量子群智能优化算法设计及其应研究

发布时间：2020-04-05 15:30

【摘要】：量子群智能优化算法是群智能算法和量子计算的高效融合,在工程领域和实际生活各种优化问题中有很好的应用,是当前学术研究和实际应用的研究热点。大多数优化问题都是NP难问题,具有很大的复杂性和不确定性,研究量子群智能优化算法解决复杂的优化问题具有重要的理论意义和实际应用价值。本文将量子计算和群智能算法进行结合,设计了量子群智能优化算法及其改进算法,并在相关的优化问题中展开了应用研究。主要工作和创新点如下:(1)针对无等待流水车间调度优化问题,提出了一种量子布谷鸟搜索算法。该算法采用双链量子编码布谷鸟种群,并生成初始解;在迭代过程中,依据莱维飞行机制更新布谷鸟种群,并引入量子旋转门对种群进行改进;最后采用一种邻域搜索算法进行优化。通过基准测试实例仿真,结果显示所提算法具有良好的优化能力,与其他群智能算法比较性能优良。(2)基于量子布谷鸟搜索算法,结合Bloch球面坐标量子编码方式和差分进化的思想,提出了一种量子布谷鸟协同搜索算法。Bloch球面坐标量子编码能够改进初始种群,进一步增加种群多样性;在搜索过程中融合差分进化算法中的交叉、变异算子改进布谷鸟搜索策略,有助于种群跳出局部最优;针对无等待流水车间调度优化问题,对基准测试实例进行仿真,结果表明提出的算法能够在很大程度上提高求解质量,改进了量子布谷鸟搜索算法的性能,优于其他群智能算法。(3)针对城市垃圾回收路径规划问题,采用所提的量子布谷鸟协同搜索算法对其优化。以芜湖市弋江区为实验数据,设计无线传感网络模型采集并处理信息,利用所提算法优化路径。实验结果给出了很好的优化路径,并与遗传算法和量子布谷鸟搜索进行比较,具有更好的优化效果。
【图文】：

(a) GA 算法路径规划 (b) QCS 算法路径规划 (c) QCCS 算法规划路径图 4.9 GA、QCS 和 QCCS 算法路径规划效果图4.4 本章小结
【学位授予单位】：安徽师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18

【参考文献】

相关期刊论文 前10条

1 兰少峰;刘升;;布谷鸟搜索算法研究综述[J];计算机工程与设计;2015年04期

2 杜鹏桢;唐振民;陆建峰;孙研;;不确定环境下基于改进萤火虫算法的地面自主车辆全局路径规划方法[J];电子学报;2014年03期

3 张毅;卢凯;高颖慧;;量子算法与量子衍生算法[J];计算机学报;2013年09期

4 姚远远;叶春明;;作业车间调度问题的布谷鸟搜索算法求解[J];计算机工程与应用;2015年05期

5 王凡;贺兴时;王燕;杨松铭;;基于CS算法的Markov模型及收敛性分析[J];计算机工程;2012年11期

6 丁卫平;王建东;管致锦;施Oz;;基于动态交叉协同的属性量子进化约简与分类学习级联算法[J];模式识别与人工智能;2011年06期

7 高辉;张锐;;改进实数编码量子进化算法及其在参数估计中的应用[J];控制与决策;2011年03期

8 李永平;王延江;齐玉娟;;基于多智能体协同进化的粒子滤波目标跟踪算法[J];模式识别与人工智能;2011年01期

9 何娟;涂中英;牛玉刚;;一种遗传蚁群算法的机器人路径规划方法[J];计算机仿真;2010年03期

10 李盼池;李士勇;;求解连续空间优化问题的量子蚁群算法[J];控制理论与应用;2008年02期

相关硕士学位论文 前3条

1 赵莉;基于群体智能的量子优化算法研究[D];青岛理工大学;2014年

2 郑巧燕;布谷鸟搜索算法的改进及其在优化问题中的应用[D];广西民族大学;2014年

3 王娟;量子免疫克隆算法研究及在压缩感知重构中的应用[D];南京邮电大学;2012年

，

本文编号：2615189