量子粒子群优化算法的研究及应用

论文摘要

量子粒子群优化（Quantum-behaved Particle Swarm Optimization,QPSO）算法是一个新颖的群体智能优化算法,由于其全局搜索性能好、控制参数少、计算速度快等特点使其比其它基于群体搜索的智能优化算法更有优势,具有很好的应用前景。但是,QPSO算法存在着局部搜索能力较弱、搜索精度较低、求解过程中易陷入局部最优等问题。到目前为止,围绕量子粒子群算法进行的研究已卓有成效,一系列的改进算法都在不同程度上提高了算法的性能。为了进一步提高算法的性能,本文对QPSO算法进行了全面、系统的研究,针对QPSO算法存在的问题进行了改进,并把改进后的算法应用到了实际问题中,验证了算法的有效性。本文研究的主要内容如下：1.本文提出了自适应局部搜索量子粒子群优化算法。在量子粒子群优化算法求解过程中,在搜索的初级阶段,算法搜索到的解不一定是最好的解,此时搜索策略就需要搜索较大的区域,而在搜索后期,算法搜索的范围里已包括或者接近最优值,就应在附近区域搜索,这将会提高算法的搜索精度和搜索效率。经过大量的分析、实验,确定了自适应地调整局部搜索空间大小的策略。2.提出了多子群自适应局部搜索量子粒子群优化算法。通过分析和研究群体的随机性、多样性、全局性和局部性,QPSO具有良好的全局收敛性,但同时还需要一种有效的局部搜索机制,以更好地搜索全局最优解。基于这一思想,提出了分类法和自适应局部搜索相结合的策略,实现对QPSO算法收敛速度和收敛能力的提高。此策略利用QPSO算法具有很好的全局收敛性,根据当前粒子的搜索状态进行分类,然后再对分类后的粒子群进行自适应局部搜索,以达到增强局部搜索能力和提高搜索速度。3.将改进QPSO算法应用到运输问题上。仿真实验说明了其有效性。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 第一章 概述
• 1.1 研究背景和意义
• 1.2 研究现状
• 1.3 研究内容
• 1.4 论文章节安排
• 第二章 具有量子行为的粒子群优化算法
• 2.1 引言
• 2.2 粒子群优化算法
• 2.2.1 群体智能优化算法
• 2.2.2 粒子群优化算法
• 2.2.3 基本粒子群优化算法模型
• 2.2.4 标准粒子群优化算法的模型
• 2.2.5 标准粒子群优化算法流程
• 2.3 量子粒子群优化算法
• 2.3.1 量子粒子群优化算法的思想来源
• 2.3.2 量子粒子群优化算法数学模型
• 2.3.3 量子粒子群优化算法流程
• 2.4 量子粒子群优化算法的优点
• 2.5 粒子群优化算法与量子粒子群优化算法存在的不足
• 2.6 本章小结
• 第三章 自适应局部搜索量子粒子群算法
• 3.1 引言
• 3.2 量子粒子群优化算法的自适应参数控制
• 3.3 局部搜索中的收敛性准则
• 3.4 自适应局部搜索量子粒子群算法思想
• 3.4.1 自适应局部搜索
• 3.4.2 自适应局部搜索量子粒子群优化算法
• 3.4.3 自适应局部搜索量子粒子群优化算法流程
• 3.5 实验与分析
• 3.5.1 标准测试函数
• 3.5.2 实验参数设置
• 3.5.3 实验结果和分析
• 3.6 本章小结
• 第四章 多子群自适应局部搜索量子粒子群算法
• 4.1 引言
• 4.2 多子群自适应局部搜索QPSO算法基本原理
• 4.2.1 粒子的两种基本进化模型
• 4.2.2 多子群自适应局部搜索QPSO算法实现
• 4.3 实验与分析
• 4.3.1 标准测试函数
• 4.3.2 实验参数设置
• 4.3.3 实验结果和分析
• 4.4 本章小结
• 第五章 自适应局部搜索QPSO算法在运输问题中的应用
• 5.1 引言
• 5.2 运输问题
• 5.2.1 运输问题的定义
• 5.2.2 运输问题的模型
• 5.2.3 运输问题的特点
• 5.2.4 表上作业法求解运输问题
• 5.2.5 在产销平衡的运输问题中需要说明的几个问题
• 5.3 用自适应局部搜索QPSO算法求解运输问题
• 5.3.1 自适应局部搜索QPSO算法求运输问题
• 5.3.2 用自适应局部搜索量子粒子群优化算法求运输问题流程
• 5.4 实验与分析
• 5.5 本章小结
• 结论与展望
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要