Quantum-Inspired Particle Swarm Optimization Algorithm Encoded by Probability Amplitudes of Multi-Qubits

To enhance the optimization ability of particle swarm algorithm, a novel quantum-inspired particle swarm optimization algorithm is proposed. In this method, the particles are encoded by the probability amplitudes of the basic states of the multi-qubits system. The rotation angles of multi-qubits are determined based on the local optimum particle and the global optimal particle, and the multi-qubits rotation gates are employed to update the particles. At each of iteration, updating any qubit can lead to updating all probability amplitudes of the corresponding particle. The experimental results of some benchmark functions optimization show that, although its single step iteration consumes long time, the optimization ability of the proposed method is significantly higher than other similar algorithms.

Quantum control based on three forms of Lyapunov functions

This paper introduces the quantum control of Lyapunov functions based on the state distance, the mean of imaginary quantities and state errors.In this paper, the specific control laws under the three forms are given.Stability is analyzed by the La Salle invariance principle and the numerical simulation is carried out in a 2D test system.The calculation process for the Lyapunov function is based on a combination of the average of virtual mechanical quantities, the particle swarm algorithm and a simulated annealing algorithm.Finally, a unified form of the control laws under the three forms is given.

钻孔瞬变电磁法扫描探测RCQPSO-LMO组合算法2.5D反演

利用钻孔进行超前探测地质构造及含水体是地下开挖工程中的常规手段,如何利用这些钻孔进行钻孔瞬变电磁法扫描探测,从而实现钻孔孔壁外围地质异常体的精细探测,对实现地下工程地质透明化具有重要的指导意义.本文提出钻孔瞬变电磁法扫描探测2.5D反演的数据解译方法,首先针对随机性反演算法时效性低,易陷入局部最优解,而确定性反演算法依赖初始模型的问题,提出了组合策略的量子粒子群优化算法用来随机搜索最优初始模型.在此基础上,利用Levenberg-Marquarat方法求解Occam反演的目标函数,形成了RCQPSO-LMO组合算法进行2.5D反演,通过对比组合算法和单一算法,验证了组合算法具有更精确的反演结果.其次结合屏蔽条件下扫描探测,对比分析了有无屏蔽的2.5D反演结果,通过设定屏蔽系数对非探测方向信号进行部分压制,可以较好地解决钻孔径向扫描探测中对非探测方向信号部分屏蔽下的反演及成像.最后建立三组理论模型进行组合算法2.5D反演,结果表明:组合算法反演结果与理论模型的一致性较好,对低阻异常体的反演精度较高,验证了组合算法对钻孔孔壁外围低阻异常体具有较高的反演精度和分辨能力.

多场景下基于AHP-EWM的人体健康状态评估模型研究

为解决人体健康评估方法个性化监测不足的问题以及在满足不同场景下健康状态精细化评估的需求,需要一种基于多场景的人体健康状态评估方法来实现长期自动化监测。提出一种基于层次分析法(AHP)和熵权法(EWM)组合的多场景人体健康状态评估模型。首先采集人体在运动、休息、工作/学习和娱乐等4种不同场景下的健康监测指标数据,构建相应的评估指标体系。然后分别根据评估指标计算出AHP和EWM权重,再采用量子粒子群优化(QPSO)算法对AHP和EWM中的主客观权重进行分配,以确保评价指标占比的客观性。最后通过模糊综合评价法对人体健康状态进行评估和量化,并利用实际监测数据对方法的可靠性和稳定性进行验证。实验结果表明,在4种场景下所提方法的综合得分分别为63.78、59.83、58.71和59.21,表明在不同场景下该模型都具有较好的准确性和稳定性。根据评估结果,对测试者的身体状态评价结果进行分析,并给出一些健康建议。所提模型可全面了解人体在不同场景下的健康状况,并为人们提供科学的健康指导,从而为健康管理和疾病预防提供科学依据。

A novel mapping algorithm for three-dimensional network on chip based on quantum-behaved particle swarm optimization

Mapping of three-dimensional network on chip is a key problem in the research of three-dimensional network on chip. The quality of the mapping algorithm used di- rectly affects the communication efficiency between IP cores and plays an important role in the optimization of power consumption and throughput of the whole chip. In this paper, ba- sic concepts and related work of three-dimensional network on chip are introduced. Quantum-behaved particle swarm op- timization algorithm is applied to the mapping problem of three-dimensional network on chip for the first time. Sim- ulation results show that the mapping algorithm based on quantum-behaved particle swarm algorithm has faster con- vergence speed with much better optimization performance compared with the mapping algorithm based on particle swarm algorithm. It also can effectively reduce the power consumption of mapping of three-dimensional network on chip.

基于随机增强量子粒子群算法的弹性波数值模拟

在本文中,我们提出了一种随机增强量子粒子群优化算法,并基于该随机增强量子粒子群算法提出了一种新的有限差分格式。随机增强量子粒子群优化算法具有明显的收敛速度优势,可以在第200代内收敛。在相同条件下,未改进的量子粒子群算法的收敛速度远低于随机增强量子粒子群算法。数值频散分析表明,基于随机增强量子粒子群算法的优化有限差分格式具有更大的频谱覆盖范围并将精度误差控制在了有效范围之内,这意味着随机增强量子粒子群算法具有更好的搜索全局精确解的能力。最后,采用基于随机增强量子粒子群算法的优化有限差分格式对弹性波动方程进行数值模拟。数值模拟结果表明,基于随机增强量子粒子群算法的优化有限差分格式能有效压制数值频散。

计及不确定性的随机暂态稳定约束最优潮流

为应对电力系统中不确定性对系统安全稳定造成的显著影响,提出一种计及不确定性的随机暂态稳定约束最优潮流方法。首先,采用威布尔和正态分布分别描述风电和负荷两种不确定性变量。其次,设置相应的置信水平,基于机会约束理论建立相应的概率约束,以期望值形式表达目标函数,从而建立计及不确定性的随机暂态稳定约束最优潮流模型。然后,通过半不变量法和Gram-Charlier级数求取电力系统输出变量的累积分布函数,并利用改进量子粒子群算法进行求解。最后,算例分析验证了所提方法的优越性和有效性。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于IQPSO-GA优化ANFIS模型的服务器故障预警方法

针对服务器底层部分业务类硬件故障对系统稳定运行的影响,提出一种改进的量子行为粒子群优化(IQPSO)与遗传算法(GA)相结合的混合元启发式优化算法对自适应神经模糊推理系统(ANFIS)参数进行训练,以获得更准确的ANFIS规则进行硬件故障预警的方法;首先,通过分析服务器业务与硬件相关参数之间的映射关系,通过采集的数据集对ANFIS模型进行训练构造预测模型;其次,考虑ANFIS在梯度计算过程中存在容易陷入局部最优值的问题,设计了一种IQPSO算法结合GA中的交叉和变异算子操作混合元启发算法全局搜索ANFIS规则参数;最后,通过一组后处理样本数据集对所提方法有效性和稳定性进行了检验;实验结果表明,该方法可有效预警服务器硬件故障,基于所提混合元启发优化算法获得的ANFIS模型具备更快的收敛速度和更高的全局搜索精度,与传统ANFIS模型相比泛化精度提高了47%以上。

基于改进量子粒子群优化算法的机器人逆运动学求解

针对工业机器人在逆运动学求解过程中存在的位姿奇异、解不唯一、求解精度低等问题,提出了一种改进量子粒子群算法。首先,利用D-H参数法建立机器人运动学模型,以机械臂末端最小位姿误差为主要优化目标,加入运动前后关节角变化最小、行程平稳连续的约束条件,设计了目标函数;其次,通过采用Levy飞行策略改进粒子更新方式、非线性地动态调整收缩膨胀因子、采用变权重方法计算最优平均位置等方法设计了一种改进量子粒子群优化(IQPSO)算法;然后,模拟单点位姿和连续轨迹两种不同的求解情况进行三种算法(IQPSO、APSO、QPSO)的仿真对比实验,结果表明IQPSO算法具有收敛速度快、求解精度高等优点;最后,将IQPSO算法用于机械臂本体进行实物验证,实验结果表明IQPSO算法求解出的插值点所组成的轨迹连续且平滑,进一步证明了该算法应用于实际运动控制中的稳定性和可行性。

考虑安全性风险的电热氢系统优化配置方法

电热氢系统作为一种高效的综合能源供用系统受到广泛关注。然而,氢气的燃爆特性导致了其面临着安全性挑战。为此,提出了考虑安全性风险的电热氢系统优化配置方法。首先,分析电热氢系统的安全性,对电解槽和燃料电池的工作范围和工作温度进行约束;然后,基于氢气的非理想气体压强公式对储氢罐压强进行更为准确地约束,并基于TNT当量法量化了储氢罐的安全性风险;最后,通过安全风险系数,将储氢罐的安全风险折算进目标函数中,建立了以系统投资成本、运行成本和安全性风险为优化目标的电热氢系统优化配置模型,并利用禁忌混沌量子粒子群算法进行求解。算例结果表明,在考虑安全性风险的情况下,通过合理的容量设计,可以在提高系统经济性的同时有效降低系统安全风险,进而验证了该优化设计方法的有效性。

基于QPSO LSTM模型的锂电池剩余容量预测

为克服锂离子电池容量预测精度低的问题,提出了一种量子粒子群改进长短期记忆神经网络(QPSO LSTM)的电池容量预测技术。分析了量子粒子群改进(QPSO)和长短期记忆神经网络(LSTM)算法的基本原理,利用QPSO算法对LSTM模型神经元个数、学习率等主要超参数进行寻优,解决长时序数据预测精度差和预测模型超参数难以确定的问题,构建了QPSO LSTM模型。最后,以NASA电池为分析对象,分别采用QPSO LSTM、PSO LSTM、LSTM和GA BP这4种预测模型对2种不同型号的电池进行剩余容量预测,预测结果表明,QPSO LSTM模型预测精度高,误差在1.5%范围内,为电池剩余容量的预测提供了一种有效的方法。

改进麻雀算法的无人机三维路径规划

为解决无人机在三维环境下的路径规划问题,通过麻雀搜索算法研究了路径规划方法。传统的麻雀搜索算法求解该问题时存在易陷入局部最优、收敛精度低等问题,针对该问题提出改进方法。首先,对种群中的发现者加入动态权重因子,使其能够提高局部搜索能力,同时提高收敛速度,同时引入高斯变异;追随者采用量子粒子群生成新解的方式;并且加入额外的柯西变异进行扰动,柯西变异的扰动幅度较小,可以增强局部搜索能力。通过仿真实验,算法改进后分别与麻雀算法以及其他改进的麻雀算法进行对比,结果表明该算法收敛速度更快,求解精度更高,证明了该算法的有效性和可行性,可见在无人机三维路径规划中具有很大的发展前景。

采用改进量子粒子群优化算法的虚拟电厂参与二次调频两阶段优化

虚拟电厂(virtual power plant,VPP)作为一种新型区域能源管理系统,可通过“源—荷—储”的协调优化调度,高效参与电网二次调频辅助服务。介绍虚拟电厂内部结构,建模分析新能源机组及可控负荷特性;搭建虚拟电厂参与二次调频两阶段调度模型,该模型能够兼顾二次调频净利润及调频效果;研究一种自适应权重的改进量子粒子群优化(quantum particle swarm optimization,QPSO)算法,通过引入自适应权重机制,在量子粒子更新过程中动态调整权重参数以提高算法的搜索能力和收敛速度;并将改进算法应用于两阶段优化过程中,使虚拟电厂获得更高的二次调频净利润及更好的调频效果;仿真结果表明,所提改进算法的收敛速度更快且全局寻优能力更强。

基于改进量子粒子群算法的叶片延长翼型厚度优化设计

针对如何平衡载荷与升阻比以优化翼型厚度的问题,采用一种改进量子粒子群算法(IQPSO)对翼型厚度进行计算优化,以国产某2 MW风机为例,通过对延长前后的叶尖速比、风能利用率、叶根载荷、升阻比、功率以及发电量等试验数据对比分析来验证所采用的方法。验证结果显示,叶片延长后,优化翼型厚度为15%。同时,在升阻比平均提高约3.156%的基础上,叶根增加载荷水平在Mx、My、Mz方向上最多分别提高了12.3%、12.7%、12.5%,且均在安全范围13%内,发电量相较于历史水平提升34.71%。从而表明通过采用IQPOS进行叶片翼型厚度优化后,在满足叶片承受载荷的前提下,能够显著提高升阻比,可实现风力发电机的性能提升,达到稳定提高发电量的目的。

基于QPSO改进LSTM发动机怠速预测的FPID控制

以北京现代伊兰特G4GD发动机为试验台,将电控系统故障作为实验变量,测得规定时间内双传感器组合发生故障时的发动机怠速,并选原车ECU较难控制的6种组合怠速故障进行分析。基于量子粒子群算法(QPSO)对长短时记忆神经网络(LSTM)隐含层节点、训练次数与学习率进行寻优预测,将预测结果与多种神经网络进行对比,并通过均方根误差(RMSE)评价指标进行判断。使用Origin数据拟合将预测输出结果进行数值拟合,之后输入Matlab中使用Simulink搭建控制单元模型,由模糊常量-积分-微分(FPID)控制器对输出结果进行怠速控制。结果表明:基于量子粒子群算法改进的长短时记忆神经网络预测效果最好;模糊常量-积分-微分控制器对怠速的控制可有效缩短电子控制单元(ECU)的控制时间,无超调,且可有效调节至规定怠速。

基于VMD的电力系统一次调频混合储能系统容量优化研究

将功率型储能和能量型储能组成混合储能系统,可大幅提升储能系统的对外出力。为充分利用混合储能参与风电场一次调频的优势并考虑经济性因素,提出一种基于变分模态的混合储能容量优化配置方法。首先,以最大化混合储能系统净效益为目标,建立数学模型;接下来,使用变分模态分解将目标信号分解为高频功率需求和低频功率需求;最后,以东北某100 MW风电场为研究实例,取一个典型日的目标功率数据为基础,考虑储能充放电功率和荷电状态等约束条件,使用量子粒子群算法对目标模型进行求解。结果表明,经过优化的储能配置方案可以有效提高混合储能辅助风电场一次调频的经济性。

适用于分布式馈线终端的量子技术应用及实现

针对配电网分布式馈线传输工作负荷较大,导致整个配电网的稳定与安全的不确定度增多的问题,设计一种适用于分布式馈线终端的量子技术应用系统,实现对配电网分布式馈线终端的故障定位。利用基于量子技术的粒子群算法技术,引入自然选择的淘汰机理,进一步提高算法的收敛速度与定位的准确性;引入采集平稳度和预测误差率对系统进行评价。试验结果表明,系统二次防误的精准度高达九成以上,为下一步研究奠定基础。