基于混沌云量子蝙蝠CNN-GRU大坝变形智能预报方法研究

针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元,对大坝变形的时域特性进行挖掘,构建应用于大坝变形预报的深度卷积神经网络-门控循环单元大坝变形组合深度学习网络;同时,为了获取深度卷积神经网络-门控循环单元组合网络的最佳超参,引入了混沌云量子蝙蝠算法,建立了基于混沌云量子蝙蝠算法算法的深度卷积神经网络-门控循环单元组合网络超参优选方法;最后,提出了深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法大坝变形组合深度学习智能预报方法。基于实测数据开展预报研究,对比结果表明:与对比模型相比,提出的深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法预报方法取得了更精确的预报结果,混沌云量子蝙蝠算法算法用于超参优选获得了更佳的超参组合。

求解Max-Re-SAT的离散混沌量子蝙蝠算法

针对最大正则可满足性问题求解算法的研究空缺,以及提升求解最大可满足性问题的智能优化算法的精度,基于蝙蝠算法(bat algorithm,BA),提出了一种基于离散混沌量子的蝙蝠算法。在该算法中,将连续数值转化为离散的二进制编码,对算法进行了离散化处理。该研究运用量子理论、引入量子比特编码和启发式量子变异,通过量子旋转门改变非最优个体的概率振幅来实现变异,解决了早熟和收敛速度慢的问题。在位置更新中,使用混沌映射替代固定参数,增强了灵活性和多样性,提高了全局寻优能力和求解效率。实验结果表明:在随机正则可满足性问题实例产生模型产生的不同规模算例上,所提算法的求解精度远远高于传统启发式算法;同时,与获奖的求解器相比,也具有一定的竞争力,验证了该算法的有效性。

改进量子蝙蝠优化BiLSTM-KELM的电缆接头故障早期预警

为提高对电缆中间接头故障的事先预知能力,文中提出一种基于改进量子蝙蝠算法优化BiLSTM-KELM模型的电缆中间接头故障早期预警方法。首先,采集电缆及接头的表层温度、环境温度、负荷电流的时间序列数据作为驱动,建立基于双向长短时记忆网络(BiLSTM)和核极限学习机(KELM)的接头中心温度预测模型;然后,构建非线性自适应旋转角量子旋转门以改进速度和位置的更新策略,并引入量子非转门实现较差个体的量子位置变异,用于预测模型参数的优化;最后,对正常工作接头进行温度预测和残差计算,使用概率分布拟合计算故障预警的残差阈值。实验结果表明,改进后的量子蝙蝠算法可以较好地逼近全局最优解,收敛效率高;优化后BiLSTM-KELM模型的预测精度得到有效提高,故障预警时间进一步提前,电缆接头故障的早期预警效果好。

能量采集认知无线电的量子蝙蝠最优合作策略

为了减少5G网络中认知中继无线通信系统的能量消耗并提高网络的频谱利用,在无线能量采集认知中继无线电系统中设计最优合作策略。针对所提最优合作策略,推导出次用户的最大吞吐量方程和中断概率。基于量子计算和蝙蝠算法的优化机制设计的量子蝙蝠优化算法可有效求解所推导的最大吞吐量方程,同时获得能量和信息合作传输的最优方案。仿真结果表明,所设计的最优合作策略不仅可以满足主用户的信息传输需求,还可以实现次用户系统的能量自供应,并提升次用户的通信质量,针对不同的仿真场景,所提策略性能均优于已有认知中继无线电合作策略的性能。

整数规划的量子行为蝙蝠算法

蝙蝠算法是一种新型群体智能算法,传统的蝙蝠算法在解决整数规划问题时容易陷入局部最优并出现早熟收敛现象,为了解决这些弊端,提出了一种基于势阱的具有量子行为的蝙蝠算法。论述了算法的优化原理和实现方式,并通过仿真实验,与粒子群算法和量子行为粒子群算法进行性能对比。实验结果表明,量子行为蝙蝠算法不仅能够有效地解决整数规划问题,而且比其他算法具有更好的性能。

混合量子粒子群算法求解模具车间调度问题

虽然相比较粒子群算法而言,量子粒子群优化算法有着更好的性能,但其仍然面临因过早收敛而陷入局部最优的问题。因此尝试将量子粒子群算法与蝙蝠算法相混合,一方面利用蝙蝠算法中的随机游走策略来避免过早地陷入局部最优,另一方面学习蝙蝠算法中发声速度的变化方式来改变量子粒子群算法中的因子。将所提算法与粒子群优化算法和量子粒子群优化算法经过5个标准测试函数和一个实际模具车间的调度模型的仿真验证,并与粒子群算法和量子粒子群算法进行对比,仿真结果表明了该算法在求解连续型问题和离散型问题的有效性和优越性。

求解多堆垛机协同调度优化问题的量子蝙蝠算法

针对肉鸡仓储式养殖给料调度优化问题,以多堆垛机协同给料完成时间最短为优化目标,建立多堆垛机协同给料模型,并基于蝙蝠算法(BA)对其进行求解。然而,该算法存在易早熟、收敛速度慢等缺点,为此,借用量子理论,引入启发式量子变异,提出量子蝙蝠算法(QBA),主要通过对非最优个体采用量子旋转门策略及自适应调整旋转角机制实现变异,从而增加了种群多样性,提高了全局寻优能力及求解效率。最后,通过仿真实例验证了该算法的有效性。