解复杂连续函数优化问题的动态量子遗传算法

研究了一种解复杂连续函数优化的动态量子遗传算法(DQGA)。设计一种动态量子旋转角的更新策略及量子门调整策略,以加快算法收敛速度,同时为淘汰适应度差的个体,量子旋转策略表中动态地嵌入了变异算子。在算法进化后期引入灾变算子使算法及时跳出局部最优,避免早熟收敛。五个复杂连续函数的测试实验表明:所提算法对复杂连续函数优化问题的寻优能力较QGA更强,算法的稳定性更高,算法的迭代次数亦优于传统量子遗传算法。

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。