导读:本文包含了量子行为粒子群优化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标优化,粒子群优化算法,双重搜索,循环迁移机制
量子行为粒子群优化算法论文文献综述
孙郁闻天[1]（2019）在《基于量子行为的多目标粒子群优化算法的研究及其应用》一文中研究指出粒子群优化算法(PSO)作为一种高效的群体智能算法,凭借其快速的收敛速度和良好的收敛精度,被广泛用于解决各种不同的优化问题。近年来,大量的研究与改进使得粒子群优化算法在处理单目标优化问题(SOPs)时表现出卓越的性能。但由于多目标优化问题(MOPs)具有较高的复杂性,且传统的粒子群优化算法的搜索方式随机性和智能性较低,随着目标数和决策变量维数的增加,算法的性能会急剧降低。微观世界粒子的运动规律——量子行为具有很强的不确定性,有利于提高算法的寻有能力。因此,本文将量子行为引入多目标粒子群优化算法(MOPSO),提出两种改进算法分别用于解决多目标函数优化问题和基因选择问题。本文的主要工作如下:(1)针对传统多目标粒子群优化算法在处理复杂多目标优化问题时多样性和收敛性较差的缺陷,提出一种基于双重搜索和循环迁移机制的多目标量子行为粒子群优化算法(MOQPSO-DSCT)。首先,提出一种双重搜索策略来取代量子行为粒子群优化算法单一的搜索模式,使粒子在进化前期主要向它们的个体最优位置学习,而在进化后期主要向全局最优位置学习,平衡了种群的探索与开发能力,提升了解集的多样性;其次,为了避免粒子在进行局部搜索时陷入局部最优,当粒子的个体最优位置和全局最优位置相同时,使用反向学习构造反向吸引子,提升了粒子跳出局部最优的能力;最后,将循环迁移机制引入外部存档,使得外部存档中的任意两个粒子,能够通过每一维位置信息的互换和迁移,重组成新的粒子,极大地增强了外部存档中的粒子的信息交流能力。在八个测试函数上的实验表明,该算法能够产生精度更高且分布更好的非支配解集。(2)针对传统多目标粒子群优化算法在处理实际问题时无法表达决策者偏好这一缺陷,提出了一种基于决策偏好的二进制MOQPSO-DSCT算法(PAG-MOBQPSO-DSCT),并将该算法应用于基因选择中。首先,使用分类信息指数(IIC)对原始数据集进行初步过滤,根据基因-类别灵敏度信息(GCSI)对粒子进行二进制编码,基于分类准确度和基因子集的规模设计多目标优化模型;然后,引入Hamming距离重新定义粒子的位置矢量和粒子之间的距离,使算法能够处理离散空间优化问题,并将一种基于决策偏好的网格引入MOQPSO-DSCT算法,定义一种能够表达决策者偏好的适应度函数计算每个网格的适应度值,再根据网格的适应度值计算网格的概率,使用轮盘赌算法选择全局最优和维护存档,使得粒子能够在决策者感兴趣的区域进行搜索;最后,将极限学习机(ELM)作为分类器,验证所选基因子集的分类准确率。在五个癌症基因表达谱数据集上的实验表明,该方法能够获得分类准确率更高且规模较小的基因子集。(本文来源于《江苏大学》期刊2019-04-01）
朱奥辉[2]（2017）在《基于量子行为粒子群优化算法的振动信号故障诊断》一文中研究指出在当代工厂中,机械系统日益趋于连续高速化和大型化。为了尽量减少因设备故障引起的事故及损失,对运转中的生产设备进行实时的监测是十分必要的,且具有重大的意义。在工业中,振动信号普遍存在且易于采集。因此,基于振动信号,对设备进行故障诊断,有着重大意义。在诸多的信号降噪处理及故障诊断方法中,本文针对常用的小波阈值滤波降噪方法以及Elman神经网络模式识别故障诊断方法进行研究。并提出了利用量子行为粒子群(QPSO)优化算法的全局搜索寻优能力对小波阈值滤波降噪方法以及Elman神经网络的缺陷进行优化。利用小波阈值滤波方法对信号进行降噪的过程中,阈值的大小决定着降噪后的信号的质量。因此,提出了利用QPSO算法对小波阈值滤波进行优化。基于QPSO算法的全局搜索寻优能力,找出最优的阈值,进而对信号降噪。通过仿真验证,结果表明,提出的降噪滤波方法其效果优于小波阈值滤波方法。针对Elman神经网络的部分缺陷,如易陷入局部极小。因此,本文决定利用QPSO算法对其进行优化。基于QPSO算法拥有的全局搜索寻优性能,对Elman神经网络中的部分缺陷予以消除。最后,利用滚动轴承振动信号数据进行验证提出方法的正确性。利用QPSO优化小波阈值对滚动轴承振动信号进行滤波,并与通用小波阈值滤波进行了对比,结果表明,提出的新方法获得了较好的效果。接着,对经QPSO优化的Elman神经网络进行了验证,同时,与Elman神经网络进行了对比,结果表明,经QPSO优化后的Elman神经网络能够很快达到了预设的误差目标值并且具有更高的识别率。因此,本文提出的方法具有可行性、有效性以及准确性,经QPSO优化的故障诊断方法具有更大的优势以及较好的应用前景。(本文来源于《西南交通大学》期刊2017-05-01）
田瑾[3]（2016）在《高维多峰函数的量子行为粒子群优化算法改进研究》一文中研究指出针对群智能优化算法求解高维多峰函数难以优化粒子每一维和易陷入局部极值点问题,在分析量子行为粒子群优化(QPSO)算法机理的基础上,对QPSO算法进行改进,采取前后代粒子逐维对比优化,并构造一种新的调控收缩扩张系数函数.实验结果表明,改进算法在收敛精度和收敛速度上明显优于QPSO算法,具有很强的避免陷入局部最优的能力,非常适合求解高维、多峰优化问题.(本文来源于《控制与决策》期刊2016年11期）
许亚骏,吴小俊[4]（2016）在《基于量子行为粒子群优化的软子空间聚类算法》一文中研究指出针对软子空间聚类算法搜寻聚类中心点容易陷入局部最优的缺点,提出在软子空间聚类框架下,结合量子行为粒子群优化(QPSO)和梯度下降法优化软子空间聚类目标函数的模糊聚类算法.根据QPSO全局寻优的特点,求解子空间中全局最优中心点,利用梯度下降法收敛速度快的特点,求解样本点的模糊权重和隶属度矩阵,最终获取样本点的最优聚类结果.在UCI数据集上的实验表明,文中算法可提高聚类精度和聚类结果的稳定性.(本文来源于《模式识别与人工智能》期刊2016年06期）
肖红,李盼池[5]（2016）在《改进的量子行为粒子群优化算法及其应用》一文中研究指出为提高量子行为粒子群算法的优化能力,提出了一种改进的算法.该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法.在每步迭代中,首先计算粒子适应度,然后取前K个适应度最好的粒子作为候选集.采用轮盘赌策略在候选集中选择一个粒子作为势阱中心,调整其它粒子向势阱中心移动.在优化过程中,通过使K值单调下降,获得探索与开发的平衡.将提出的算法应用于标准函数极值优化和量子衍生神经网络权值优化,实验结果表明提出算法的优化能力比原算法确有明显提高.(本文来源于《信息与控制》期刊2016年02期）
刘怡君,杨洪耕,王佳兴,王泽[6]（2015）在《基于量子行为粒子群优化算法的电压暂降状态估计》一文中研究指出文中提出了一种将传统的故障位置法和状态估计法相结合的电压暂降状态估计新方法。将仅利用历史故障数据的故障位置法和仅利用现有有限监控数据的状态估计法相结合,得到电压暂降状态方程,并利用量子行为粒子群算法(QPSO)得到优化问题的最优解。对比遗传算法等传统优化算法,QPSO能保证全局收敛,且控制参数更少,随机性更强,则找寻最优解效率更高。该方法已在IEEE24标准节点系统上进行仿真计算,并与遗传算法对比,结果验证了本文方法的准确性和可靠性。此方法适用于任何规模电网发生对称故障和不对称故障时的电压暂降状态估计。(本文来源于《电测与仪表》期刊2015年19期）
吴涛,陈曦,严余松[7]（2015）在《叁元相关性量子行为粒子群优化算法研究》一文中研究指出为了提高QPSO算法的收敛性能,在对随机因子进行分析的基础上提出了叁元相关性QPSO(TC-QPSO,ternary correlation QPSO)算法。该算法使用正态Copula函数建立了粒子对自身经验信息、群体共享信息以及粒子当前位置与群体平均最好位置的距离信息之间的内在认知和联系,并利用Cholesky平方根公式给出了叁元相关因子的生成方法。对测试函数的仿真结果证明,当叁元相关因子u与r1或r2之间存在负线性相关关系时,TC-QPSO算法可以获得比标准QPSO算法更好的优化性能。(本文来源于《通信学报》期刊2015年03期）
张梦泽,刘远洪,王苓如,王思琪,王文民[8]（2015）在《基于量子行为粒子群优化算法的河道糙率反演》一文中研究指出糙率是河道水动力模型的重要参数,在模型中敏感性高,但其在实际工作中难以准确测定。量子行为粒子群算法(QPSO)是粒子群算法的发展,相对于粒子群算法,在全局收敛和收敛率上有很大提高。将量子行为粒子群优化算法与一维河道水动力模型耦合,建立河道糙率反演模型,并在淮河干流蚌埠到花园咀河段进行了模拟,取得了较好的效果。与其他糙率反演算法相比,该算法具有理论简单、参数少、易于编程实现、通用性强等优点。(本文来源于《人民黄河》期刊2015年02期）
吴涛,陈曦,严余松[9]（2014）在《2元相关性量子行为粒子群优化算法研究》一文中研究指出针对QPSO(qantum-behaved particle swarm optimization)算法中的信息加工问题,首先对势阱中心公式中的随机因子进行分析,提出了2元相关因子的概念,并使用正态Copula函数建立了粒子对自身经验信息pbest和群体共享信息gbest认知的内在联系。接着,提出了2元相关性QPSO(binary correlation QPSO,简称BC-QPSO)算法,并通过仿真实验给出相关因子的相关程度与种群多样性的关系。最后对6个测试函数的仿真结果证明,BC-QPSO算法通过选择合适的相关系数ρ的取值,可以获得更好的优化性能。(本文来源于《四川大学学报(工程科学版)》期刊2014年04期）
潘果,徐雨明[10]（2014）在《基于改进量子行为粒子群优化的无线传感器网络QoS路由算法》一文中研究指出为了进一步减少无线传感器网络的能量损耗和延迟时间并且有效延长节点生存时间,提出一种改进的量子行为粒子群(quantum based particle swarm optimization,QPSO)优化算法,并将其用于解决无线传感器网络的QoS组播路由问题。该算法采用适应度函数和全局最好位置的更新方法来寻找无线传感器网络中满足阈值限制下的最优路由。实验仿真和对比情况表明,该算法在节省能量损耗、控制延迟时间和延长网络节点的生存时间上取得了较好的效果。(本文来源于《计算机科学》期刊2014年07期）
量子行为粒子群优化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在当代工厂中,机械系统日益趋于连续高速化和大型化。为了尽量减少因设备故障引起的事故及损失,对运转中的生产设备进行实时的监测是十分必要的,且具有重大的意义。在工业中,振动信号普遍存在且易于采集。因此,基于振动信号,对设备进行故障诊断,有着重大意义。在诸多的信号降噪处理及故障诊断方法中,本文针对常用的小波阈值滤波降噪方法以及Elman神经网络模式识别故障诊断方法进行研究。并提出了利用量子行为粒子群(QPSO)优化算法的全局搜索寻优能力对小波阈值滤波降噪方法以及Elman神经网络的缺陷进行优化。利用小波阈值滤波方法对信号进行降噪的过程中,阈值的大小决定着降噪后的信号的质量。因此,提出了利用QPSO算法对小波阈值滤波进行优化。基于QPSO算法的全局搜索寻优能力,找出最优的阈值,进而对信号降噪。通过仿真验证,结果表明,提出的降噪滤波方法其效果优于小波阈值滤波方法。针对Elman神经网络的部分缺陷,如易陷入局部极小。因此,本文决定利用QPSO算法对其进行优化。基于QPSO算法拥有的全局搜索寻优性能,对Elman神经网络中的部分缺陷予以消除。最后,利用滚动轴承振动信号数据进行验证提出方法的正确性。利用QPSO优化小波阈值对滚动轴承振动信号进行滤波,并与通用小波阈值滤波进行了对比,结果表明,提出的新方法获得了较好的效果。接着,对经QPSO优化的Elman神经网络进行了验证,同时,与Elman神经网络进行了对比,结果表明,经QPSO优化后的Elman神经网络能够很快达到了预设的误差目标值并且具有更高的识别率。因此,本文提出的方法具有可行性、有效性以及准确性,经QPSO优化的故障诊断方法具有更大的优势以及较好的应用前景。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
量子行为粒子群优化算法论文参考文献
[1].孙郁闻天.基于量子行为的多目标粒子群优化算法的研究及其应用[D].江苏大学.2019
[2].朱奥辉.基于量子行为粒子群优化算法的振动信号故障诊断[D].西南交通大学.2017
[3].田瑾.高维多峰函数的量子行为粒子群优化算法改进研究[J].控制与决策.2016
[4].许亚骏,吴小俊.基于量子行为粒子群优化的软子空间聚类算法[J].模式识别与人工智能.2016
[5].肖红,李盼池.改进的量子行为粒子群优化算法及其应用[J].信息与控制.2016
[6].刘怡君,杨洪耕,王佳兴,王泽.基于量子行为粒子群优化算法的电压暂降状态估计[J].电测与仪表.2015
[7].吴涛,陈曦,严余松.叁元相关性量子行为粒子群优化算法研究[J].通信学报.2015
[8].张梦泽,刘远洪,王苓如,王思琪,王文民.基于量子行为粒子群优化算法的河道糙率反演[J].人民黄河.2015
[9].吴涛,陈曦,严余松.2元相关性量子行为粒子群优化算法研究[J].四川大学学报(工程科学版).2014
[10].潘果,徐雨明.基于改进量子行为粒子群优化的无线传感器网络QoS路由算法[J].计算机科学.2014