一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。

基于量子行为粒子群优化–人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization,QPSO)的改进算法,用于优化人工神经网络(artificial neural network,ANN),实现电能质量(power quality,PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。

基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配

为在给定的时间内以最小代价和最大效益完成任务,建立了多无人机协同任务分配问题的多目标优化模型。采用改进的多目标量子行为粒子群优化算法求解最优任务分配方案,定义了一种从所求候选方案中选取最优分配方案的自主选择准则。对比分析多目标粒子群优化、多目标进化算法和该文算法所求的最优分配方案。仿真结果表明该文算法能够较快地求解问题,而且所求最优任务分配方案的性能优于其它三种算法。

量子行为粒子群优化算法在几何约束问题上的应用

几何约束问题可以等价为求解非线性方程组问题,同时也可以将几何约束问题转化为一个优化问题来求解.受经典粒子群优化算法和量子动力学启发,提出一种新的算法——量子行为粒子群优化算法(QPSO)来求解几何约束问题.在QPSO模型里,粒子的状态不再通过位置和速度来决定,而是通过一个波函数来确定.这种算法的主要优点就是可以在感兴趣的问题上保持种群的多样性.实验结果表明,该方法可以提高几何约束求解的效率和收敛性.

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。

基于演化搜索信息的量子行为粒子群优化算法

针对量子行为粒子群优化算法可能过早收敛而陷入局部最优的问题,提出了基于演化搜索信息的非重复访问量子行为粒子群优化算法(Non-revisited QPSO,NrQPSO)。该算法将演化搜索信息记录方案和标准QPSO算法结合起来,确保所有更新的粒子位置都是未被重复访问的,并通过变异操作增加粒子的多样性。演化搜索信息记录方案利用二维空间分割树(BSP)将连续搜索空间划分为不同的重叠子区域,并且将子区域作为粒子变异范围,使得相应的变异操作是一种无参数的自适应变异。对比其他传统算法,通过对八个标准测试函数的实验结果表明,NrQPSO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。

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.

基于量子行为粒子群优化算法的电压暂降状态估计

文中提出了一种将传统的故障位置法和状态估计法相结合的电压暂降状态估计新方法。将仅利用历史故障数据的故障位置法和仅利用现有有限监控数据的状态估计法相结合,得到电压暂降状态方程,并利用量子行为粒子群算法(QPSO)得到优化问题的最优解。对比遗传算法等传统优化算法,QPSO能保证全局收敛,且控制参数更少,随机性更强,则找寻最优解效率更高。该方法已在IEEE24标准节点系统上进行仿真计算,并与遗传算法对比,结果验证了本文方法的准确性和可靠性。此方法适用于任何规模电网发生对称故障和不对称故障时的电压暂降状态估计。

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.

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。

基于多样性变异的量子行为粒子群优化算法

为了克服量子行为的粒子群优化(QPSO)算法存在早熟收敛的缺点,提出了一种改进的QPSO算法,在QPSO算法中加入多样性变异算法、设置多样性函数,当多样性较少时,执行变异操作;扩大了种群搜索过程中的搜索范围,避免了种群多样性不断下降。典型标准函数优化的仿真结果表明,该算法具有较强的全局搜索能力。

双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法

为解决粒子群优化(PSO)算法求解双层规划问题时易陷入局部最优解的问题,提出了一种基于模拟退火(SA)Metropolis准则的改进混合布谷鸟搜索量子行为粒子群优化(ICSQPSO)算法。首先,该混合算法引入SA算法中的Metropolis准则,在求解过程中既能接受好解也能以一定的概率接受坏解,增强全局寻优能力;接着,为布谷鸟搜索算法设计一种改进动态步长Lévy飞行,以保持粒子群在优化过程中较高的多样性,保证搜索广度;最后,利用布谷鸟搜索算法中的偏好随机游走机制帮助粒子跳出局部最优解。通过对13个涵盖非线性规划、分式规划、多个下层规划的双层规划实例的数值实验,结果表明:ICSQPSO算法所得12个双层规划的目标函数最优值显著优于对比算法,只有1例的结果稍差,并且有半数实例的结果优于对比算法50%。由此可见,ICSQPSO算法对双层规划的寻优能力明显优于对比算法。

基于量子行为粒子群优化的软件可靠性模型参数估计

研究了准确估计软件可靠性模型参数这一难题,在分析现有软件可靠性模型参数估计方法的基础上,提出了一种基于量子行为粒子群优化(QPSO)算法的软件可靠性模型参数估计方法。针对该方法,选取了7个数据样本和三个软件可靠性模型(G-O模型、M-O模型和Weibull模型)进行了仿真实验,并且与粒子群算法、蚁群算法仿真实验进行对比。实验结果表明,基于QPSO算法的软件可靠性模型参数估计方法与粒子群算法、蚁群算法相比,求解精度高,误差较小,模型适应性强。

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。

应用量子行为粒子群优化算法的文本对抗

文本对抗攻击能够极大地弱化深度神经网络在自然语言处理任务中的判别能力,对抗攻击方法的研究是提升深度神经网络鲁棒性的重要方法。现有的词级别文本对抗方法在搜索对抗样本时不够有效,搜索到的往往不是最理想的样本。针对这一缺陷,提出了基于改进的量子行为粒子群优化算法的文本对抗方法。通过对量子行为粒子群优化算法进行离散化的适应性改动,更有效地搜索出高质量的对抗样本。实验结果表明,提出的方法在多个数据集上取得了更高的攻击成功率,同时保持了更低的改动率,人工评测则表明提出的方法生成的对抗样本相比于其他对抗样本能够更多地保留语法和语义的正确性。

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。

变分布的量子行为粒子群优化算法求解工程约束优化问题

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题,提出了一种自适应的基于高斯分布的量子行为粒子群优化(AG-QPSO)算法。通过自适应地调整高斯分布,AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力,随着搜索过程的进行,算法的局部搜索能力逐渐增强,从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性,在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明,在满足所有约束条件的情况下,AG-QPSO算法在压力容器设计问题上取得了5890.9315的平均解和5885.3328的最优解,在张弦设计问题上取得了0.01096的平均解和0.01096的最优解,远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果,同时AG-QPSO算法取得的结果的方差较小,说明该算法具有很好的鲁棒性。

基于多轮升维策略与改进量子行为粒子群优化算法的热导率函数估计方法

将改进的量子行为粒子群优化算法应用于材料热导率函数估计问题中,并提出了一种多轮升维策略对算法的搜索过程进行优化,形成了一种鲁棒性强且高效的反演方法。通过数值实验测试了该方法在测量误差以及系统误差下的表现,并对不同粒子群优化算法的性能进行了比较研究。结果表明,采用的反演方法能够在较大的搜索范围与反演维度下稳定收敛,对测量误差的敏感度较低;提出的多轮升维策略能够使各类粒子群优化算法在热导率函数估计问题中的搜索效率得到提升。

一种采用完全学习策略的量子行为粒子群优化算法

为了进一步提高量子行为粒子群优化(QPSO)算法的全局收敛性能,有效改善算法中存在的粒子早熟问题提出一种基于完全学习策略的改进QPSO算法(CLQPSO).该学习策略改变了QPSO中局部吸引子的更新方式,充分利用了种群的社会信息.采用8个测试函数对算法性能进行比较分析.实验结果表明,所提出的改进算法不仅收敛速度快,而且全局收敛能力好,收敛精度优于PSO算法和QPSO算法.

一种改进二进制编码量子行为粒子群优化聚类算法

为了改善二进制量子行为粒子群优化(BQPSO)算法的收敛性能,提出了一种基于完全学习策略的改进BQPSO优化(CLBQPSO)算法,并由此设计了一种新的数据聚类方法.该算法在4个测试数据集上与其他一些聚类算法进行了聚类实验比较,实验结果表明,基于CLBQPSO的聚类算法不仅收敛速度快,而且有较好的全局收敛性,收敛精度优于其他聚类算法,聚类效果更好.