基于量子遗传算法的反舰导弹航路规划方法

为了提升遗传算法在反舰导弹航路规划中的寻优效率,提出一种基于量子遗传算法的反舰导弹航路规划方法。首先利用傅里叶变换中正弦函数叠加思想,将可行航路曲线用若干正弦波之和进行表征;其次,基于量子遗传算法(QGA)对航路模型中待优化的参数在取值范围内进行寻优得到最优航路;最后,设定典型的威胁区,通过数学仿真验证本文所提出的规划方法的有效性和寻优效率。

量子遗传算法及其在图像盲分离中的应用研究

在改进Han的遗传量子算法的基础上 ,提出一种新的量子遗传算法 算法中采用多量子比特来编码多状态基因 ,构造了各个体之间的联合量子交叉 ,提出了通用的量子旋转门演化策略和动态调整旋转角机制 将量子遗传算法与独立分量分析算法相结合 ,提出一种图像信号的盲分离方法

基于量子遗传算法的量子细胞自动机仿真方法

利用遗传算法对基于半经典模型的量子细胞自动机进行仿真时,通常会遇到多个极值,容易陷入局部最优。为将量子遗传算法用于量子细胞自动机仿真,对量子遗传算法进行改进,将二进制量子位改为多进制量子位,重新设计了量子旋转门的调整策略,并给出了具体实现步骤。通过对测试函数寻优和量子细胞自动机电路的仿真,结果表明,改进后的量子遗传算法平均误差低,不易陷入局部极值,收敛速度较快,适用于量子细胞自动机仿真。

分组量子遗传算法及其应用

量子遗传算法是一种高效的并行算法,但它易陷入局部极值。提出一种分组量子遗传算法,通过分层、分组等方法,保证了染色体的多样性。典型函数测试结果表明,分组量子遗传算法具有全局最优性,其性能优于其它几种遗传算法和 QGA。

基于改进的量子遗传算法的认知无线网络频谱分配方法

为了提高认知无线网络频谱分配的效果,根据认知无线网络的特性,提出了基于改进的量子遗传算法(IQGA)的认知无线网络频谱分配方法。该方法利用混沌搜索初始化种群染色体编码,在迭代过程中采用动态调整量子旋转角度更新染色体,并通过变异阈值对染色体进行选择性变异,最终将频谱分配的分配矩阵和基于混沌搜索的量子遗传算法的可行解相对应,以提高网络系统的平均效益为目标函数,实现空闲信道的合理分配。仿真结果表明,基于IQGA的认知无线网络频谱分配方法具有更快的收敛速度和更好的寻优性能,能有效地提高网络系统的整体效益。

改进量子遗传算法在无功优化中的应用

在传统的无功优化模型中引入静态电压稳定指标,建立以网损最小的优化模型。量子遗传算法(quantum genetic algorithm,QGA)将量子的态矢量引入遗传编码,将量子比特的几率幅表示应用于染色体的编码,实现染色体的演化,效果比常规遗传算法要好。常规量子算法中的量子门角度的选取决定着进化的速度和方向,也影响着最终的优化效果,本文提出一种改进的量子旋转门算法,它能够自适应地计算旋转角度,能够提高全局的搜索能力,缩减搜索代数,加快搜索速度,同时避免陷入局部最优,之后采用IEEE14节点和IEEE 30节点进行验证,取得了较好的效果。

基于量子遗传算法和IMST算法的QoS多播路由算法

本文提出了一种求解QoS多播路由算法,该算法基于量子遗传算法(Quantum Genetic Algorithm,QGA)和IMST算法(Improved Minimum Spanning Tree,IMST),首先在量子个体上实施量子交叉,这一操作有利于保留相对较好的基因段;其次,采用量子比特相位法更新量子门和自适应调整搜索网格的策略,使得种群的多样性强;最后,引入改进的MST算法进行受约束最小Steiner树的生成,解的收敛精度高,收敛速度快;通过仿真实验标明此算法在种群规模较小,迭代次数较少的情况下就可以收敛到最优解,该算法的优化质量和效率都强于传统遗传算法和量子遗传算法。

基于Bloch量子遗传算法的倒立摆模糊控制器优化设计

为解决倒立摆模糊控制器的优化设计问题，提出一种基于Bloch量子遗传算法（BQGA）的优化设计方案。该方案将量子位的3个Bloch坐标都看作基因位，每条染色体包含3条并列的基因链，每条基因链代表一个优化解，即一组控制器参数，在与普通量子遗传算法（CQGA）染色体数目相同时可加速优化进程。以模糊神经网络控制器（FNNC）的优化设计为例，以单级倒立摆为被控对象，针对两种初始状态，对控制效果进行了分析对比。实验结果表明，该方案优化的控制器明显优于基于普通量子遗传算法优化的同类控制器；当倒立摆系统参数改变时，该控制器也明显优于LQR控制器。

改进量子遗传算法应用于测试数据自动生成的研究

为了提高测试数据的自动生成效率,提出一种改进的量子遗传算法(IQGA),用以自动生成测试数据.该算法以角度编码染色体,减少染色体存储空间;采用一种新的动态旋转角策略,使种群在测试数据生成的过程中优秀测试数据能得以较好的遗传,促进种群收敛;并通过Hadamard门变异策略提高种群多样性,扩大种群探索路径.利用典型的三角形分类问题进行了验证,实验结果表明,改进的量子遗传算法具有用时短,生成测试数据少,覆盖率高等优点,测试数据自动生成效率高于传统量子遗传算法和遗传算法.

量子遗传算法优化BP网络的焦炭质量模型

为使焦炭预测精度提高,减少不必要的能源损耗,提出基于量子遗传算法优化BP网络的焦炭质量预测模型。在算法中应用量子位概率幅、量子旋转门、量子非门对种群中的染色体进行编码、相位更新、变异的操作。仿真结果表明,该模型相较于传统的BP网络模型预测精度更高,同时大大提升了效率与可靠性。

改进的量子遗传算法优化BP神经网络的恶性肿瘤诊断

乳腺恶性肿瘤对人们的生命构成重大威胁,影像是目前的重要诊断手段,早期诊断与预测模型一般以图像数据作为输入,但在图像转换过程中出错的可能性较大。而人工智能技术的飞速发展可为提高恶性肿瘤识别的准确率提供技术手段和思想创意。为提高乳腺恶性肿瘤识别的准确率,克服传统反向传播(Back Propagation,BP)神经网络和单一遗传算法的缺点,构建一种改进的量子遗传算法(Quantum Genetic Algorithm,QGA)优化BP神经网络的模型,即在QGA算法中引进动态改进旋转角策略和加入遗传算法的交叉变异操作,再利用改进的QGA算法优化多目标BP神经网络的权值和阈值。以美国威斯康辛州女性乳腺癌肿瘤数据集为例,对其进行分析。实验表明,QGA-BP模型在乳腺肿瘤诊断上具有收敛速度快且预测精度高的优点,能够准确诊断恶性肿瘤。

基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究

围岩类别超前分类是隧道施工过程中必须开展的一项工作,其直接关系到后续的开挖及施工支护方案。为有效地进行隧道围岩类别超前分类,提出了基于数字钻进技术和量子遗传(QGA)-径向基函数(RBF)神经网络的围岩类别超前分类方法。以数字钻进技术为基础,从钻进参数中提取有用信息,构建围岩类别超前分类指标体系。采用量子计算原理对遗传算法进行改进,通过量子位编码和量子旋转门更新种群,以此来确定RBF神经网络的参数,建立了基于QGA-RBF神经网络的围岩类别超前识别系统。最后将该方法应用于青岛胶州湾海底隧道的围岩类别超前识别中,结果表明,该方法具有较高的准确性,其结果为围岩类别超前分类提供了一种新思路。

适用于演化硬件的遗传算法

为提高演化硬件在演化过程中的收敛速度,实现复杂的演化硬件,研究以Xilinx公司的Virtex-5Pro系列开发板作为硬件平台的基于SOPC的自演化系统。分析简单遗传算法与量子遗传算法对种群的适应度以及收敛速度的影响;实验中通过全加器电路和2位乘法器电路实现了自演化系统的验证。结合实例,对2种算法分别进行仿真,仿真结果表明,相对于标准遗传算法而言,量子遗传算法效率更高、更适应于进化复杂的大规模电路。

矿井突水水源识别的QGA-LSSVM模型

为快速、有效地判别矿井突水水源,根据水化学特征,选取Ca2+,Mg2+,K++Na+,HCO-3,SO2-4,Cl-和总硬度等7个指标的质量浓度(mg/L)作为主要判别依据,并将其作为识别的变量。利用因子分析模型对数据进行属性约简,提取公共因子,减少判别指标之间信息交互,并利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数寻优,建立QGA-LSSVM水源识别模型。选取从新庄孜煤矿实测的33组数据作为训练数据,进行模型训练;另用12组数据作为测试数据,用该模型进行预测,并将结果与其他预测模型的结果进行对比。研究表明:利用因子分析模型提取的公共因子包含原变量因素中绝大部分信息,能减少信息冗余,利用QGA优化的LSSVM模型能使结果避免陷入极值,用该模型可有效地预测矿井突水水源类型,其错误预测率为0。

基于QGA-BP神经网络的人脸识别技术研究

本文介绍了人脸识别的发展概况和人脸识别的主要方法。提出了一种基于QGA和BP神经网络相结合的人脸识别方法。首先使用M-FastICA方法进行人脸特征提取,然后采用QGA-BP神经网络作为人脸识别的分类器,仿真实验具有较好的识别效果,表明本文方法是一种可行的人脸识别方法。

基于QGA-Elman模型的新能源汽车充电站负荷预测

现代社会新能源汽车的利用率越来越高,很多城市都开始推广新能源汽车,政府也开始重视新能源汽车的发展。对于整个配电网来说,对短期新能源汽车充电站的负荷的预测是很有必要的。文中提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)与量子遗传算法(QGA)-Elman组合的模型对相似日新能源汽车充电站进行负荷预测。利用新能源汽车充电站所给的相似日的历史数据作为输入参数训练所建立的模型来预测次日的发电量。该组合模型在减小预测误差方面有所改进,研究的问题有一定应用价值。

QGA-RFR模型在导水裂隙带高度预测中的应用

为准确预测矿井顶板导水裂隙带高度,用随机森林回归算法（RFR）筛选出开采工作面导水裂隙带高度主要影响因素;借助量子遗传算法（QGA）优化RFR中分裂属性特征值和决策树棵数2个关键参数,建立基于QGA-RFR的导水裂隙带高度预测模型;将实测的124组导水裂隙带相关数据代入模型进行训练和预测,并将预测结果与GA-RFR、RFR、BP和支持向量机（SVM）等模型预测结果对比。结果表明：QGA-RFR模型的最优参数组合为（5,350）,该参数下模型预测误差值仅为0.113 8;与GA-RFR、RFR、BP和SVM等模型相比,QGA-RFR模型具有更小的平均绝对百分比误差值（0.037 63）、均方根误差值（2.129）和最大相对误差值（0.055 06）,验证了QGA-RFR模型的拟合效果更优。

基于改进量子遗传算法的WSNs多路径路由研究

最优路径搜寻和能量优化是无线传感器网络(wireless sensor networks,WSNs)研究的两大关键性问题,基于簇结构的无线传感器网络模型,将改进的量子遗传算法引入WSNs网络层节能路由算法研究中,选取多条较优染色体代替一条最优染色体指导群体的进化;采用动态的量子旋转门调整策略,避免算法收敛于局部最优解;利用球面坐标角度对量子遗传算法编码,降低算法的复杂度;以路由所耗能量为优化目标,构造适应度函数。与基于传统遗传算法(genetic algorithm,GA)、标准量子遗传算法(quantum genetic algorithms,QGA)的多路径路由进行比较,实验表明,该算法比基于GA,QGA算法的多路径路由具有更低的网络能量消耗,更长的网络生存周期。

基于深度学习的燃气发电机组剩余寿命预测

为了保障油气站场关键设备随运行年限增加的安全稳定运行,减少安全生产事故,同时,提高检维修效率降低运行成本,基于深度学习模型与遗传优化算法,针对油气站场的燃气发电机组提出一种新的剩余寿命预测模型。首先,对油气站场采集的燃气发电机组运行工况数据进行预处理,利用主成分分析(PCA)算法分析主成分多维传感器特征,提取出信号主成分作为特征输入;利用一维转置卷积(TransConv1D)与长短期记忆(LSTM)网络构建深度学习剩余寿命预测模型进行训练;针对模型训练过程中特征堆叠冗余的问题,利用量子遗传算法(QGA)优化模型的2个超参数;通过实例验证并与传统方法进行对比分析。结果表明:相比于传统模型,提出的剩余寿命预测模型预测结果的平均绝对误差(MAE)与均方根误差(RMSE)分别降低2.46%与7.85%。所提模型预测误差更小,能够更加准确地预测燃气发电机组的剩余寿命。

城市应急避难场所覆盖选择模型

为解决大规模疏散场景下的避难场所覆盖选择模型合理构建和高效求解的问题,提出考虑扩展操作的城市应急避难场所覆盖选择模型和改进的量子遗传算法(QGA)。首先,以总疏散时间最短为目标函数,以分配结果离散性、疏散起始位置和避难场所容量为约束条件,构建大规模场景下的覆盖选择模型;然后,基于扩散操作和QGA提出3种不同的求解方法,分别为考虑不同扩散速度、考虑相同扩散速度和不考虑扩散操作;最后,以上海市黄浦区为研究区域,对比分析3种方法的求解能力,并绘制疏散路径图和热力图。结果表明:城市应急避难场所覆盖选择模型可以提供居民建筑和避难场所的双向覆盖选择结果;模型求解方面,采用考虑不同扩散速度的扩散QGA可以快速获得结果离散性最低、总疏散时间最短的规划方案。