混沌自适应量子萤火虫算法

为提升量子萤火虫算法(Quantum Firefly Algorithm,QFA)的搜索性能,解决其在面对部分问题时易陷入局部最优等问题,文中提出了一种引入混沌映射、邻域搜索以及自适应随机扰动的改进量子萤火虫算法——混沌自适应量子萤火虫算法(Chaotic Adaptive Quantum Firefly Algorithm,CAQFA)。该算法将混沌映射应用于种群的初始化阶段,提高初始种群的质量;并在更新阶段对当前种群中的最优个体进行邻域搜索,增强算法跳出局部最优的能力;对其他个体引入自适应的随机扰动,增加算法的随机性,在对搜索空间的探索和开发之间寻找平衡,以此提升算法的性能。文中选取了18个不同类型的基准函数对算法的性能进行测试,并将其与萤火虫算法(Firefly Algorithm,FA)、QFA以及量子粒子群优化(Quantum Particle Swarm Optimization,QPSO)算法进行对比。实验结果表明,CAQFA具有更好的搜索能力和稳定性,表现出了较强的竞争力。

基于量子萤火虫算法的配电网故障恢复策略

针对原有配电网故障恢复策略在处理高渗透率分布式光伏并网时效率低、易陷入局部收敛等问题,提出了一种基于量子萤火虫算法的配电网故障恢复策略。首先,以最小化失电负荷量为主和最小化网络损耗为从,构建主从双目标优化目标函数,并计及约束条件建立含分布式光伏并网的配电网故障恢复模型。其次,为克服标准萤火虫算法的不足,采用量子编码和量子旋转门的方式提高萤火虫算法的寻优速度和全局搜索能力,缩短故障恢复模型求解时间。然后,采用量子萤火虫算法求解故障恢复模型,通过控制配电网系统开关的通断,在保证重要负荷恢复供电的基础上尽可能多地恢复失电负荷,同时减少网络损耗。最后,在IEEE 33节点系统上进行算例分析以验证所述方法的可行性和优越性。

基于量子萤火虫和增益Beta的医学DR图像自适应增强

为了解决医学DR图像对比度低、边缘模糊、细节不清晰和缺乏自适应增强的问题,提出一种基于量子萤火虫和增益Beta的医学DR图像自适应增强方法.该方法针对传统Beta变换的不足,提出了增益Beta变换方法,提出了应用于增益Beta变换的二分类别判定方法和参数约束修正方法.为实现自适应的增强,将量子计算和萤火虫群算法结合提出一种量子萤火虫群算法,提出一种FHCE图像增强质量评价标准作为算法的适应度函数,该算法可快速精确求解应用于医学DR图像自适应增强的增益Beta变换的最优增强参数值.实验结果表明这种方法提高了医学DR图像的对比度,边缘和细节更加的清晰,能够自适应增强各类型医学DR图像.