去蜂窝大规模多输入多输出非正交多址系统中基于量子菌群优化的接入点选择方案

去蜂窝大规模多输入多输出非正交多址(MIMO-NOMA)系统的接入点(AP)选择,对有效降低系统的回程链路开销、提高用户的下行可达速率影响较大。该文针对AP选择的去蜂窝大规模MIMO-NOMA系统下行链路建立了用户平均速率的表达式;在此基础上,提出了基于量子菌群优化(QBFO)的AP选择方案,将AP与用户的连接关系以量子比特的形式编码,利用自适应量子旋转门模拟细菌趋化,实现细菌位置更新,通过对量子细菌种群进行测量,获得AP与用户的选择解集,并引入驱散操作避免算法陷入局部最优。实验结果表明,所提方案能够在降低回程链路开销的同时显著提高用户的下行平均速率,相较于基于接收功率和基于信道估计均方误差的AP选择方案,该文所提方案在降低用户间干扰、提高系统总吞吐量方面表现更优。

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。

基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

一种双菌群细菌觅食优化算法

针对细菌觅食优化算法寻优速度慢且易陷入局部最优等缺陷,提出一种双菌群细菌觅食优化算法.引入菌群密度函数因子,并添加当前趋化周期内的最优细菌对其他细菌在寻优方向上进行指导,同时改进固定步长为自适应变化的趋化步长,避免了在最优解附近出现震荡现象及算法陷入局部最优;保留精英细菌的同时提出交叉算子和变异算子,有目的地在搜索区域寻找最优解,帮助早熟细菌跳出局部最优,一定程度上避免了算法早熟;提出双菌群优化机制,增加了菌群的多样性,提高了算法的全局搜索能力,有效抑制算法退化现象.对10个经典测试函数的仿真结果表明,所提出的算法与细菌觅食优化(bacterial foraging optimization,BFO)算法相比,最优解的精度普遍提高了几个数量级,且迭代次数更少,优化速度与全局收敛能力均有所提升.

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化(AMQPSO)算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化(QPSO)算法和自适应粒子群优化(AMPSO)算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。

基于量子行为特性粒子群和自适应网格的多目标优化算法

为了能够找到更多真实的Pareto最优解和提高所求最优解的分布均匀性,提出了一种新型的基于量子行为特性粒子群优化和自适应网格的多目标量子粒子群优化算法.利用量子行为特性粒子群优化算法的寻优优势快速地接近真实的Pareto最优解,引入高斯变异算子增强搜索解的多样性.通过设置一个外部存储器保留搜索过程中找到的Pareto最优解,采用自适应网格法对外部存储器中最优解进行更新和维护操作,使得从中选择的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明所提算法具有更好的收敛性能和更均匀的分布性能.

基于自适应量子粒子群算法的塔机NFNN控制器参数优化

针对塔机正规化模糊神经网络控制中参数众多且难于分析的问题,提出了对正规化模糊神经网络优化的自适应量子粒子群算法。该方法采用量子旋转门对粒子进行更新变异,惯性权重根据当前适应度自动调整,在全局寻优过程中,当粒子远离目标时,学习因子变大,当粒子靠近目标时,学习因子变小,有效地提高了全局最优搜索能力及收敛速度。采用该方法对塔机NFNN控制器参数进行优化,结果表明,自适应量子粒子群算法对塔机NFNN参数优化效果优于传统量子粒子群算法,且加快了控制器的响应速度。

量子混沌自适应粒子群优化算法的研究

为了提高粒子群算法求解连续函数优化问题的性能,提出一种量子混沌自适应粒子群优化算法。该算法首先采用量子位Bloch球面坐标编码方案对群体初始位置进行初始化,此种编码方式能扩展对搜索空间的遍历性,增加群体的多样性,进而加快算法的收敛速度;其次,采用Logistic混沌对种群的精英个体进行混沌搜索,有效地避免了粒子群算法陷入局部最优,从而获得更高质量的最优解。最后,采用自适应非线性惯性权值以进一步改善PSO算法的收敛速度和优化精度。通过对8个复杂高维函数寻优测试,仿真结果表明,改进算法更具竞争力,其性能整体较优,尤其适合复杂的高维函数寻优。

基于自适应和及时繁殖策略菌群优化聚类算法

针对菌群优化算法求解优化问题时收敛速度较慢、易陷入局部最优值的缺点,提出一种基于自适应和及时繁殖策略的菌群优化聚类算法。在算法中根据迁徙的次数改变步长,适应度最大的细菌马上进行繁殖。为了进行对比实验,在二维平面随机生成了100个点,将这100个点聚成两类和三类。实验结果证明自适应和及时繁殖这两种策略都可以明显提高菌群优化算法的收敛速度。

基于二进制量子行为粒子群优化的WSN自适应设计

无线传感器网络(WSN)所处的物理环境,探测对象以及WSN本身都存在很多不确定的因素,这要求WSN能够适时地调整和优化。提出一种基于簇结构的自适应WSN,采用二进制量子行为粒子群算法实现网络拓扑控制优化与网络覆盖优化,提高了全局搜索能力。算法中采用基于并行位操作的高效率算子处理二进制串。该算法融合于WSN动态结构设计,能有效延长WSN的使用寿命。

自适应相位旋转的量子菌群算法

量子菌群算法是将量子计算与菌群觅食优化算法相融合而得到的一种量子智能算法,但该算法存在鲁棒性比较差和寻优时间比较长的缺陷。为解决该问题,本文设计了一种旋转相位自适应调整的量子旋转门,并用其完成细菌的趋化操作,提出了一种自适应相位旋转的量子菌群算法。通过16个不同类型的标准测试函数对其优化性能进行研究,统计结果表明该算法在低维时,对于多种种类的测试函数,在收敛精度和稳定性上都要优于改进前的量子菌群算法,且优化结果要明显优于经典的菌群觅食优化算法和量子遗传算法。进一步研究表明,在达到指定收敛精度的情况下,该算法的平均收敛概率是最高的,平均运行时间和平均迭代步数是最短的。而在高维情况下,该算法则对碗状和碟状类型的测试函数比较适用。

权重自适应调整的混沌量子粒子群优化

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。该算法在运行过程中根据粒子适应值的优劣情况,相应采取不同的惯性权重策略,以调节粒子的全局搜索和局部搜索能力。对几个典型函数的测试结果表明,该算法在收敛速度和精度上有大幅度的提高,且有很强的避免陷入局优的能力,性能远远优于一般的粒子群算法和量子粒子群算法。

云自适应混合细菌觅食优化算法

针对传统细菌觅食优化算法存储量大、收敛速度慢且难以解决高维问题等缺点,通过细菌的适应度值将细菌种群分为三个层次,不同层次分别采用不同的搜索步长生成策略,由X条件云发生器自适应调整一般层次中细菌搜索步长,并引入粒子群算法思想进行细菌位置更新,提出了云自适应混合细菌觅食优化算法.由于云模型云滴具有随机性和稳定倾向性特点,提高了算法的灵活性;粒子群算法的引入提高了算法全局搜索能力,加快了算法的收敛速度.通过典型函数优化实验表明,与基本细菌觅食算法、自适应细菌觅食算法以及YSPSO相比,云自适应混合细菌觅食算法更有利于解决高维问题且具有较快的收敛速度和较高的计算精度.

基于量子菌群算法的三维多输入输出下行链路传输优化方案

三维多输入多输出(3D MIMO)技术能够充分利用垂直维的自由度,有效抑制小区间同频用户的干扰。为了进一步提高系统总的频谱效率和小区边缘用户的频谱效率,针对3D MIMO下行链路无线通信系统,提出一种传输优化方案。所提方案以最大化频谱效率为准则,引入联合传输技术对小区边缘用户进行传输,通过调整功率分配和波束下倾角来优化频谱效率函数。针对非凸的目标优化函数,采用量子菌群算法进行求解。以两个波束的功率和下倾角作为菌群,小区总的频谱效率作为适应度函数,在约束条件下通过趋化、复制和驱散步骤不断更新菌群,最终获得适应度函数的最优值。仿真结果表明,所提传输方案取得了较高的系统总频谱效率和小区边缘用户的频谱效率。

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征,通过正态云发生器对量子粒子群优化算法(QPSO)进行改进,提出了一种基于正态云模型的自适应量子粒子群优化算法(CMAQPSO).该算法将正态云模型引入到QPSO算法的研究,定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式,给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO,OPSO,CVCPSO,CMAQPSO 4种算法进行对比测试,实验结果表明,CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.

基于菌群优化的K均值聚类算法研究

为了提高数据挖掘的聚类准确度,提出了一种基于菌群优化的K均值(K-means)聚类算法。采用K均值算法建立数据聚类模型。根据聚类类别数设定多个聚类中心坐标。设定所属类别距离阈值,然后计算待聚类点和所有中心点距离来划分该聚类点的类别。根据参与聚类各节点和各自中心点的距离值建立适应度函数。引入菌群优化算法对K均值聚类过程进行优化。通过细菌的多次驱散、复制和趋化操作,不断提高数据聚类的适应度,直到达到最大操作次数或者最低聚类精确度阈值,获得稳定的数据聚类挖掘算法。实验证明,通过合理设置驱散和趋化次数,微调菌群算法的引力和斥力参数,能够获得较好的聚类性能。分别采用K均值和该文基于菌群优化的K均值聚类算法对6个不同数据集进行聚类仿真。该文算法对所有数据集的平均聚类准确率都高于92%。针对UCI混合数据集,当聚类达到稳定时,该文算法的聚类标准差明显优于K均值聚类算法;而且该文算法对5000个混合样本完成聚类消耗的时间约70 s,K均值聚类算法约需93 s。

量子扩展蚁群连续优化改进算法

针对扩展蚁群算法收敛精度不高、容易陷入局部最优和出现收敛停滞等缺点,提出量子扩展蚁群连续优化改进算法。分析扩展蚁群算法可行解的更新与产生机制;在此基础上,引入量子比特作为蚂蚁位置信息的载体,增加解的多样性;采用云模型自适应产生高斯核函数采样的标准差,优化高斯采样结果,加速优化进程和最优解的搜索;根据优化进程自适应调整采样函数的选择概率,丰富采样的样本;结合云模型控制的变异策略及量子非门等局部寻优手段,有效避免种群早熟。

基于演化历史信息的自变异协同量子行为粒子群优化算法

提出一种基于演化历史信息的自变异协同量子行为粒子群优化算法(ESH-CQPSO).该算法采用二维空间分割树结构记录群体演化过程中的位置和适应值,借助群体之间的协同机制确保增强搜索能力,提高优化性能,防止过早收敛.通过空间分割机制可以获得一个快速的近似适应度函数.这个近似值可以提高ESH-CQPSO中的变异策略,使得相应的变异操作是一种无参数、多样性的自适应变异.对比其他传统算法,通过对标准测试函数的实验结果表明,ESH-CQPSO算法在处理多峰和单峰测试函数时具有更好的优化性能,收敛精度和收敛速度都得到了提高,证明该算法的有效性.