基于量子行为的微粒群优化算法的数据聚类

在PSO聚类算法的基础上,提出了基于量子行为的微粒群优化算法(QPSO)的数据聚类。QPSO算法不仅参数个数少、随机性强,并且能覆盖所有解空间,保证算法的全局收敛。PSO与QPSO算法的不同在于聚类中心的进化上,实验中用到四个数据集比较的结果,证明了QPSO优于PSO聚类方法。在聚类过程中使用了一种新的度量代替Euclidean标准,实验证明了新的度量方法比Euclidean标准更具有健壮性,聚类的结果更精确。

基于量子行为的微粒群优化算法的图像分割

在图像处理中提出的图像颜色分割是一个重要性和具有挑战性的难题。当一幅图像中包含相似的和(或者)非固定的纹理区域时,难以计算出精确的纹理区域和分割区域的最优的数目。在这篇文章中,寻找出了一种实用而广泛的图像分割方法——基于量子行为的微粒群优化算法(QPSO)的图像颜色分割方法,把图像分割问题看作一个最优化问题,并且采用QPSO的进化策略聚类颜色特征空间中的区域。QPSO不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛。文中给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的颜色分割上具有很好的效能。

基于量子行为粒子群算法的舱室噪声监测点优化布置

针对舱室噪声在线监测及声场预报问题,本文提出了一种基于量子行为粒子群算法的舱室内部声监测点优化布置方法。根据研究频段范围确定所需声腔模态阶数,计算全部备选监测点位置处各阶声腔模态的声场分布,采用模态置信矩阵作为目标函数,基于量子行为粒子群算法对监测点位置进行优化,获得优化布置方案。从声腔模态采样的正交性及内外声场响应的角度与其他测点布置方案进行了性能比较。研究表明:本文方法优化得到的测点布置方案采集声腔模态信息更全面,可有效提升舱室内声场的重建精度和基于舱室内声场监测的水下辐射噪声预报精度。

生存进化阶段性搜索微粒群算法及其可靠性冗余分配优化应用

为高效解决含有异质冗余的多态系统(MSS)可靠性优化问题,并弥补微粒群优化(PSO)算法易早熟收敛的不足,从作用力方式和种群拓扑结构两方面对算法进行改进。改进PSO算法中单一的作用力方式,设置前后两个搜索阶段,对应两个搜索阶段分别构造平衡引斥力方式和双层引力(个体和全局最优解引力、中间适应度微粒引力)方式,提出阶段性搜索微粒群(SPSO)算法;利用生物个体“择友而交”和优胜劣汰的生存体系构建生存进化(SE)拓扑结构,以结构演化和算法进化并行方式将该拓扑结构融入SPSO算法,提出生存进化阶段性搜索微粒群(SPSO-SE)算法,进一步提升算法的优化性能;利用Benchmark函数对所提算法与PSO的改进算法进行测试对比,结果表明,所提SPSO-SE算法具有更好的寻优能力。采用SPSO-SE算法对串-并联和桥式结构的多态系统的可靠性冗余分配问题进行优化,得到的系统结构费用更低、可靠度更高。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于改进量子粒子群优化算法的机器人逆运动学求解

针对工业机器人在逆运动学求解过程中存在的位姿奇异、解不唯一、求解精度低等问题,提出了一种改进量子粒子群算法。首先,利用D-H参数法建立机器人运动学模型,以机械臂末端最小位姿误差为主要优化目标,加入运动前后关节角变化最小、行程平稳连续的约束条件,设计了目标函数;其次,通过采用Levy飞行策略改进粒子更新方式、非线性地动态调整收缩膨胀因子、采用变权重方法计算最优平均位置等方法设计了一种改进量子粒子群优化(IQPSO)算法;然后,模拟单点位姿和连续轨迹两种不同的求解情况进行三种算法(IQPSO、APSO、QPSO)的仿真对比实验,结果表明IQPSO算法具有收敛速度快、求解精度高等优点;最后,将IQPSO算法用于机械臂本体进行实物验证,实验结果表明IQPSO算法求解出的插值点所组成的轨迹连续且平滑,进一步证明了该算法应用于实际运动控制中的稳定性和可行性。

采用改进量子粒子群优化算法的虚拟电厂参与二次调频两阶段优化

虚拟电厂(virtual power plant,VPP)作为一种新型区域能源管理系统,可通过“源—荷—储”的协调优化调度,高效参与电网二次调频辅助服务。介绍虚拟电厂内部结构,建模分析新能源机组及可控负荷特性;搭建虚拟电厂参与二次调频两阶段调度模型,该模型能够兼顾二次调频净利润及调频效果;研究一种自适应权重的改进量子粒子群优化(quantum particle swarm optimization,QPSO)算法,通过引入自适应权重机制,在量子粒子更新过程中动态调整权重参数以提高算法的搜索能力和收敛速度;并将改进算法应用于两阶段优化过程中,使虚拟电厂获得更高的二次调频净利润及更好的调频效果;仿真结果表明,所提改进算法的收敛速度更快且全局寻优能力更强。

基于改进量子粒子群算法的叶片延长翼型厚度优化设计

针对如何平衡载荷与升阻比以优化翼型厚度的问题,采用一种改进量子粒子群算法(IQPSO)对翼型厚度进行计算优化,以国产某2 MW风机为例,通过对延长前后的叶尖速比、风能利用率、叶根载荷、升阻比、功率以及发电量等试验数据对比分析来验证所采用的方法。验证结果显示,叶片延长后,优化翼型厚度为15%。同时,在升阻比平均提高约3.156%的基础上,叶根增加载荷水平在Mx、My、Mz方向上最多分别提高了12.3%、12.7%、12.5%,且均在安全范围13%内,发电量相较于历史水平提升34.71%。从而表明通过采用IQPOS进行叶片翼型厚度优化后,在满足叶片承受载荷的前提下,能够显著提高升阻比,可实现风力发电机的性能提升,达到稳定提高发电量的目的。

基于改进量子粒子群算法的机器人关节空间运动轨迹规划优化

机器人轨迹规划是机器人运动控制实现的关键步骤,轨迹规划的效率与精度直接关系到机器人运动控制的实时性与准确性。将机器人运动轨迹映射到关节空间,并建立轨迹规划的数学模型,使其满足运动过程中的各项物理约束,并避免各关节间的耦合问题。针对量子粒子群算法进行改进,提高其收敛速度,避免陷入局部最优,提出改进量子粒子群算法,并将之应用于机器人轨迹规划的数学模型求解。并且对基于改进量子粒子群算法的机器人关节空间轨迹规划进行测试。测试结果表明,该方法可以代替传统的机器人轨迹规划算法,并且在精度和效率方面具有更高的优势。

基于量子粒子群算法优化LSTM的短期风电负荷预测模型

为了提高短期电力负荷预测的精度,研究了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法优化模型隐含层节点数、训练次数和学习率,建立QPSO-LSTM短期风电负荷预测模型[1]。解决了因网络结构及模型参数的不确定性产生的精度问题,并将该模型与传统的神经网络模型进行了对比。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高。

基于量子行为微粒群优化算法的图像增强方法

为了提高图像增强的自适应性和通用性,提出了基于量子行为的微粒群优化算法(QPSO)的图像增强方法,将图像增强作为最优化问题来明确地表示。并且使用了一种新的目标函数评价算法的性能。QPSO没有过多参数需要调整,随机性强,能够保证算法的高效性和全局收敛性。实例仿真证实了QPSO在图像增强上的有效性和优越性。

基于量子微粒群优化算法的半透明介质光学参数反演

针对半透明介质光学参数估计问题,建立了脉冲激光辐照下半透明介质光学参数反演模型,采用量子微粒群优化(QPSO)算法反演了折射率和吸收系数,分析了测量误差、热物性参数对反演结果的影响,并利用敏感性分析揭示了反演精度与测量误差的关系.计算结果表明:建立的反演模型和采用的QPSO算法可以精确估计折射率和吸收系数,即使人为添加10%的测量误差,反演结果依然具有较强的鲁棒性和准确度.本研究可为半透明介质物性参数获取提供技术参考.

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。

基于随机增强量子粒子群算法的弹性波数值模拟

在本文中,我们提出了一种随机增强量子粒子群优化算法,并基于该随机增强量子粒子群算法提出了一种新的有限差分格式。随机增强量子粒子群优化算法具有明显的收敛速度优势,可以在第200代内收敛。在相同条件下,未改进的量子粒子群算法的收敛速度远低于随机增强量子粒子群算法。数值频散分析表明,基于随机增强量子粒子群算法的优化有限差分格式具有更大的频谱覆盖范围并将精度误差控制在了有效范围之内,这意味着随机增强量子粒子群算法具有更好的搜索全局精确解的能力。最后,采用基于随机增强量子粒子群算法的优化有限差分格式对弹性波动方程进行数值模拟。数值模拟结果表明,基于随机增强量子粒子群算法的优化有限差分格式能有效压制数值频散。

基于量子行为微粒群优化算法的彩色图像增强

为了提高图像增强的自适应性和通用性,本文提出了基于量子行为的微粒群优化算法(QPSO)的彩色图像增强方法,将图像增强作为最优化问题来明确地表示。将在RGB空间表示的降质图像转换到与人类视觉系统特性相适应的HIS颜色空间进行增强,提出了应用于亮度I分量的新的目标函数。仿真结果证明所提出的方法在彩色图像增强上有很好的性能。

基于种群个体数自适应的多尺度量子谐振子优化算法

优化算法中多种群采样方式可转化为蒙特卡洛对当前函数积分的评估,针对不同子种群对整体评估的差异性,提出子种群规模(个体数)自适应的改进策略,并用于多尺度量子谐振子优化算法(Multi-scale quantum harmonic oscillator algorithm,MQHOA)的改进,同时阐述多种群策略所具有的量子特性以及量子隧道效应与寻优性能的相关性.已有的优化算法忽视了动态调节子种群规模对寻优能力的影响,该策略通过动态调节子种群规模,提高适应度差的子种群发生量子隧道效应的概率,增强了算法的寻优能力.将改进后的算法MQHOA-d(Multi-scale quantum harmonic oscillator algorithm based on dynamic subpopulation)与MQHOA及其他优化算法在CEC2013测试集上进行测试,结果表明原算法MQHOA“早熟”问题在MQHOA-d中得到解决,且MQHOA-d对多峰函数和复合函数优化具有显著优势,求解误差和计算时间均小于几种经典优化算法.

一种多目标量子算术优化算法探究

为更好地解决算术算法中多目标优化问题,提出一种基于档案集的多目标量子算术优化算法并在七个基准函数上进行测试;通过分析测试结果以及与常用的多目标优化方法/多目标粒子群优化算法、快速非支配排序遗传算法和多目标灰狼优化算法相关指标进行比较,表明了该算法优于上述常用的多目标优化算法,并具有较高的收敛速率。

具有量子行为的粒子群优化算法的参数选择

Sun等人从量子力学的角度提出了具有量子行为的粒子群优化算法,它在搜索能力上优于传统的PSO算法,自适应参数的数目也比之较少。集中讨论了应用QPSO如何选择自适应参数的问题。介绍了QPSO算法,给出了随机模拟的实验结果,从而看到了参数值的选择如何影响粒子在QPSO中的收敛。最后,介绍了两种自适应参数控制方法和标准测试函数的实验结果。

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。

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。