基于量子遗传算法的传感器节点优化部署方法

无线传感器节点的部署在无线传感网络中起着重要的作用,节点的部署优化与否关系到整个网络的生命周期。为了能通过节点部署扩大传感区域的覆盖程度,提出了量子遗传算法,该算法用量子比特编码来表示染色体,用量子旋转门和量子非门来实现染色体的更新,从而实现对目标问题的优化求解。仿真结果表明,该方法用于传感器节点优化部署是可行的。

计及环境成本的电力系统负荷分配优化模型

燃煤机组发电时排放大量的CO_2等气体对环境造成一定的负外部性。通过引入气体排放的环境成本,将煤耗经济性与其环境成本有机结合后构建了满足节能减排要求的负荷分配优化模型,借助量子遗传算法对该模型进行了有效求解,并以某电力系统一典型日为例加以分析,同时探讨了部分机组加装脱硫脱硝装置后系统负荷分配变化情况。结果表明:该负荷分配优化模型能有效兼顾节能减排目标,并有助于激发燃煤电厂采取诸如加装脱硫脱硝装置等减排技术的积极性。

地球物理资料非线性反演方法讲座(八)——量子遗传算法

虽然线性反演理论目前已经相当成熟,但由于其方法本身比较依赖初始模型,而且容易陷入局部极小,在实际应用中常常显得"力不从心"。量子遗传算法QGA(Quantum Genetic Algorithm)以量子理论为基础,通过量子位编码和量子旋转门更新种群来寻找全局最优,加快了搜索速度,具有更强的全局寻优能力。通过对量子遗传算法内在机理的分析表明,QGA的寻优质量和效果明显优于传统遗传算法。

基于改进遗传算法的量子可逆电路综合

针对可逆电路到量子电路的有效映射问题,提出了带禁忌表的大变异自适应遗传算法,用于量子可逆电路的综合。选取量子非门、控制非门、控制V门与控制V+门(NCV)构成量子门库,建立了量子电路计算模型。采用二进制串行编码方案,设计了适应度函数、进化算子及优化规则,实现了带禁忌表大变异自适应遗传算法的量子可逆电路综合,并用Revlib电路库进行了测试。结果表明该综合方法能同时得到多个功能解,且所生成电路的量子代价优于库中电路,验证了提出算法用于量子可逆电路综合的正确性和有效性。

基于量子遗传算法的染缸排产问题研究

根据染缸排产过程中产品种类多、加工设备多、批量小、调度复杂等特性,建立染缸排产调度模型,提出一种新的并单、拆单方法,用于问题预处理,并采用量子遗传算法加以求解。仿真实验结果表明,该方法对于求解染缸排产问题简单有效,且采用量子遗传算法的求解结果优于传统遗传算法,能够有效减少企业生产成本。

自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障

为了解决传统最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)在故障诊断中容易出现因参数选择不当而影响诊断效果的问题,该文提出了一种基于量子遗传算法(quantum genetic algorithm,QGA)的自适应最大相关峭度反褶积方法(maximum correlated kurtosis deconvolution with quantum genetic algorithm,QMCKD)用于齿轮和轴承复合故障诊断。通过量子遗传算法自适应选择最大相关峭度反褶积的2个关键参数滤波器长度(L)和反褶积周期(T)。使用QMCKD处理原始振动信号,提取复合故障信号中的所有单个故障信号,分别对单个故障信号进行频谱分析从而识别故障特征。在对齿面磨损-滚动轴承外圈损伤复合故障诊断中,QMCKD能够识别齿轮故障频率及其2~4倍频,识别轴承故障频率及其2~6倍频,且主要频率成分周围干扰谱线很少,故障类型容易识别。与直接频谱分析和变分模态分解(variational mode decomposition,VMD)相比,该方法在诊断效果上具有优越性。在对齿根裂纹-轴承滚动体损伤复合故障诊断中,QMCKD能够突出齿轮故障频率及其2~5倍频,突出轴承故障频率及其2~8倍频,齿轮和轴承故障特征明显,验证了方法的稳定性。试验结果表明QMCKD能够有效识别复合故障中齿轮和轴承的故障特征,可用于齿轮箱的齿轮、轴承复合故障诊断。

改进QGA在WSNs节点部署中的应用

对含有障碍区域的无线传感器网络(WSNs)节点部署问题进行研究。建立节点探测模型和网络覆盖率评价方法,基于概率传感器模型提出一种部署方式,即对障碍区域进行随机布撒节点,确定区域采用量子遗传算法(QGA)寻找最优节点部署位置,实现对同构WSNs节点构成的目标区域的高效覆盖。仿真结果与GA,QGA相比:改进QGA有效提高了算法整体的搜索能力和收敛速度。

基于QPSO算法的信道分配方法

由于传统的信道分配方法存在频率利用率低下和处理速度慢的缺点,为此,提出基于量子计算的PSO算法(QPSO)来快速实现信道最优化分配方法。这种优化方法利用了量子计算的并行计算能力强、全局收敛、运算速度极快等特点,主要包括初始化代表每个信道的粒子的速度和位置,根据信道分配的数学模型计算保证信道各种约束条件的适应度函数,根据量子粒子群的规律进行粒子位置更新,直至找到最佳信道分配方案等步骤。仿真结果表明其方法是行之有效的,优化效果优于基于遗传算法和PSO算法的信道分配方法。