基于正态云模型的自适应量子粒子群优化算法

doi:10.13438/j.cnki.jdzk.2019.06.006

吉首大学学报（自然科学版）

基于正态云模型的自适应量子粒子群优化算法

余大为，周海鹏，孙敏，李旸，张恩宝，李倩倩

(1.安徽农业大学信息与计算机学院，安徽合肥 230036；2.农业部农业物联网技术集成与应用重点实验室(安徽农业大学)，安徽合肥 230036；3.国网安徽省电力有限公司宣城供电公司，安徽宣城 242000)

出版日期:2019-11-25 发布日期:2019-12-16
通讯作者: 李旸（1968—），男，安徽人，安徽农业大学信息与计算机学院教授，博士，主要从事计算机网络分析管理、智能交通、智能建筑与安全技术等研究.
基金资助:
国家自然科学基金资助项目(61402013)

Adaptive Quantum Particle Swarm Optimization Algorithm Based on Normal Cloud Model

YU Dawei, ZHOU Haipeng, SUN Min, LI Yang, ZHANG Enbao, LI Qianqian

(1.School of Information & Computer Science, Anhui Agriculture University, Hefei 230036, China; 2.Key Laboratory of Technology Integration and Application in Agricultural Internet of Things (Anhui Agriculture University), Ministry of Agriculture, Hefei 230036, China; 3.State Grid Anhui Electric Power Co., Ltd. Xuancheng Power Supply Company, Xuancheng 242000, Anhui China)

Online:2019-11-25 Published:2019-12-16

摘要/Abstract

摘要：

基于云模型的随机性、模糊性和稳定性特征，通过正态云发生器对量子粒子群优化算法（QPSO）进行改进，提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究，定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式，给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO，OPSO，CVCPSO，CMAQPSO 4种算法进行对比测试，实验结果表明，CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.

关键词： 正态云模型, 自适应, 量子粒子群, 量子粒子群优化算法

Abstract:

Based on the randomness, fuzziness and stability of cloud model, an adaptive quantum particle swarm optimization algorithm CMAQPSO based on normal cloud model is proposed. The algorithm uses X conditional cloud generator to control the contraction expansion coefficient of QPSO algorithm, and uses Y condition cloud generator to construct the mutation operator of QPSO algorithm. A quantum well center adjustment strategy and boundary correction strategy are proposed. The experimental results show that the average optimization effect of the CMAQPSO algorithm on the five test functions is significantly better than the other three algorithms (SPSO, OPSO,CVCPSO).

Key words: normal cloud model, self-adaptive, quantum particle swarm, quantum-behaved particle swarm optimization algorithm

余大为，周海鹏，孙敏，李旸，张恩宝，李倩倩. 基于正态云模型的自适应量子粒子群优化算法[J]. 吉首大学学报（自然科学版）, DOI: 10.13438/j.cnki.jdzk.2019.06.006.

YU Dawei, ZHOU Haipeng, SUN Min, LI Yang, ZHANG Enbao, LI Qianqian. Adaptive Quantum Particle Swarm Optimization Algorithm Based on Normal Cloud Model[J]. Journal of Jishou University（Natural Sciences Edition), DOI: 10.13438/j.cnki.jdzk.2019.06.006.

[1]	谢静, 杨盘隆, 魏星. 自适应跌倒前实时检测方法[J]. 吉首大学学报（自然科学版）, 2021, 42(3): 34-40.
[2]	张群艺, 杨奋林. 基于空间自适应全变分的图像配准[J]. 吉首大学学报（自然科学版）, 2020, 41(5): 37-40.
[3]	金洁丽，谌爱文，张硕，张轩宇. 自适应粒子群算法求解排课问题[J]. 吉首大学学报（自然科学版）, 2019, 40(6): 17-20.
[4]	段明秀，李钰，赖鹏飞，廖嘉琪. 自适应遗传算法求解运动员最佳配对问题[J]. 吉首大学学报（自然科学版）, 2019, 40(2): 31-33.
[5]	常安成，夏秀云. 具有N个相同节点带外部扰动的复杂网络同步[J]. 吉首大学学报（自然科学版）, 2016, 37(4): 6-10.
[6]	雷超阳, 刘军华, 蔡卫红. BRT交叉路口主动优先自适应通行控制方法[J]. journal6, 2016, 37(1): 33-37.
[7]	彭胜, 丁雷, 陈炳权, 乐光学. 实时在线大规模流媒体分发系统的设计方法[J]. journal6, 2015, 36(3): 19-24.
[8]	邓小飞, 孙伟, 史劲. 智能天线与多用户检测的联合抗干扰模型构建[J]. journal6, 2015, 36(2): 52-54.
[9]	朱韶平. 基于自适应特征选择的夜间运动车辆检测算法[J]. journal6, 2013, 34(6): 47-52.
[10]	邹莉. 基于模糊PID算法的液压机压边力系统设计[J]. journal6, 2013, 34(4): 55-58.
[11]	张银行, 杨辉媛, 宋志国. 基于归一化LMS算法的自适应滤波器设计[J]. journal6, 2012, 33(2): 80-83.
[12]	景书杰, 张小亮. 一类非单调自适应-BFGS信赖域算法[J]. journal6, 2009, 30(6): 32-34.
[13]	樊晓兵. 基于小波变换的弱小目标检测[J]. journal6, 2008, 29(1): 75-78.
[14]	胡建武, 张琦, 余重秀, 徐大雄. 基于公平性原则的简化自适应资源分配算法[J]. journal6, 2008, 29(1): 66-69.
[15]	郭健, 陈庆伟, 胡维礼. 基于PC104嵌入式系统的智能温度控制系统设计[J]. journal6, 2007, 28(2): 56-58.

基于正态云模型的自适应量子粒子群优化算法

Adaptive Quantum Particle Swarm Optimization Algorithm Based on Normal Cloud Model

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价