自适应与合作的具有量子行为粒子群算法研究

论文摘要

进化计算是近年来在人工智能研究领域内受到人们广泛关注的一个重要研究方向,也是智能信息处理中的一项重要内容。作为一种基于生物进化原理的优化算法,进化计算与其他优化算法相比,最突出的优点表现在其强大的全局寻优能力上。群体智能算法是一种进化类算法,是解决优化问题特别是复杂系统优化问题的有效手段。具有量子行为粒子群算法（Quantum-behaved Particle Swarm Optimization,QPSO）是一种新的、具有全局收敛性的群体智能算法,并且许多实际应用证明,QPSO远远优于一般的粒子群算法（Particle Swarm Optimization,PSO）。因此,本文的研究内容对于群体智能的发展具有一定的学术意义和应用价值。本文首先阐述了传统进化算法-遗传算法（Genetic Algorithm,GA）、群体智能算法中的粒子群算法（PSO）和具有量子行为粒子群算法（QPSO）,针对这些算法存在的收敛性问题,在QPSO基础上提出了两种改进的QPSO算法-自适应的具有量子行为粒子群算法（Adaptive Quantum-behaved Particle Swarm Optimization , AQPSO ）和合作的具有量子行为粒子群算法（Cooperative Quantum-behaved Particle Swarm Optimization,CQPSO）。在AQPSO中,提出了参数选择的方法以提高QPSO算法的全局搜索能力。在CQPSO中引入了协作思想,将QPSO算法构造成一个协作框架,相对于QPSO来说这种协作方法在问题维数增加的时候会得到更优的解。仿真算例结果表明,AQPSO和CQPSO算法无论是算法的性能和算法的稳定性都优于QPSO和PSO算法。另外,本文还研究了QPSO在离散问题中的应用,将离散粒子群算法（BPSO）和离散具有量子行为粒子群算法（BQPSO）应用到层叠滤波器设计中。因为存在着大量的层叠滤波器,所以层叠滤波器设计最主要的问题就是其最优化问题。基于PSO算法和QPSO算法的层叠滤波器优化,是将问题转化为正布尔函数优化问题,利用PSO、QPSO算法得到一最优正布尔函数。层叠滤波器设计的仿真算例结果表明,在相同迭代次数和粒子群规模的前提下,QPSO算法能够得到比PSO和遗传算法更理想的滤波图象。因此,QPSO算法将是解决层叠滤波器优化问题的有效方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 进化算法研究现状
• 1.2 层叠滤波的发展与现状
• 1.3 本文研究内容和方法
• 第二章 进化算法简介
• 2.1 遗传算法
• 2.1.1 遗传算法的基本原理
• 2.1.2 遗传算法的构成要素
• 2.1.3 遗传算法的改进研究
• 2.2 群体智能算法
• 2.2.1 蚁群算法
• 2.2.2 PSO 算法
• 2.2.3 具有量子行为的粒子群算法（QPSO）
• 第三章 具有量子行为粒子群算法的改进
• 3.1 引言
• 3.2 自适应QPSO 算法
• 3.2.1 算法介绍
• 3.2.2 仿真算例结果
• 3.3 合作QPSO 算法
• 3.3.1 协作思想
• 3.3.2 CQPSO-S 算法
• k算法'>3.3.3 CQPSO-S_k算法
• s（CQPSO-H_k）算法'>3.3.4 混合CQPSO_s（CQPSO-H_k）算法
• 3.3.5 仿真算例结果
• 3.4 本章小结
• 第四章 QPSO 算法在层叠滤波器优化中的应用
• 4.1 层叠滤波器基本理论
• 4.2 基于QPSO 的层叠滤波器优化
• 4.2.1 算法描述
• 4.2.2 编码及适应度函数选择
• 4.2.3 仿真算例结果
• 4.3 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 存在的问题和未来研究方向
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文