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.     

基于量子并行粒子群优化算法的分数阶混沌系统参数估计

分数阶混沌系统参数估计的本质是多维参数优化问题, 其对于实现分数阶混沌控制与同步至关重要. 提出一种基于量子并行特性的粒子群优化新算法, 用于解决分数阶混沌的系统参数估计问题. 利用量子计算的并行特性, 设计出了一种新的量子编码, 使每代运算的可计算次数呈指数增加. 在此基础上, 构建了由量子当前旋转角、个体最优旋转角和全局最优旋转角共同组成的粒子演化方程, 以约束粒子在量子空间中的运动行为, 使算法的搜索能力得到了较大提高. 以分数阶Lorenz混沌系统和分数阶Chen混沌系统的参数估计为例, 进行了未知参数估计的数值仿真, 结果显示本算法具有良好的有效性、鲁棒性和通用性.     

基于改进量子粒子群的分布式并行计算框架设计

为了实现用户任务在大规模计算机集群上进行高效地处理,并克服现有并行计算框架通用性不强的缺点,提出了一种基于改进量子群算法和Map-Reduce模型的通用并行计算框架;首先,对经典的Map-Reduce分布式并行计算框架以及并行计算流程进行了具体描述;然后,基于改进的量子粒子群算法设计了改进的Map-Reduce模型,在Map阶段通过多种群并行搜索并计算所有粒子适应度,在Shuffle和Sort 阶段实现粒子的排序和种群的重新划分,然后在Reduce阶段更新控制系数和粒子位置,当最优解不变时,通过混沌扰动对其进行扰动;仿真实验表明同,文中设计的基于改进量子粒子群算法和Map-Reduce模型能高效地执行任务,较传统的Map-Reduce模型具有较少的执行时间,具有很强的可行性,是一种有效的通用并行计算模型。     

基于尺度不变特征变换和区域互信息优化的多源遥感图像配准

为了进一步提高遥感图像配准精度, 提出了尺度不变特征变换(SIFT)结合区域互信息优化的遥感图像配准方法. 首先利用混沌序列的随机性和遍历性, 提出一种混沌量子粒子群优化(CQPSO)算法, 在量子粒子群优化(QPSO)算法迭代陷入早熟收敛时, 采用一种新的机理引入混沌序列, 进化粒子克服早熟. 图像配准算法分为预配准和精配准两个过程. 基于SIFT算法提取特征点, 经匹配和有效地外点排除完成预配准, 然后对匹配特征点坐标进行亚像素级微调, 通过最小二乘法求得一系列匹配参数构造初始粒子群, 最后利用混沌量子粒子群优化区域互信息完成精配准, 得到最优匹配参数. 用一些标准测试函数对所提出的CQPSO和QPSO及粒子群优化(PSO)算法进行了实验比较, 另外, 对SIFT, SIFT结合PSO算法优化区域互信息, SIFT结合QPSO算法优化区域互信息和SIFT结合CQPSO算法优化区域互信息(SRC)等四种算法进行了不同分辨率遥感图像配准实验比较和不同时相遥感图像配准实验比较, 实验结果验证了所提出的CQPSO算法的优越性和SRC配准方法的有效性.     

基于改进量子粒子群和主动PI模型的自适应无线传感器网络拥塞控制算法设计

针对无线传感器网络中路由节点需要转发大量数据导致网络拥塞,从而引起节点丢包率高和网络吞吐率过低的问题,提出了一种基于主动PI模型和改进量子粒子群优化算法的拥塞控制方法;首先定义了丢包率和队列长度计算方式;设计了改进的PI主动队列管理模型,然后,为了改进PI模型的控制效果,采用改进的量子粒子群算法对PI主动队列管理模型中的比例系数和积分系数kP和kI进行参数优化,从而得到能实现WSN自适应控制的主动PI控制模型;最后,对基于量子粒子群算法和PI主动队列模型的网络拥塞算法进行了描述和说明;仿真实验表明:文中提出的拥戴控制方法能有效实现WSN拥塞控制,是一种适用于WSN的有效拥塞控制方法,与其它方法相比,具有较短的平均队列长度和较大的网络吞吐率,具有很强的可行性。     

基于量子粒子群算法的自适应随机共振方法研究

为提升随机共振理论在微弱信号检测领域中的实用性,以随机共振系统参数为研究对象,提出了基于量子粒子群算法的自适应随机共振方法.首先将自适应随机共振问题转化为多参数并行寻优问题,然后分别在Langevin系统和Duffing振子系统下进行仿真实验.在Langevin系统中,将量子粒子群算法和描点法进行了寻优结果对比;在Duffing振子系统中,Duffing振子系统的寻优结果则直接与Langevin系统的寻优结果进行了对比.实验结果表明:在寻优结果和寻优效率上,基于量子粒子群算法的自适应随机共振方法要明显高于描点法;在相同条件下,Duffing振子系统的寻优结果要优于Langevin系统的寻优结果;在两种系统下,输入信号信噪比越低就越能体现出量子粒子群算法的优越性.最后还对随机共振系统参数的寻优结果进行了规律性总结.     

量子粒子群优化算法的收敛性分析及控制参数研究

通过分析粒子群优化算法的特点,将粒子放在量子空间来描述,建立粒子的量子势能场模型,并结合群体的群集性推导了量子粒子群优化(QPSO)算法.在随机算法全局收敛定理的框架下,讨论了QPSO算法的收敛性,证明QPSO算法是一种全局收敛的算法.针对QPSO算法的唯一控制参数,提出了三种控制策略,结合标准测试函数的仿真结果给出了具有实际指导意义的控制参数选择方法.     

膜量子蜂群优化的多目标频谱分配

为了解决认知无线电系统中最大和网络效益和用户间公平性联合最优化的多目标频谱分配难题,基于量子蜂群理论和膜计算,提出了一种新的离散多目标组合优化算法—–膜量子蜂群优化.所提算法在基础膜可以搜索到单个目标的全局最优解,在表层膜获得兼顾网络效益和公平的Pareto前端解.通过膜间的通信规则、量子觅食行为的协同演进和非支配解排序可获得能同时求解单目标和多目标优化问题的多目标优化算法,并与经典的敏感图论着色算法、遗传算法、量子遗传算法和粒子群算法等频谱分配算法在不同的目标函数下进行仿真性能比较.仿真结果表明:在不同网络效益函数下所提的膜量子蜂群频谱分配算法都能够较好地找到单目标最优解,优于经典的频谱分配算法和已有的智能频谱分配算法,还可获得多目标频谱分配的Pareto前端最优解集.     

基于改进量子PSO算法的可约束车辆路径优化

为了求解有能力约束的车辆路径优化问题,提出了用于可约束车辆路径优化的改进量子PSO算法。首先给出了车辆路径的数学模型,介绍了粒子群算法;然后提出了改进量子粒子群算法,该算法采用了2-opt,1-1交换等局部优化算法那进行线路内和线路间的优化,引入种群熵算法的方法来衡量算法那是否陷入局部最优,采用灾变的操作保证解得多样性,并给出了该算法用于求解车辆路径的有关问题的具体方法;通过与别的算法的比较并结合仿真实验,有效地说明了该算法的可行性和有效性。     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10-9~10-7%之间,其拟合性能明显优于常规方法。     

基于量子粒子群算法的混沌系统参数辨识

针对混沌系统参数辨识问题, 在基本群智能算法粒子群优化算法的基础上, 提出量子粒子群算法, 测试函数证明了算法具有良好的全局优化能力. 进而将其应用于混沌系统参数辨识问题, 将参数辨识问题转化为多维函数空间上的优化问题. 通过对平衡板热对流典型混沌系统Lorenz系统进行研究, 并与基本算法和遗传算法比较. 仿真实验证明, 算法的有效性, 对混沌理论的发展有着非常重要的意义. 关键词： 量子粒子群算法 混沌系统 系统辨识     

基于混合群智能优化算法的混沌系统参数估计

混沌系统的未知系统参数估计是实现混沌控制和同步的首要问题,通过构造一个合理的适应度函数,可将其转化为一个多维搜索空间的优化问题.提出一种融合改进骨干粒子群算法与改进差分进化算法的混合群智能优化方法来解决上述优化问题.对骨干粒子群算法中的粒子位置更新机制以及差分进化算法中的变异操作、交叉操作、交叉概率因子的设计等进行改进,有效兼顾了种群的多样性与算法的收敛性.在此基础上,讨论骨干粒子群优化算法与差分进化的融合优化策略,实现两个算法的协同进化,进一步提高算法的综合优化性能.用6个基准测试函数以及Lorenz混沌系统为例进行仿真实验,结果表明该方法具有全局寻优能力强、收敛速度快、搜索精度高、稳健性好等优点.     

基于粒子群优化算法的自适应图像分割方法

提出了一种基于粒子群优化算法的图像分割新方法。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短了寻找阈值的时间。将PSO用于基于改进的最佳加权熵阈值法的图像分割中,试验结果表明,该方法不仅能够避免陷入局部极值,而且其速度得到了明显的改善,是一种有效的图像分割新方法。     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

基于量子粒子群优化的正交小波加权多模盲均衡算法

针对常数模盲均衡算法(CMA)均衡高阶正交振幅调制信号(QAM)存在收敛速度慢、稳态误差大的缺点, 提出了基于量子粒子群优化的正交小波加权多模盲均衡算法(QPSO-WTWMMA). 该算法根据高阶QAM信号星座图分布特点, 将量子粒子群优化算法(QPSO) 和正交小波变换融入于加权多模盲均衡算法(WMMA)中. 因而, 利用QPSO对均衡器权向量进行了优化, 利用正交小波变换降低了输入信号的自相关性, 利用WMMA选择了合适的误差模型匹配QAM星座图. 理论分析及水声信道仿真结果表明, QPSO-WTWMMA算法可以获得更快的收敛速度和更低的稳态误差, 在水声通信中具有重要的参考价值.     

光量子体系下基于粒子群算法的LED植物照明光源设计

在现代农业生产中,常采用发光二极管(LED)作为植物照明光源对农业作物进行补光,为提高LED植物照明阵列光源的均匀度,本文在光量子体系下,提出一种新的基于粒子群算法的LED植物照明阵列光源设计方法。通过MATLAB对红蓝光LED植物光源阵列进行数学建模,运用粒子群算法寻找高均匀度条件下的红蓝光LED坐标,设计出二维情况下的红蓝光LED排布阵列;在三维情况下,为解决维度升高时可能会导致的求解陷入局部极小问题,采用改进的随机惯性权粒子群算法进行三维方案设计,并使用Tracepro对两种设计方案进行验证,与传统的红蓝光LED等间距逐行排列设计进行了对比。研究结果表明,与常见逐行排列LED阵列设计达到的光量子通量密度(PPFD)均匀度为79.6%相比,通过粒子群算法寻优的设计方法,二维设计方案的PPFD均匀度达到88.7%,较等间距逐行排列设计提高了9.1%;三维设计方案的PPFD均匀度达到92.6%,较二维设计方案提高了3.9%,较等间距逐行排列设计提高了13%。本实验证明了运用粒子群算法在二维和三维空间进行LED植物照明阵列光源设计的可行性,在简易设计流程的同时,提高了工作效率。