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。

基于粒子群和支持向量机的网络入侵检测模型的建立与仿真

为了有效增强网络入侵的检测效果,尽可能地预防网络入侵行为的发生,文中基于协同量子粒子群CQPSO算法以及最小二乘支持向量机LSSVM,建立了CQPSO-LSSVM网络入侵检测模型。该模型利用CQPSO算法对网络入侵的相关特征进行选择,从而获得最优特征子集,减少后续LSSVM所需处理的输入特征给数,有效降低计算量,并提高检测效率。经过KDD CUP 99数据集的仿真测试实验,该模型检测效果良好,具有较高的检测率、较低的误报率和漏报率,且检测速率较快,能够满足网络入侵检测的实时性与准确性的要求,为相关网络入侵检测模型的设计和建立提供参考。

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。

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。

基于CRQP的多小区OFDMA系统联合资源分配算法

针对OFDMA多小区系统中相邻小区同频干扰下的吞吐量最大化问题,在系统功率的约束条件下,基于协同量子粒子群算法提出一种子载波和功率联合分配的协同随机量子粒子群算法(CRQP)。分别利用粒子群算法独立优化子载波的功率分配,并利用改进的量子遗传算法独立优化用户的子载波分配。在独立优化的同时,通过随机协同策略避免陷入局部最优解,达到全局最优。仿真结果表明,与传统的分步求解算法相比,CRQP算法能获得更多的系统吞吐量和更高的资源利用率。

基于CQPSO-LSSVM的网络入侵检测模型

为了提高网络入侵检测率,提出一种协同量子粒子群算法和最小二乘支持向量机的网络入侵检测模型(CQPSO-LSSVM)。将网络特征子集编码成量子粒子位置,入侵检测正确率作为特征子集优劣的评价标准,采用协同量子粒子群算法找到最优特征子集,采用最小二乘支持向量机建立网络入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。结果表明,CQPSO-LSSVM获得了比其他入侵检测模型更高的检测效率和检测率。

大冶铁矿开采沉陷GPS高程拟合CQPSO-LSSVM模型

传统最小二乘支持向量机拟合模型(Least squares support vector machine model,LSSVM)在进行矿区地表沉降GPS高程拟合时精度较低,为进一步提升矿区地表沉降监测精度,采用协同量子粒子群算法(Cooperative quantum-behaved particle swarm optimization,CQPSO)对LSSVM模型进行了优化。该算法的协同搜索策略是在解空间中使用多个子群取代整个种群,可有效解决由于单个种群、单个搜索策略导致的迭代后期种群多样性下降的早熟问题。以大冶铁矿为例,采用实地获取的矿区地表GPS监测数据对改进最小二乘支持向量机拟合模型(CQPSO-LSSVM)进行试验,并与BP神经网络拟合模型以及量子粒子群算法(Quantum-behaved particle swarm optimization,QPSO)优化的最小二乘支持向量机拟合模型(QPSO-LSSVM)进行比较,结果表明,CQPSO-LSSVM模型的内、外符合精度分别为±2.5 mm、±3.1 mm,BP神经网络拟合模型的内、外符合精度分别为±2.9 mm、±4.6 mm,QPSO-LSSVM模型的内、外符合精度分别为±2.8 mm、±3.5 mm,可见CQPSO-LSSVM模型的拟合精度稍优于其余两者,采用该模型对矿区地表沉降GPS数据进行拟合处理,可获得较高的监测精度。

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%。