基于量子遗传算法的改进的粒子群算法及其应用

论文摘要

随着海洋资源日趋得到关注,人们利用水下潜器完成海洋资源探索和开发的期望也日益高涨,对潜器实现智能控制和自主导航提出了越来越高的要求。路径规划技术直接关系到水下潜器智能水平的高低,是其智能导航控制的关键技术之一。粒子群优化算法（简称PSO）是一种新兴的智能群算法,作为一种并行随机优化算法,它不依赖导数信息,而是通过个体粒子的简单迭代和群体间的信息共享实现复杂的搜索,可以解决非线性、不可微和多峰病态函数等优化问题,并已广泛应用到优化的各个领域。其中一项重要应用正是水下路径规划。但是,标准粒子群优化算法在此方面的表现仍不尽如人意,主要体现在：高维问题中相关参数难以确定。从而,本文在量子遗传算法的基础上,对粒子群算法做了以下改进：1.将标准粒子群算法中的线性递减权重调整为非线性递减；2.基于量子遗传算法,将量子门引入粒子群优化算法,通过对量子门的调整来实时的调整粒子群优化算法的相应的参数,充分发挥量子遗传算法和粒子群优化算法的优势。通过对改进算法和标准PSO算法的对比表明：改进的QGA-PSO算法在收敛时间和收敛精度上均优于标准PSO算法。最后,将改进算法应用到二维已知信息的路径规划中去,并得到了较好的结果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及研究意义
• 1.2 国内外研究现状
• 1.3 粒子群算法的主要研究方向
• 1.4 粒子群优化算法的应用
• 1.5 路径规划
• 1.5.1 路径规划知识简介
• 1.5.2 路径规划常用方法简介
• 1.6 本文研究内容
• 第2章 粒子群优化算法理论分析
• 2.1 粒子群算法简介
• 2.1.1 基本粒子群算法
• 2.1.2 标准粒子群算法
• 2.2 粒子群算法的参数分析及设置
• 2.2.1 惯性权重参数
• 2.2.2 学习因子
• 2.2.3 最大速度
• 2.2.4 群体规模
• 2.3 粒子群算法的收敛性分析
• 2.4 本章小结
• 第3章 量子遗传算法简介
• 3.1 量子遗传算法的发展历程
• 3.2 量子信息表示及量子逻辑门
• 3.3 量子旋转门更新
• 3.4 量子遗传算法流程
• 3.5 算法分析
• 3.5.1 收敛时间
• 3.5.2 增加种群多样性
• 3.6 本章小结
• 第4章 基于量子遗传算法改进的粒子群算法及应用
• 4.1 粒子群优化算法改进策略分析
• 4.2 基于量子遗传算法的改进的粒子群优化算法
• 4.2.1 动态惯性权重的构造
• 4.2.2 改进算法更新策略
• 4.3 仿真实验
• 4.3.1 基准测试函数
• 4.3.2 QGA-PSO算法函数测试结果及分析
• 4.4 QGA-PSO算法在二维水下路径规划中的应用
• 4.4.1 路径规划建模
• 4.4.2 路径规划算法流程
• 4.4.3 仿真结果及分析
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢