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。

基于离散量子微粒群优化的作业车间调度

针对强非确定性多项式难的作业车间调度(JSP)问题,提出一种离散量子微粒群优化算法(DQPSO).该算法基于量子态波函数描述微粒群粒子位置,结合遗传算法中的交叉、变异操作,采用随机键编码方法对连续空间内的解进行离散化,使得DQPSO能够直接用于求解车间生产调度这类组合优化问题.另外,针对JSP的复杂性,通过引入2层结构的局部搜索策略,构造在局部优化解附近不同搜索半径的微粒,增强算法的搜索能力,进一步提高解的多样性和寻优质量.应用结果表明,对大部分作业车间调度测试算例,DQPSO表现出更有效的寻优性能.

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。

基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法

将量子粒子群优化算法引入Volterra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Volterra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态。提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷。最后,将提出的方法应用到旋转机械故障诊断中。实验结果验证了该方法的有效性。

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbesti中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。

基于量子微粒群的综合孔径圆环阵排列方法

稀疏天线阵列设计是综合孔径微波辐射计的一个重要研究内容。圆环阵因其可实现(u,v)平面基线零冗余、结构简单以及共形、波束旋转对称等特点而备受关注。针对均匀圆环阵UV覆盖不均匀的问题,提出基于量子微粒群优化(QPSO)的综合孔径圆环阵排列方法,以改善圆环阵的UV覆盖。该方法引入量子行为的搜索机制,并设计一种新的圆环阵优化目标函数;与现有方法相比,该方法在提高全局搜索效率的同时,大大降低计算复杂度,且能更好地度量圆环阵UV覆盖的均匀程度。数值仿真结果验证了本文方法的有效性。

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。

基于量子微粒群算法的磁流变阻尼器滞回模型研究

磁流变阻尼器是一种智能减振装置,建立一个有效的模型是使其走向工程应用的关键。文中提出一种改进的滞回模型来描述磁流变阻尼器的动态特性,开展阻尼器的性能试验,并利用实测数据,在量子微粒群算法的基础上进行模型参数识别。识别过程证明,量子微粒群算法计算简便、精度高、收敛速度快。仿真结果表明,磁流变阻尼器改进的滞回模型效果较好,而且物理概念清晰,便于控制应用。

基于量子微粒群的BPNN在转炉炼钢静态模型中的应用

针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络(BPNN)的拓扑结构,并依此建立了转炉炼钢静态模型。然后把量子微粒群算法(QPSO)应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法(PSO)、梯度下降法的学习性能。最后,基于某炼钢厂的历史数据进行了仿真实验,比较了三种BP网络学习算法下的炼钢终点命中率。研究结果表明,该研究提高了转炉炼钢静态模型的终点C含量和温度预测精度。

权重自适应调整的混沌量子粒子群优化算法

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。新算法首先引入聚焦距离变化率的概念,将惯性因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,根据构造的变异概率对粒子进行变异使粒子跳出局部最优,从而减少无效迭代。对高维测试函数的实验表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。

量子行为粒子群优化算法在公交调度优化中的应用

以公交费用最小和乘客平均等待时间最短为目标构建优化调度模型,针对已有算法在求解这类调度问题存在的早熟收敛、优化效率较低的缺点,提出了一种惯性权重自适应调整的量子行为粒子群优化算法。首先引入聚焦距离变化率的概念,将惯性权重因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;同时在算法中嵌入了一种判断和避免搜索早熟和停滞的有效方法。优化实例的结果分析表明,该算法能有效地解决公交车辆的调度优化问题。

一种基于混合量子行为粒子群优化算法的图像配准方法

针对多模医学图像配准的高精度要求,以最大化互信息图像配准方法为基础,提出了一种基于混合量子行为的粒子群优化(HQPSO)算法的多模医学图像配准新方法。实验结果表明,在多模医学图像配准应用中,新算法的实际性能不仅优于传统的Powell算法和PSO算法,也比QPSO算法有一定的优势。上述结论为医疗图像诊断分析提供了一种新的有效方法。

应用于武器-目标分配问题的量子行为粒子群优化算法

武器-目标分配(WTA)问题是现代战争中一个十分重要的问题。以分配武器迎击全部目标的失败概率最小为目标,构建武器-目标分配问题模型;针对已有算法求解这类问题存在的早熟收敛、优化效率较低的缺点,提出一种惯性权重自适应调整的量子行为粒子群优化算法。首先引入聚焦距离变化率的概念,将惯性权重因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;同时在算法中嵌入一种判断和避免搜索早熟和停滞的有效方法。优化实例的结果分析表明,该算法能有效地解决武器-目标分配问题。

基于量子粒子群算法的组播路由优化

不确定网络性能参数下的多约束QoS组播路由优化已成为安全组播领域以及下一代Internet和高性能网络的一个重要研究课题。多约束QoS组播路由优化是NP-完全的多目标优化问题。提出了一个新的量子粒子群算法,其具有收敛速度快、全局性能好等特点。通过应用该算法求解多约束QoS组播路由优化问题的仿真实现,结果表明,该算法取得了较好的效果。

量子粒子群优化算法在摄像机标定中的应用

摄像机标定是三维重构中最关键的一步,它的精度直接决定了三维重构结果的逼真程度。为了能够提高摄像机标定的精度,克服传统优化算法易陷入局部最小,反投影误差大等缺点,首次将量子粒子群优化算法(Quantum-Behaved Particle Swarm Optimization,QPSO)应用于摄像机标定中。该方法利用传统的线性方法求得初始值,利用QPSO对初始值进行优化。实验数据表明,基于QPSO的摄像机标定的平均反投影误差小于一个像素,是一种可行的方法,且与智能优化算法PSO相比,基于QPSO的摄像机标定具有更小的误差。

基于量子微粒群算法的发酵过程模型参数估计

量子微粒群优化算法(QPSO)是一种改进的微粒群优化算法(PSO),克服了PSO算法搜索空间有限和易陷入局部极值的不足,同时该算法具有参数少、易实现、收敛速度快等优点。应用量子微粒群优化算法,以谷氨酸发酵过程产物(谷氨酸)浓度数据为检验样本,以Verhulst方程为菌体生长模型,进行发酵模型参数估计。实验结果表明,基于QPSO算法的参数估计方法具有精度高、编程实现简单、计算量小等优点。

基于量子行为粒子群优化的软子空间聚类算法

针对软子空间聚类算法搜寻聚类中心点容易陷入局部最优的缺点,提出在软子空间聚类框架下,结合量子行为粒子群优化(QPSO)和梯度下降法优化软子空间聚类目标函数的模糊聚类算法.根据QPSO全局寻优的特点,求解子空间中全局最优中心点,利用梯度下降法收敛速度快的特点,求解样本点的模糊权重和隶属度矩阵,最终获取样本点的最优聚类结果.在UCI数据集上的实验表明,文中算法可提高聚类精度和聚类结果的稳定性.