多宇宙并行量子遗传算法

提出了一种多宇宙并行量子遗传算法,并从理论上证明了算法的全局收敛性.算法中将所有的个体按照一定的拓扑结构分成一个个独立的子群体,称为宇宙;采用多状态基因量子比特编码方式来表达宇宙中的个体;采用通用的量子旋转门策略和动态调整旋转角机制对个体进行演化;采用量子非门实现量子变异以阻止早熟收敛;各宇宙独立演化,宇宙之间采用最佳移民和量子交叉操作来交换信息,提高算法的执行效率.将该算法与独立分量分析算法相结合,提出一种盲源分离新方法.仿真结果表明:新方法比采用常规遗传算法和量子遗传算法的盲源分离方法具有明显的高效性.     

基于多宇宙量子算法的图像融合处理

针对图像融合中量子算法存在的缺点,提出多宇宙并行算法。首先通过量子比特编码来确定宇宙中的个体;接着把量子群分成若干个独立的宇宙,宇宙内部为并行拓朴结构,采用量子旋转门更新量子宇宙个体,通过自适应比例产生不同压力来对量子宇宙之间进行信息交换;最后对图像融合处理包括高、低频部分以及评价指标的建立。实验结果表明本文算法融合结果清晰、处理速度快。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于量子克隆多宇宙算法的图像融合研究

针对量子化算法对图像融合的缺点,提出量子克隆多宇宙算法。首先对量子克隆、变异和选择变换获得新的量子群,然后将宇宙各自独立化并且内部为并行拓朴结构,采用量子旋转门更新量子宇宙个体,宇宙之间联合交叉,实现信息的交流,最后给出了图像融合流程。实验结果表明,该方法能够更加有效、准确地融合图像中的特征,是一种有效可行的图像处理算法。     

基于多宇宙并行量子遗传算法的非线性盲源分离算法研究

在系统分析非线性盲源分离模型和算法的基础上,提出了基于输出信号联合累积量的非线性盲 源分离算法,并提出采用多宇宙并行量子遗传算法的优化求解方法,仿真结果表明了算法的有效性。     

基于球面多区域划分的并行量子遗传算法

论文提出一种基于球面解空间划分的量子遗传算法,引入多区域并行搜索的机制,制定了群间的染色体置换策略,设计了新的量子变异操作,并以种群退化的程度来确定变异的概率。通过理论分析证明了该算法能够以概率1收敛到全局最优解。在组合优化和连续优化问题的实验中,该算法能够以较快的速率收敛到目标值,收敛过程相对平稳,降低了早熟现象产生的概率,表现出了良好的性能。     

基于多种群并行遗传算法的融合定位

多观测系统融合定位可以提高对目标位置的估计精确度,但如何提高信息融合效率目前没有得到较好的解决。针对此问题,提出一种基于多种群协同进化的分布式并行遗传算法。该算法将子观测系统转变为多个独立并行进化的子种群,通过设定离散适应度函数,使子种群收敛于一个最优值区域,通过个体的迁移操作为目标种群提供更多的测量信息进行融合,有效提高融合估计精确度。仿真结果表明,对比于集中式融合遗传算法和分布式并行Chan融合算法,本文所提算法信息融合效果较好,定位精确度更高。     

基于遗传算法的多传感器数据融合

文章给出了一个新的应用遗传算法技术的分级多传感器数据融合算法，各个传感器信息之间的关系用一种较新的模糊算子确定，与传统的集合论的并、交操作相比，它能更好地模仿人的推理。此外，遗传处法能近似最优地确定模糊算子的参数，使算法在信息源的可靠性，信息的冗余度／互补性以及进行融合的分级结构不确定的情况下，以近似最优的方式对传感器数据进行融合。     

多传感器图像融合系统设计

为了实时获取场景的全面信息,本文采用图像融合技术,提出了基于FPGA的电视、红外、微光电视三路图像融合硬件实时系统设计方案,解决了成像光路、图像配准、处理系统及融合算法等关键技术,强化了图像中的有用信息,增强光谱信息含量。所设计的实时硬件系统平台可较为全面的输出场景图像信息。     

基于线性融合模型的多传感器图像融合

本文提出了一种新的基于小波变换的多传感器图像融合算法,在线性融合模型中引入了传感器噪声项,算法首先给出了基于期望融合图像局部方差最大的多传感器融合系数估计方法,然后利用多传感器图像和融合系数估计期望融合图像.最后的实验结果表明了本文图像融合方法具有明显的噪声抑制能力,能够得到更好的融合效果.     

基于Voronoi图和量子遗传算法的飞行器航迹规划方法

以飞行器航迹规划为应用背景,提出一种基于Voronoi图和量子遗传算法的飞行器航迹规划方法。首先,建立威胁源的V图,并构建发射点、目标点与威胁源的V图赋权有向图,从而建立飞行器航迹规划V图空间;然后,对传统量子遗传算法进行改进,引入了量子门旋转角步长动态调整机制;并增加了量子交叉操作和量子变异操作,使得改进后的量子遗传算法具有更高的搜索效率,采用改进后的量子遗传算法求解V图空间中的最优航迹;最后,进行了仿真实验。仿真结果表明,基于V图和量子遗传算法的航路规划方法是可行和有效的。     

一种有效的基于并行量子进化算法的图像边缘检测方法

本文基于费用函数最小化方法,提出一种混合并行量子进化算法用于文本图像的边缘检测。量子进化算法是一种基于量予计算的概念和理论(诸如量子比特和量子叠加态)的进化算法,它采用了量子编码来表征染色体,由于量子比特的概率表示,能够表示出解的线性叠加状态。此外,量子进化算法具有收敛快和好的全局搜索特性,因此它比传统的进化算法更适于并行结构的实现。我们将这一算法和局部搜索算法相结合,用于图像的边缘检测问题,得到了令人满意的检测效果,并对噪声有较好的抑制作用。     

一种基于遗传算法的多传感器目标分配方法

针对目前海上平台多传感器目标分配在信息融合中存在目标优先级函数构建因素没有具体量化的问题,提出一种利用目标战术重要性函数量化求解目标优先级的方法,从最大信息增益准则出发,通过合理转化并利用约束条件,建立一种基于遗传算法的多传感器优化分配模型。仿真结果表明,该算法稳定性强、收敛速度快,多传感器优化分配模型具有可行性。     

基于多层竞争的高效并行遗传算法

借鉴生态进化中普遍存在的竞争现象,本文提出了一种基于多层竞争的并行遗传算法(GAMLC,geneticalgorithm based On multi-level competition).仿真结果表明,该算法能较好地解决遗传算法中的早熟现象及收敛速度慢的问题,提高了搜索到全局最优解的概率.     

一种解决组合优化问题的量子遗传算法QGA

本文在量子变异的基础上,提出了一种解决组合优化问题的量子遗传算法QGA,它融合了遗传量子算法GQA和经典遗传算法的优点,只用一个个体就可在很短的时间内搜索到最优解,并针对一个典型的组合优化问题——0/1背包问题进行了对比实验,实验结果表明本文所提出的量子遗传算法QGA优于传统遗传算法和遗传量子算法GQA.     

一种基于改进量子遗传算法的飞行状态规则提取方法

针对基本遗传算法(GA)和量子搜索算法(QA)的不足,提出改进量子遗传算法(BQGA),通过测试函数测试,其收敛精度明显优于传统算法.以飞行状态特征参数为研究对象,利用改进的量子遗传算法进行组合寻优,获得飞行状态识别的产生式规则.仿真实验表明,该方法得到的规则简洁、正确、有效.