并行自适应免疫量子粒子群优化算法

为克服粒子群优化算法早熟收敛及粒子在进化过程中缺乏方向指导的问题,采用量子技术及免疫机制,提出一种自适应免疫量子粒子群优化算法。针对其计算量大、耗时长的缺点,结合已有的并行计算技术,构造该算法的并行计算方法。仿真实验结果表明,该并行算法在搜索能力和运行时间方面具有较好的性能。

协同免疫量子粒子群算法求非合作博弈Nash均衡解

考虑n人非合作博弈Nash均衡求解问题。将混合策略意义下的Nash均衡转化为最优化问题;把免疫记忆、自我进化、信息共享机制加入量子粒子群算法,通过概率浓度选择公式来保持种群的多样性,提出协同免疫量子粒子群算法。4个经典的数值算例说明,该算法优于免疫粒子群算法,具有较强的寻优能力和收敛性能。

改进型免疫量子粒子群算法求解TSP问题

为了克服粒子群优化算法早熟收敛以及量子粒子在进化过程中缺乏很好的方向指导的问题,受生物免疫系统与量子计算思想的启发,采用了量子技术以及免疫机制,把免疫思想应用到量子粒子群算法,提出了免疫量子粒子群算法.可以指导粒子朝着更优方向进化,提高了量子粒子群的收敛速度和寻优能力,实验结果表明,仿真实验表明所提算法具有较好的性能,在求解TSP问题时收敛速度和寻优能力都取得了更好的效果.

基于免疫粒子群优化算法集成的多序列联配

新的免疫粒子群集成算法是根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去进行多序列联配,实验证明了算法的有效性。

基于免疫粒子群集成的RNA二级结构预测算法

RNA二级结构预测在计算生物学中具有重要意义,针对RNA二级结构预测,提出了一种新的免疫粒子群集成算法,根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去预测RNA二级结构,实验证明了算法的有效性。

基于改进量子粒子群算法的Nash均衡研究

在N人非合作博弈Nash均衡问题求解过程中,将量子不确定性原理、协同演化以及免疫算法内的抗体浓度抑制机制引进到经典粒子群算法中,设计了一种新型改进量子粒子群算法来更好地处理Nash均衡问题。该算法在运算过程中,运用抗体浓度以及协同演化的方式来维系粒子群具备的多样性特征,并借助量子不确定性缩减迭代搜索耗时。该算法不仅有效地将粒子群算法运算简单与方便实现的特质承继下来,而且算法的收敛速度以及其全局搜索能力都获得了大幅度的提升。相关数值算例分析表明,改进的算法能够更好地处理粒子早熟,相较遗传算法以及免疫粒子群算法更具性能优越性。

分层协同进化免疫算法及其在TSP问题中的应用

为提高人工免疫算法求解TSP问题的效率,借鉴分层和协同进化的思想,构造了一种基于多子种群免疫进化的两层框架模型,在此模型的基础上提出了一种基于竞争-合作的分层协同进化免疫算法(Hierarchical Co-evolu-tionImmune Algorithm,HCIA).HCIA通过对若干个子种群进行低层免疫操作:局部最优免疫优势、克隆扩增及克隆选择算子、基于改进粒子群优化算法的抗体多样性改善和高层遗传操作:选择、抗体迁移、变异,增强优秀抗体实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.针对TSP实验结果表明,HCIA具有可靠的全局收敛性及较快的收敛速度.

求解Job shop调度的协同优化算法

针对量子粒子群算法、遗传算法在求解车间调度存在的局部收敛的问题,提出用量子粒子群算法与遗传算法相结合的协同优化方法求解该问题。该算法采用量子粒子群算法与遗传算法的并行搜索结构,通过迁移算子把各个种群联系起来。仿真结果表明,该算法收敛速度快,且具有较高的求解质量。

基于协同免疫量子粒子群优化算法的虚拟电厂双层博弈模型

为了充分利用电动汽车(electric vehicle,EV)大规模的储能优势与代理聚合商在电力市场灵活购售电优势,以此弥补虚拟电厂(virtual power plant,VPP)内部供需不平衡情况,构建电动汽车参与的虚拟电厂双层博弈模型,对虚拟电厂同时进行内外部优化。首先,构建上层代理聚合商-虚拟电厂完全信息动态博弈模型进行虚拟电厂外部优化;其次,构建虚拟电厂-电动汽车聚合商合作博弈模型进行虚拟电厂内部优化,并利用改进的Shapley值分配虚拟电厂与电动汽车聚合商的合作收益;最后,以集成风电机组、可控负荷、储能电池、用户、电动汽车的虚拟电厂进行算例分析,采取协同免疫量子粒子群优化(coevolutionary immune quantum partical swarm optimization,CIQPSO)算法搜寻最优解。算例结果表明,电动汽车参与虚拟电厂能够同时提高两者的经济效益,提高虚拟电厂内部供需平衡能力。

具有量子行为的协同粒子群优化算法

以分布估计算法(EDA)的角度,从理论上指出,具有量子行为的粒子群优化算法(QPSO)本质上是EDA算法与原始粒子群算法(SPSO)的综合.针对进化类算法普遍遇到的过早熟问题,将协同搜索策略引入传统的QPSO算法,提出了具有量子行为的协同粒子群优化算法(MQPSO).通过实验确定了最适合MQPSO算法的通信频率以及子种群大小.实验结果表明,该算法较QPSO及SPSO算法具有更快的收敛速度和更强的搜索精度,其优势在高维优化问题中更为明显.

基于QPSCO算法的传感器优化配置

针对以曲线拟合为目标的传感器配置问题,提出了一种基于量子粒子群协同优化(Quantum-behaved particle swarms cooperative optimization,简称QPSCO)算法的传感器优化配置方法。在QPSCO算法中,采用双层的多粒子群协同优化结构,同时引入参数变异策略,在扩大搜索范围的同时加快该算法收敛;将加权最小二乘法的误差平方和引入适应度函数中,以提高传感器位置曲线的拟合精度,从而实现传感器的优化配置。实验结果表明,该方案应用于土壤信息采集系统,不仅可以达到比粒子群优化(Particle swarm optimization,简称PSO)算法和量子粒子群优化(Quantum-behaved particle swarm optimization,简称QPSO)算法更好的寻优结果,而且具有比遗传算法更理想的位置拟合精度,是一种有效可行的传感器配置方法。

一种改进灰狼优化算法的移动机器人路径规划方法

针对移动机器人路径规划中存在易陷入局部最优、收敛速度慢、搜索路径消耗成本较大等问题,提出一种改进的灰狼优化算法对移动机器人进行路径规划。建立移动机器人避障路径规划二维空间模型,将灰狼优化算法中的线性收敛因子转变为非线性收敛因子,并将灰狼优化算法与粒子群算法结合,给予Omega狼意识;加入协同量子化优化灰狼群体;采用4类国际测试函数证明了改进算法在收敛精度、稳定性方面更优。将改进算法运用到移动机器人路径规划中,并与粒子群算法、原始灰狼优化算法进行对比,仿真结果验证了该算法的有效性。

基于双策略协同进化的QPSO算法及其应用

为更好地提升量子粒子群优化算法(QPSO)的局部挖掘和全局搜索能力,提出了一种改进的QPSO算法(DSQPSO)。在改进算法中引入了双策略协同进化的思路调整粒子的位置更新公式。为充分体现个体粒子挖掘的优势和群体共同引导的特点,提出了两种吸引点构造的思路,做到个体和种群更好地融合以及信息的互通;分别考虑了最优平均位置与全局最优和粒子的历史最优之间的联系,对粒子搜索范围作出了重新定义;此外,在迭代过程中,借助随机扰动机制对全局最优位置进行调整,以保持种群的多样性。通过18个测试函数将DSQPSO算法与PSO、QPSO、RQPSO和LQPSO四种算法在收敛精度和鲁棒性方面进行对比;进而在两个具体的工程优化问题上,应用改进算法与八个智能算法进行了寻优结果比较。实验表明DSQPSO算法无论在基准测试中还是在工程应用上,其计算精度和收敛效果均有明显优势。

多分配枢纽站集覆盖问题的随机p-鲁棒优化模型及算法

枢纽站选址是轴辐式网络优化设计的重要问题,枢纽站覆盖则是该问题的一个类型.考虑枢纽站建站成本和节点间运输距离的不确定性,结合随机优化和鲁棒优化方法,建立了完备轴辐式网络中多分配枢纽站集覆盖问题的随机-鲁棒优化模型;采用二进制编码,对量子粒子群算法进行改进,加入免疫思想,设计了免疫量子粒子群求解算法.最后通过算例对模型进行仿真计算,结果表明了该模型及算法的可行性和有效性.

碰撞振动系统混沌的双参协同智能优化控制

针对单自由度含间隙碰撞振动系统的混沌运动控制问题,提出一种基于局部旋转量子粒子群优化算法优化径向基函数神经网络的双参协同智能优化控制方法.首先,数值仿真得到了系统在(ω,ζ)参数平面内的运动分布图,并结合分别以激励频率ω和阻尼比ζ作为研究对象的单参分岔图和李雅普诺夫指数谱图,分析了参数变化与混沌运动向周期运动转迁之间的关联关系;其次,将激励频率和阻尼比引入径向基函数神经网络控制器输入变量的构造中,提出了满足预期控制目标需求的混沌运动双参协同智能优化控制策略,从而借助径向基函数神经网络的非线性映射特性,使得激励频率和阻尼比对系统动力学性态转迁的综合影响得以在控制器输出变量中体现;最后,提出了局部旋转量子粒子群优化算法优化控制器的参数,实现将混沌运动控制为预期的周期运动.

基于有督导机器学习的网络流量识别系统

针对真实网络环境中存在大量干扰噪声和野值样本等严重影响最小二乘支持向量机算法的性能等问题,提出一种结合协同量子粒子群优化算法和最小二乘支持向量机的网络流量识别系统。将网络流量分为12个类型,并进行数据采集。使用采集的数据对网络流量识别系统进行训练和性能测试。为研究提出的基于CQPSO-LSSVM算法的性能,将其与基于CQPSO-LSSVM算法和基于PSO-LSSVM算法进行对比,结果表明基于CQPSO-LSSVM算法具有更快的识别速度以及更好的识别准确率,避免了出现陷入局部最优解的情况发生。

输电线路的雷电过电压的识别方法

雷电是一种落雷时间、地点、能量均无法预测的随机产生的自然现象,这对雷电过电压识别带来了难度,针对传统识别方法使用单一特征信息作为判断依据导致的识别率低等问题,本文针对时域波形、雷击波头特征以及HHT时频谱这三个方面进行特征提取,建立的了普通短路过电压、感应雷击过电压、直击雷过电压、反击雷过电压以及绕击过电压这5种过电压类型与与特征对应关系,并提出一种结合协同量子粒子群优化算法和最小二乘支持向量机的雷击过电压识别模型,通过仿真研究,与基于QPSO-LSSVM算法进行对比,本文研究的识别模型的准确率提高了6.46%。