一种利用精英保留改进的量子遗传算法

针对量子遗传算法的"早熟"现象,在多峰值函数的寻优中,提出了基于精英的量子遗传算法。该算法不仅考虑函数值与当前最优值的关系,还考虑函数值所对应的自变量与当前最优值所对应自变量的关系。仿真实验表明,该算法对于多峰值函数具有很好的寻优能力。

基于并行量子遗传算法的QoS组播路由方法

通信网络时延受限且满足带宽要求的最小代价组播树问题是NP完全问题,传统方法难以求解,一般采用启发式方法求解。提出了一种基于并行量子遗传算法的服务质量(QoS)组播路由算法,算法中将各个子群体独立地并行进化,并通过相邻子群体间的信息交换实现克服早熟,避免局部收敛的目的,还提出了一种新的动态旋转角调整策略,使算法具有更好的种群多样性和全局寻优能力。仿真实验表明,新算法在求解性能上优于遗传算法(GA)和采用静态旋转角的量子遗传算法(QGA)。

基于双链量子遗传算法的多约束QoS组播路由算法

多约束QoS组播路由问题是NP完全问题。提出一种基于双链量子遗传算法的多约束QoS组播路由算法,该算法具有种群多样性、收敛速度快、并行性更高等优点,并对算法具体流程和实现方法进行了详细的描述。实验结果表明,与已有的遗传算法、量子遗传算法相比,该算法有搜索速度快、全局寻优能力强等优点。

应用于QoS组播路由的改进量子遗传算法

针对QoS组播路由的最优求解问题,提出一种改进量子遗传算法.首先使用将图形网络拓扑简化为树形网络拓扑,并在种群初始化过程中引入基于概率划分的小生境协同进化策略.然后设计了新的量子旋转门调整规则,以便实时处理量子旋转角,从而提高量子搜索的收敛速度并增加了种群的多样性,然后采用基于锦标赛选择机制的灾变算子,以便全局寻优和收敛速度能够得到有效平衡.最后,将该算法与其他智能启发算法进行仿真对比.实验仿真结果表明:改进后的量子遗传算法能获得比其他智能启发算法更优的解,同时具有更快的收敛速度和较好的全局寻优能力.

并行量子遗传算法在QoS组播路由中的应用

随着网络通信技术的发展和Internet的普及,性能出色的组播路由越来越重要。著名的组播路由Steiner树问题是NP完全问题,应采用启发式方法求解。文中在常规量子遗传算法中引入并行进化模型,提出了一种解决多约束QoS组播路由优化问题的算法。在满足带宽、时延约束条件下寻找代价最小的组播树,并合理安排节点负荷,减少通信开销。仿真实验结果表明本算法搜索速度快、全局寻优能力强,性能和效率优于常规量子遗传算法。

改进的量子遗传算法及其在WMSN覆盖优化中的应用

对量子遗传算法进行了研究。量子遗传算法只使用一个最优染色体来指导种群的进化,极易陷入局部最优,本文对此进行了改进,提出使用多个精英染色体来指导整个种群的进化。讨论了精英染色体的产生、维护与作用,并在此基础之上提出了一种基于精英组的量子遗传算法(elite groupbased quantum genetic algorithm,EQGA)。最后,将EQGA应用到无线多媒体传感器网络的覆盖优化问题中。对比测试表明,EQGA求出的解比遗传算法和量子遗传算法求出的解都要好。

精英交叉遗传算法在组卷系统中的应用

该文针对组卷问题这一具体应用,基于教学相关理论提出该问题的数学模型及目标函数。利用一种改进的遗传算法提出一套完整的设计实现方案;并开发实现了计算机应用基础课程的组卷系统。通过测试验证了其优势及可用性。

改进遗传算法智能组卷研究

为了更有效解决智能组卷问题,针对应用型本科院校《自动控制原理》课程特点,建立了试题库并提出一种简化数学模型。同时,为了改善单纯遗传算法在组卷过程中局部搜索能力差与早熟收敛问题,在组合遗传算法基础上,对精英策略进行改进,提出一种新算法。仿真实验结果表明,与单纯粒子群算法、单纯遗传算法及其改进算法相比,新算法具有明显的优势,有效克服了未成熟收敛现象,提高了算法收敛精度与速度,具有寻优能力强、稳定性好等优点。

基于IRT的量子遗传算法选题策略

选题的本质是一个优化问题,虽然已有多种算法,但是大部分算法收敛速度慢、易陷入早熟、需要建立复杂的数学模型等。量子遗传算法在普通遗传算法中引入了量子计算的概念,能够使算法在种群规模很小的情况下呈现种群的多样性,而且能在很广的范围内寻优,不易陷入早熟,量子计算的并行性使算法能比普通遗传算法更快地解决寻优问题。本研究采用基于项目反应理论的量子遗传算法的选题策略。将两者的实验结果作比较,结果显示,量子遗传算法在各评价指标下的效果都优于经典遗传算法,体现出量子遗传算法搜索效率高,适应性强,收敛性速度快的特点。

基于免疫遗传算法的多约束QoS组播路由选择方法

以具有精英保留的免疫遗传算法(IGAE)为基础,提出了一种新的用来求解带宽、时延、时延抖动受限,费用最小的QoS组播路由选择问题的方法。首先采用预处理机制,将网络结构中不满足带宽约束的链路去掉,利用Dijkstra第k最短路径算法建立编码空间的备选路径集;然后采用基于路径的树结构编码来随机产生初始群体,使种群中的每个个体都代表组播路由问题的一个候选解;最后利用IGAE算法对种群进行优化,最终求得满足QoS要求的组播路由。仿真实验结果表明,该算法具有较好的性能,能以较快的速度搜索到满足QoS要求的费用最小的组播树。

基于改进量子遗传算法的神经网络集成

论文针对目前神经网络集成结论生成方法存在的问题,改进量子遗传算法,提出了一种新的集成结论生成方法。该方法利用量子旋转门更新种群以增加种群的多样性,并采用精英策略保留最优群体以加快寻优速度。仿真实验结果表明,该方法得到的集成结论,泛化性能明显优于简单集成、推广集成等传统方法。

量子进化组播路由算法

近年来,时延受限的代价最小组播树问题备受关注。作为全局优化算法,遗传算法(GA)越来越多的用于解决组播路由问题。GA拥有比经典算法更强的搜索能力,但是它容易陷入"早熟",很难得到最优组播树。基于量子计算的机理和特性并结合进化计算,提出了一种新颖的量子进化组播路由算法(QEA),有效地解决了遗传组播路由算法中的"早熟"问题,并且在每代个体更新中采用量子旋转门策略加速了算法的收敛速度。算法实现简单,控制灵活。仿真结果表明QEA算法性能优于改进的进化算法即克隆多播路由算法(CS)和传统的遗传算法(GA)。

WMSNs中基于改进QGA的覆盖增强算法

针对无线多媒体传感器网络(WMSNs)中存在的覆盖盲区与覆盖重叠区域等问题,提出一种改进的量子遗传算法(QGA)来调整WMSNs中节点的位置和感知方向。相对于传统QGA,该算法采用从多条最优染色体构成的集合中随机选取优化目标来引导算法迭代,在保留算法收敛速度的同时改善其易收敛于局部最优的情况;同时,采用自适应旋转角和新的量子变异策略,加快算法的收敛速度。仿真实验表明:该算法具有良好的全局收敛能力和速度,可以更好地提高网络的覆盖率。