又减少了算法中需要控制的参数,有效地解决了传统粒子群优化算法无法收敛到全局最优解的问题。基于量子行为的粒子群优化算法原理简单,需要控制的参数很少,易于实现,可以进一步用于多参数、多极值地球物理反演。本文使用基于量子行为的粒子群优化算法进行叠前AVO弹性参数反演,无噪声和加噪声模型的反演结果说明了算法的有效性和稳定性,以及良好的抗噪性。

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法(QPSO)求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替,是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法,遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。

基于多样性变异的量子行为粒子群优化算法

为了克服量子行为的粒子群优化(QPSO)算法存在早熟收敛的缺点,提出了一种改进的QPSO算法,在QPSO算法中加入多样性变异算法、设置多样性函数,当多样性较少时,执行变异操作;扩大了种群搜索过程中的搜索范围,避免了种群多样性不断下降。典型标准函数优化的仿真结果表明,该算法具有较强的全局搜索能力。