基于Bloch球面的量子遗传算法的混合储能系统容量配置

风电功率波动对电网造成不容忽视的影响。风电并网处加入混合储能系统可有效降低风电对电网的影响。首先,有效地分解风电有功功率,得到混合储能系统需平抑的波动功率;然后,在电池及超级电容器荷电状态、额定功率及充放电时间的允许范围内实现超级电容器优先充放电的协调控制方式;最后,应用映射于Bloch球面的量子遗传算法,确定满足混合储能系统技术要求及工程指标的混合储能系统配置方案,使混合储能系统成本最低。算例分析证明了在监测荷电状态等约束条件下,优先超级电容器充放电控制方式的有效性及Bloch球面量子遗传算法配置混合储能系统方法的合理性。

自适应Bloch球面的量子遗传算法

在基于量子位Bloch坐标的量子遗传算法的基础上,提出一种自适应Bloch球面的量子遗传算法。该算法按两种方式自适应地选取Bloch球面的一部分进行搜索:沿经线方向选取和沿纬线方向选取,并在理论上证明了这两种选取方式都能够包含所求连续优化问题的所有可行解。在对选取的Bloch球面进行搜索时,提出了近似等面积搜索的方法,进而推导出两个相位转角大小之间的反比例关系,染色体的变异操作也作了相应的修改以适应选取区域的限制。实验表明该算法在搜索能力方面与基于量子位Bloch坐标的量子遗传算法基本相当,但优化效率方面有明显提高。

基于Bloch球面搜索的量子粒子群优化算法

通过分析量子势阱粒子群优化算法的设计过程,提出一种基于Bloch球面搜索的量子粒子群优化算法.首先用基于Bloch球面描述的量子位描述粒子,用泡利矩阵建立旋转轴,用Delta势阱模型计算旋转角度,用量子位在Bloch球面上的绕轴旋转实现搜索.然后用Hadamard门实现粒子变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.仿真结果表明,该算法的优化能力优于原算法.

基于Bloch球面坐标的改进量子遗传算法及其应用

为解决量子遗传算法(QGA)用于连续多峰函数优化易陷入局部极值的问题,提出一种基于Bloch球面坐标的改进量子遗传算法(GLBQGA):该算法通过引入新的全局-局部变异算子,在保证全局特性基础上加入局部搜索机制,使算法在搜索到全局最优近似解之后能通过局部邻域搜索收敛到全局最优精确解;算法还进一步优化量子转角取值方案,在保证搜索空间不变的同时提高搜索效率。在机车二系支承载荷均匀性分配优化调整及短时交通流多步预测中的应用表明,GLBQGA有效克服了QGA早熟收敛的问题,在不显著增加搜索时间的前提下提高了求解精度。

基于Bloch球面搜索的量子蚁群优化算法

为提高蚁群算法的优化效率,提出一种基于Bloch球面搜索的量子蚁群优化算法。该算法用Bloch球面描述的量子比特对蚂蚁位置编码,用信息素强度和启发式信息构造的选择概率选择蚂蚁的移动目标,用量子比特在Bloch球面上的绕轴旋转实现蚂蚁移动,用Hadamard门实现变异以避免早熟收敛,在移动后的新位置完成信息素和启发式信息的更新。仿真结果表明该方法的搜索能力和优化效率优于其他量子智能优化算法。

基于Bloch球面坐标的量子粒子群算法

为了提高粒子群优化(PSO)算法的优化效率,结合量子理论提出一种基于Bloch球面坐标的量子粒子群优化算法。在Bloch球面坐标下,粒子自动更新旋转角大小和粒子位置,不需将旋转角以查询表的形式设定(或设定为区间上的固定值),弥补了Bloch球面坐标下量子进化算法和量子遗传算法的不足,算法更具有普遍性;用量子Hadamard门实现粒子的变异,增强了种群的多样性,促使粒子跳出局部极值点。对典型函数优化问题的仿真结果表明,提出的算法稳定性强,精度高,收敛速度快,具有一定的实用价值。

基于Bloch球面旋转的量子自组织网络聚类算法

为提高自组织网络的聚类能力,提出一种基于Bloch球面旋转的量子自组织网络聚类算法。通过使样本数据作为量子比特相位,将样本映射为Bloch球面上的量子比特,将竞争层权值映射为Bloch球面上随机分布的量子比特;通过计算样本和权值的球面距离最小值,确定获胜节点;通过使获胜节点及其邻域节点在Bloch球面上向着样本旋转来调整这些权值,直到算法收敛。该方法的明显优势在于有较高的聚类精度。以鸢尾属植物样本聚类为例,实验结果表明,提出的方法明显优于传统自组织网络、K-均值聚类等算法。

基于量子位Bloch球面坐标的量子进化算法

根据量子位的Bloch球面坐标提出的一种量子进化算法,首先使用量子位的Bloch球面坐标对量子染色体进行编码,通过量子旋转门对量子位进行更新,而对于量子旋转门转角大小的选择,提出了一种简单快捷的确定方法。在旋转、变异操作的过程中,采用了基于量子位Bloch球面坐标的新算子。数值计算结果证明,基于量子位Bloch球面坐标的量子遗传算法在搜索能力和优化效率两方面优于普通的量子遗传算法。

基于量子位Bloch坐标的量子遗传算法及其应用

提出了一种基于量子位Bloch坐标的量子遗传算法.该方法用量子位构成染色体;用量子位的Bloch坐标构成染色体上的基因位;用量子旋转门进行染色体上量子位的更新;用量子非门进行染色体变异.对于量子旋转门的转角大小及方向的确定,提出了一种简易快捷的新方法;对旋转和变异操作,提出了基于量子位Bloch坐标的新算子.该算法将量子位的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1个优化解.在染色体数目相同时,可加速优化进程.以函数极值优化和神经网络权值优化为例,仿真结果表明该方法在搜索能力和优化效率两个方面优于普通量子遗传算法和简单遗传算法.

基于量子蚁群算法的机械手臂避障路径规划

提出在障碍空间下利用量子蚁群算法求取6R机械手臂逆解的一种通用解法。首先根据机械手臂各关节变量的DH参数建立以关节变量为自变量的目标优化函数F,并且引入层次包围盒OBB的碰撞因子以及可操作空间的约束,再建立基于Bloch球面的三维量子旋转搜索空间,利用量子蚁群算法搜索出F函数取到最大值时所对应的关节变量,即机械手臂的逆解,因此将机械手臂的逆解问题转化为基于关节变量的多元函数求极值问题。鉴于基本蚁群算法在优化之初可能存在搜索缓慢、蚂蚁数量限制优化解的范围、以及算法可能陷入局部极值等问题,采用量子蚁群算法利用量子计算的并行性、三链编码机制以及量子旋转门、非门对蚁群算法进行改进。改进后的量子蚁群算法与基本蚁群算法,通过MATLAB Robotic Toolbox工具箱对6R机械手臂进行运动学仿真与CCS DSP联合开发实验,结果表明量子蚁群算法在优化F函数中能够快速收敛,降低了对蚂蚁种群数量的依赖,并且扩大了空间解的范围,从而证明方法可行。

量子衍生差分进化算法的设计与实现

为提高差分进化算法的优化性能,从研究差分进化算法的实现机制入手,提出将差分策略与量子比特在Bloch球面的绕轴旋转相融合的新思想。个体采用基于Bloch球面描述的量子比特编码,采用差分策略计算当前个体上量子比特的旋转角度,采用向量积理论构造旋转轴,采用泡利矩阵构造旋转矩阵,以当前最优个体上相应量子比特为目标,在Bloch球面上沿旋转轴向目标比特旋转。采用Hadamard门实现个体变异。函数极小值优化的仿真结果表明,所提方法单步迭代的平均时间约为普通差分进化算法的13倍。当限定步数相同时,优化结果约为普通差分进化算法的0.3倍,当运行时间相同时,优化结果约为普通差分进化算法的0.4倍。从而表明所提算法计算效率降低,但寻优能力明显提高,整体优化性能优于原算法。

一种改进的量子遗传算法及其应用

基于量子位测量的二进制量子遗传算法,在用于连续问题优化时,频繁的解码运算会降低优化效率。为解决该问题,提出一种改进的量子遗传算法。基于Bloch球面建立搜索机制,使用量子位描述个体,采用泡利矩阵建立旋转轴,通过量子位在Bloch球面上的绕轴旋转实现进化搜索,利用Hadamard门实现个体变异,以避免早熟收敛,使当前量子位沿着Bloch球面上的大圆逼近目标量子位。实例结果表明,该算法在经历大约26步迭代后,绝对误差积分指标值最小为4.122,优化能力优于基于量子位Bloch坐标的量子遗传算法和带精英保留策略的遗传算法。

批量流水调度问题的量子候鸟协同优化算法

为了求解批量流水调度问题(LFSP)的最小化最大完工时间,提出一种量子候鸟协同优化(QMBCO)算法。首先,采用Bloch量子球面编码方案扩大解空间;然后,运用FL算法优化初始解,以弥补传统随机初始解的不足,保证初始种群具有较高的质量;最后,使用候鸟优化(MBO)算法及变邻域搜索(VNS)算法进行迭代,增强算法的全局搜索能力。采用随机生成不同规模的实例仿真,将QMBCO算法与目前较优的离散粒子群优化(DPSO)算法、MBO算法和量子布谷鸟协同搜索(QCCS)算法相比较。结果表明,在两种不同运行时间下QMBCO与DPSO、MBO、QCCS相比产生的最优解平均百分比偏差(ARPD)分别平均下降65%、34%和24%,证明了QMBCO算法的有效性和高效性。

量子衍生蜂群算法的设计与实现

为提高人工蜂群算法的优化能力,提出一种量子衍生蜂群算法。在该算法中,蜂群采用基于Bloch球面描述的量子比特编码;采用量子比特在Bloch球面上的绕转旋转实现进化搜索;采用泡利矩阵获得量子比特的Bloch坐标;通过解空间变换获得优化问题的实际解。该方法的突出优点是能够同时调整量子比特的两个参数,并自动实现两个调整量的最佳匹配。函数极值优化及水淹层识别的实验结果表明,该方法的优化能力比普通蜂群算法确有明显提高。

以磁场为控制场的量子比特系统量子态的最优制备

针对以磁场为控制场的电子自旋量子比特系统,结合量子门实现量子态幺正演化的量子态调控机制,提出了一种量子比特系统任意量子态的最优制备策略。建立了该量子比特系统及其控制场的模型,借助李群李代数,由经典最优控制的思想来获得最优控制,从而实现了电子自旋量子系统任意量子态的最优制备。理论分析与仿真实验显示了该策略的优越性。

基于改进布谷鸟搜索算法的WSN覆盖优化策略

针对传感器节点分散不均、覆盖程度低及汇聚层Sink节点冗余等问题,设计了一种双层无线传感器网络覆盖优化方法,该方法对传统布谷鸟搜索算法进行了改进。首先,在种群初始化过程中采用了量子位Bloch球面坐标,可以保持较高的多样性;其次,针对布谷鸟搜索算法的Levy飞行寻优阶段,改进候选解更新方法,随机生成每个纵向维度的新候选解;最后,基于逐维更新贪婪评价策略进行随机游动选择。通过这些改进方式提升了布谷鸟搜索算法的迭代速度和精度,避免相同维度间的干扰。实验结果表明,该改进算法与传统布谷鸟搜索算法、外推人工蜂群算法相比,传感器节点覆盖率分别提高了1.79%和9.87%,汇聚层Sink节点冗余率降低5.13%和21.28%。

一种新的量子行为衍生布谷鸟搜索算法

为提高布谷鸟搜索算法的优化能力,从研究布谷鸟算法的实现机制入手,提出一种量子行为衍生布谷鸟算法。算法中的鸟窝位置采用Bloch球面描述的量子比特编码,个体更新采用Bloch球面上的绕轴旋转方式,引入莱维飞行随机走动控制绕轴旋转角度大小,搜索范围限定到Bloch上半球,最后根据种群退化程度建立自适应发现概率。函数极值优化的仿真结果表明,该算法的单步迭代时间为普通布谷鸟算法的9倍左右,但寻优能力有明显提高,相对于其他量子进化算法也有一定程度的提升。

基于自寻优和交叉寻优的量子优化算法

为提高群智能优化算法的搜索能力,提出了一种量子优化算法。该算法基于量子位Bloch坐标,将种群分为最优个体和普通个体两部分并进行不同处理,对于最优个体,通过使所有量子比特在Bloch球面上绕着坐标轴多次旋转,生成多个新个体,并采用贪婪搜索策略选择最优个体;对于普通个体,将当前个体的量子比特向着随机交叉确定的目标位置旋转,生成新个体,并在当前个体和新个体之间通过贪婪选择以实现当前个体的交叉寻优。函数极值优化的仿真结果表明,所提算法在优化能力上,优于简单量子遗传算法、普通遗传算法和人工鱼群算法,从而验证了算法的有效性。该算法在高维能很好地避免陷入局部最优值,具有快速收敛性和良好的全局搜索能力,实验结果揭示出采用量子计算设计优化算法进而提升搜索能力的研究思路是可行的。

量子动态交叉正余弦混合并行算法的路径规划

为提高复杂环境下移动机器人路径规划的求解精度和寻优效率,提出了量子动态交叉正余弦混合并行算法。该算法采用量子位Bloch球面初始化种群,提升算法初始搜索精度与效率;嵌入动态交叉边界因子实现种群实时动态分级调整,采用混合并行分级精细策略对种群位置动态更新;引入逐维随机反向学习和退火混合搜索策略对算法个体进行扰动,以平衡算法的全局探索与局部开发能力。测试函数和路径规划实验结果表明,所提出的算法整体寻优能力优于其他算法,具有较强的稳定性和鲁棒性,可高效地解决复杂环境中的移动机器人最优路径规划问题。

量子差分进化算法及在函数极值优化中的应用研究

本文提出一种基于量子差分进化算法的识别方法。首先根据样本数据建立非线性回归模型,然后采用差分进化算法优化模型参数。方法简单直观,物理概念清楚。以函数极值优化为例进行仿真,结果表明该方法计算效率有所降低,但寻优能力明显提高,整体优化性能优于原算法。