改进的量子进化算法及其在TSP问题中的应用

针对量子进化算法(Quantum–inspired Evolutionary Algorithm,QEA),在解决实际问题中遇到的困难,提出一种改进的量子进化算法,应用于求解旅行商问题(Travelling Salesman Problem,TSP),并提出了TSP中的Hamilton圈的随机搜索编码技术。通过求解TSP问题库中的部分问题,表明改进的算法比经典的量子进化算法及免疫遗传算法具有更快的收敛速度和更好的全局寻优能力。

改进的量子进化算法及其在TSP问题中的应用

本文针对量子进化算法在解决实际问题中遇到的困难，提出一种改进的量子进化算法，作者进一步解释了这种进化算法在TSP问题中的应用。

基于改进量子进化算法的测试优化选择

基于相关模型的测试优化选择是复杂电子系统测试性设计中的一个重要问题。文中首先建立了测试优化选择的数学模型,然后提出一种改进的量子进化算法对其求解。算法核心在于根据测试选择的特点设计了一种新的适应度函数,同时改进了基本量子进化算法的旋转角确定方法,既能防止算法限于局部极值,又能加快收敛速度。为了充分验证算法的有效性及先进性,将其应用于大量仿真实例。结果表明,与现有测试选择算法相比,该算法在求解精度和收敛速度方面均优于已有算法,因而适合于复杂电子系统的测试优化选择问题求解。