导读:本文包含了自适应量子粒子群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:AQPSO,零陷,波束形成,有源方向图
自适应量子粒子群算法论文文献综述
王昆鹏,姜兴,韦佳[1]（2018）在《基于自适应量子粒子群算法的阵列天线多目标综合》一文中研究指出文中采用自适应量子粒子群算法(AQPSO),对基站阵列天线进行多目标波束形成,在期望信号方向形成主波束,在干扰信号方向形成零陷,同时压制副瓣电平。该算法引入自适应加速因子和动态量子旋转门,提高算法收敛速度以及全局寻优能力,加入阵元数据,提高赋形效果与实际情况的吻合度。比较AQPSO算法、粒子群算法(PSO)和遗传算法(GA)的方向图综合性能,证明了AQPSO算法具有快速收敛、全局寻优的特性。(本文来源于《弹箭与制导学报》期刊2018年05期）
周海鹏[2]（2018）在《自适应量子粒子群算法研究与在WSN覆盖优化中的应用》一文中研究指出万物互联、人物互动的物联网(Internet of Things,IoT)时代已经来临,感知物联无处不在。作为物联网的技术支撑和“神经末梢”,无线传感器网络(Wireless Sensor Network,WSN)是连接物理世界和信息世界的桥梁,是实现人与物互动的核心技术,具有广泛的应用前景和巨大的研究价值。WSN的应用服务取决于网络的覆盖质量,无线传感器网络的覆盖问题一直是被广泛研究的核心问题之一。受客观条件的限制,传感器节点通常采用随机撒播的方式进行部署,但采用这种部署方式的WSN往往存在节点分布不均、冗余度高以及存在覆盖盲区等缺陷。部署动态节点,通过覆盖优化算法对初始部署的节点位置进行优化和调整可以取得较好效果。本文主要对随机部署WSN的网络覆盖优化问题进行研究,保持WSN的连通性、持久性和稳定性,减少网络冗余度和监测盲区,提高网络覆盖率,延长网络生存时间,最终提高WSN的服务质量(Quality of Service,QoS)是本文研究的目标。随机部署的WSN覆盖优化问题往往是一个不确定性优化问题,满足一定条件的多目标约束优化问题和组合优化问题通常是NP-hard完全问题,给传统优化方法带来巨大挑战。群体智能算法给解决WSN的覆盖优化带来了新思路,粒子群优化算法作为一种典型的群体智能算法,具有控制参数少、计算简单及易于实现等特点,已经被应用于WSN覆盖优化问题的研究中,并取得一定成果。然而,粒子群算法仍存在收敛精度低、鲁棒性较差以及易陷入局部极值等方面的不足。为了提高WSN的覆盖性能,本文做了如下工作:(1)针对粒子群优化算法的不足,本文在量子粒子群优化算法(Quantum-Behaved PSO,QPSO)的基础上,提出了一种动态自适应混沌量子粒子群优化算法DACQPSO。该算法引入了度量种群多样性的种群分布熵和平均粒距这两个数量指标,利用种群分布熵控制算法关键参数——收缩扩张系数α的进化,以提高算法的全局搜索能力,体现了自适应性。此外,结合混沌搜索的特点和优势,以平均粒距作为判别条件,进行混沌精细化搜索,以提高局部搜索能力,同时产生混沌扰动,增加了种群多样性。将DACQPSO算法应用到WSN的覆盖优化中,实验结果表明,与其他算法相比在网络覆盖率和节点利用率方面取得了一定的改善,具有更好的覆盖效果。(2)将云模型引入粒子群优化算法的改进中,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。该算法利用X条件云发生器计算各粒子的隶属度,自适应调整收缩扩张系数α。利用Y条件云发生器构建云变异算子,增加种群多样性。并且提出了量子势阱中心的自适应调整策略。仿真结果表明,相比于其他算法,CMAQPSO算法在全局寻优能力、搜索精度和收敛速度方面具有明显优势。将CMAQPSO算法应用于WSN的覆盖优化中,实验验证了算法的有效性。(本文来源于《安徽农业大学》期刊2018-06-01）
刘慧敏,程普[3]（2018）在《基于自适应量子粒子群算法的塔机NFNN控制器参数优化》一文中研究指出针对塔机正规化模糊神经网络控制中参数众多且难于分析的问题,提出了对正规化模糊神经网络优化的自适应量子粒子群算法。该方法采用量子旋转门对粒子进行更新变异,惯性权重根据当前适应度自动调整,在全局寻优过程中,当粒子远离目标时,学习因子变大,当粒子靠近目标时,学习因子变小,有效地提高了全局最优搜索能力及收敛速度。采用该方法对塔机NFNN控制器参数进行优化,结果表明,自适应量子粒子群算法对塔机NFNN参数优化效果优于传统量子粒子群算法,且加快了控制器的响应速度。(本文来源于《电子测量与仪器学报》期刊2018年04期）
周海鹏,高芹,蒋丰千,余大为,乔焰[4]（2018）在《自适应混沌量子粒子群算法及其在WSN覆盖优化中的应用》一文中研究指出针对传统粒子群优化算法容易陷入局部极值和收敛速度慢等不足,通过研究种群多样性与粒子群算法进化的关系,提出一种动态自适应混沌量子粒子群优化(DACQPSO)算法。该算法将种群分布熵引入粒子群的进化控制,以Sigmoid函数模型为基础,给出了量子粒子群算法收缩扩张系数的计算方法;以平均粒距作为混沌搜索的判别条件进行混沌扰动。将DACQPSO算法应用于无线传感器网络(WSN)的覆盖优化中,并作了仿真分析。实验结果表明,DACQPSO算法在覆盖率指标上比标准粒子群、量子粒子群、混沌量子粒子群算法分别提高了3.350 1%、2.650 2%和1.900 0%,有效地提高了WSN的覆盖性能。(本文来源于《计算机应用》期刊2018年04期）
欧阳龙[5]（2017）在《基于协同随机量子粒子群算法的自适应频率复用方法研究》一文中研究指出随着超高清视频、3D视频和虚拟增强现实等新业务的接入,将对系统吞吐量提出更高的要求。超密集网络由于其提升系统吞吐量的巨大潜力,被认为是5G通信网络系统的关键技术之一。OFDMA多小区系统的小区间干扰问题不仅是4G通信网络系统中宏小区和微小区面临的难题,也是5G通信网络系统中超密集网络大规模部署必须克服的关键问题。干扰协调方法是现有解决小区间干扰问题的主要方法。传统的干扰协调方法虽然能一定程度上减小小区间干扰问题,但是存在灵活性差、频谱资源利用率低和系统吞吐量提升不足等缺点。针对小区间干扰问题,本文首先基于协同量子粒子群算法提出一种子载波和功率联合分配的协同随机量子粒子群算法。通过频谱和功率的联合分配提高系统吞吐量资源利用率。接着分析了用户都聚集于小区外围的场景下协同随机量子粒子群算法的不足。在分数频率复用方法的框架上,提出基于协同随机量子粒子群算法的自适应频率复用方法。在继承分数频率复用方法有效减小区间干扰优点的同时,充分提高系统吞吐量。本文的主要工作如下:(1)建立OFDMA多小区系统模型。在发射功率一定的条件下,以多小区系统整体最大吞吐量为目标,以最小信号噪声比为约束,建立频谱和功率联合分配的系统模型。(2)基于协同量子粒子群算法提出子载波和功率联合分配的协同随机量子粒子群算法。从叁方面改进了协同量子粒子群算法不适应于系统联合资源分配的缺点:改进粒子群算法中的罚函数策略,使得功率分配能够满足条件约束;改进量子遗传算法的离散解分配策略,使得子载波分配的取值范围扩大到全部用户;提出随机协同策略,使得能够得到较好的全局最优解。仿真结果表明,与传统的分步求解算法相比,增加了 12.3%吞吐量,提高18%的吞吐量功率比。(3)提出基于协同随机量子粒子群算法的自适应频率复用方法。首先划分小区内部用户和小区外围用户。根据系统各区域的人数分布划分频谱。然后通过协同随机量子粒子群算法分别调整内部用户和外围用户的频谱和功率,最大化系统的吞吐量。仿真结果表明,与传统的干扰协调方法相比,本文方法提高了 42.9%的吞吐量,提升了 46.64%的吞吐量功率比,降低了 67.78%的无效子载波占比。(本文来源于《武汉大学》期刊2017-04-01）
李一博,张博林,刘自鑫,张震宇[6]（2014）在《基于量子粒子群算法的自适应随机共振方法研究》一文中研究指出为提升随机共振理论在微弱信号检测领域中的实用性,以随机共振系统参数为研究对象,提出了基于量子粒子群算法的自适应随机共振方法.首先将自适应随机共振问题转化为多参数并行寻优问题,然后分别在Langevin系统和Duffing振子系统下进行仿真实验.在Langevin系统中,将量子粒子群算法和描点法进行了寻优结果对比;在Duffing振子系统中,Duffing振子系统的寻优结果则直接与Langevin系统的寻优结果进行了对比.实验结果表明:在寻优结果和寻优效率上,基于量子粒子群算法的自适应随机共振方法要明显高于描点法;在相同条件下,Duffing振子系统的寻优结果要优于Langevin系统的寻优结果;在两种系统下,输入信号信噪比越低就越能体现出量子粒子群算法的优越性.最后还对随机共振系统参数的寻优结果进行了规律性总结.(本文来源于《物理学报》期刊2014年16期）
李继松[7]（2014）在《自适应参数调整量子粒子群算法研究及应用》一文中研究指出量子粒子群算法在解决优化问题上表现出了巨大的优势,在国民经济、国防建设、社会发展的各个方面得到了广泛应用,成为近年来国内外研究的焦点之一。然而,该算法存在后期种群多样性下降、易陷入局部最优而导致早熟收敛的缺点。为进一步提高量子粒子群算法的性能,本文基于算法参数对算法性能影响的分析,提出了一种改进的量子粒子群算法——自适应参数调整量子粒子群算法,并将其应用于参数优化研究。在改进算法中,采用量子Hadamard门实现粒子位置变异,增加了种群的多样性；将惯性权重、自身因子和全局因子根据当前适应度进行自适应调整,提高了算法的全局优化能力。通过函数极值优化问题对该算法和传统算法进行测试,结果表明该算法在收敛速度和成功率等各方面都比较好,具有更好的全局优化能力和更高的运行效率。论文将该算法应用于RBF神经网络的参数优化和倒立摆正规化模糊神经网络控制器的参数优化,将优化参数组成一个多维向量,作为算法的粒子进行计算更新,以优化得到在解空间范围内全局优化的参数。通过非线性函数逼近和混沌时间序列预测实验验证了该算法优化得到的RBF神经网络性能优越,通过不同初始状态下倒立摆控制实验表明了该算法优化得到的控制器控制精度更高、控制速度更快,该算法具有较高的工程应用价值。(本文来源于《中南大学》期刊2014-05-01）
马颖,田维坚,樊养余[8]（2013）在《基于云模型的自适应量子粒子群算法》一文中研究指出利用云模型理论能兼顾随机性和模糊性的特质,提出一种基于云模型的自适应量子粒子群优化算法.首先分析量子粒子群算法的控制机制,在此基础上,使用云算子实现对每个粒子的吸收扩张因子自适应控制,达到在进化过程中对粒子飞行位置动态调整的目的,使算法具有较快的收敛速度和较强的全局搜索能力.同时,补充针对性的优化方案,有效避免算法陷入局部最优.对典型测试函数的仿真对比实验表明,该算法具有寻优能力强、搜索精度高、稳定度好等优点,相比其它同类算法具有一定优势.(本文来源于《模式识别与人工智能》期刊2013年08期）
陈道君,龚庆武,金朝意,张静,王定美[9]（2013）在《基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测》一文中研究指出智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。(本文来源于《电网技术》期刊2013年04期）
熊智挺,谭阳红,易如方,陈赛华[10]（2011）在《一种并行的自适应量子粒子群算法》一文中研究指出针对粒子群算法存在易陷入局部最优解的问题,提出了一种并行的自适应量子粒子群算法。通过共享粒子的两个极值,将改进后的自适应粒子群算法和边界变异的量子粒子群算法并行搜索,有效地克服了标准粒子群算法的缺陷。测试结果表明,该算法在精度和全局最优解的找寻速度方面有了很大的提高。(本文来源于《计算机系统应用》期刊2011年08期）
自适应量子粒子群算法论文开题报告
（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：
万物互联、人物互动的物联网(Internet of Things,IoT)时代已经来临,感知物联无处不在。作为物联网的技术支撑和“神经末梢”,无线传感器网络(Wireless Sensor Network,WSN)是连接物理世界和信息世界的桥梁,是实现人与物互动的核心技术,具有广泛的应用前景和巨大的研究价值。WSN的应用服务取决于网络的覆盖质量,无线传感器网络的覆盖问题一直是被广泛研究的核心问题之一。受客观条件的限制,传感器节点通常采用随机撒播的方式进行部署,但采用这种部署方式的WSN往往存在节点分布不均、冗余度高以及存在覆盖盲区等缺陷。部署动态节点,通过覆盖优化算法对初始部署的节点位置进行优化和调整可以取得较好效果。本文主要对随机部署WSN的网络覆盖优化问题进行研究,保持WSN的连通性、持久性和稳定性,减少网络冗余度和监测盲区,提高网络覆盖率,延长网络生存时间,最终提高WSN的服务质量(Quality of Service,QoS)是本文研究的目标。随机部署的WSN覆盖优化问题往往是一个不确定性优化问题,满足一定条件的多目标约束优化问题和组合优化问题通常是NP-hard完全问题,给传统优化方法带来巨大挑战。群体智能算法给解决WSN的覆盖优化带来了新思路,粒子群优化算法作为一种典型的群体智能算法,具有控制参数少、计算简单及易于实现等特点,已经被应用于WSN覆盖优化问题的研究中,并取得一定成果。然而,粒子群算法仍存在收敛精度低、鲁棒性较差以及易陷入局部极值等方面的不足。为了提高WSN的覆盖性能,本文做了如下工作:(1)针对粒子群优化算法的不足,本文在量子粒子群优化算法(Quantum-Behaved PSO,QPSO)的基础上,提出了一种动态自适应混沌量子粒子群优化算法DACQPSO。该算法引入了度量种群多样性的种群分布熵和平均粒距这两个数量指标,利用种群分布熵控制算法关键参数——收缩扩张系数α的进化,以提高算法的全局搜索能力,体现了自适应性。此外,结合混沌搜索的特点和优势,以平均粒距作为判别条件,进行混沌精细化搜索,以提高局部搜索能力,同时产生混沌扰动,增加了种群多样性。将DACQPSO算法应用到WSN的覆盖优化中,实验结果表明,与其他算法相比在网络覆盖率和节点利用率方面取得了一定的改善,具有更好的覆盖效果。(2)将云模型引入粒子群优化算法的改进中,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。该算法利用X条件云发生器计算各粒子的隶属度,自适应调整收缩扩张系数α。利用Y条件云发生器构建云变异算子,增加种群多样性。并且提出了量子势阱中心的自适应调整策略。仿真结果表明,相比于其他算法,CMAQPSO算法在全局寻优能力、搜索精度和收敛速度方面具有明显优势。将CMAQPSO算法应用于WSN的覆盖优化中,实验验证了算法的有效性。
（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。
自适应量子粒子群算法论文参考文献
[1].王昆鹏,姜兴,韦佳.基于自适应量子粒子群算法的阵列天线多目标综合[J].弹箭与制导学报.2018
[2].周海鹏.自适应量子粒子群算法研究与在WSN覆盖优化中的应用[D].安徽农业大学.2018
[3].刘慧敏,程普.基于自适应量子粒子群算法的塔机NFNN控制器参数优化[J].电子测量与仪器学报.2018
[4].周海鹏,高芹,蒋丰千,余大为,乔焰.自适应混沌量子粒子群算法及其在WSN覆盖优化中的应用[J].计算机应用.2018
[5].欧阳龙.基于协同随机量子粒子群算法的自适应频率复用方法研究[D].武汉大学.2017
[6].李一博,张博林,刘自鑫,张震宇.基于量子粒子群算法的自适应随机共振方法研究[J].物理学报.2014
[7].李继松.自适应参数调整量子粒子群算法研究及应用[D].中南大学.2014
[8].马颖,田维坚,樊养余.基于云模型的自适应量子粒子群算法[J].模式识别与人工智能.2013
[9].陈道君,龚庆武,金朝意,张静,王定美.基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J].电网技术.2013
[10].熊智挺,谭阳红,易如方,陈赛华.一种并行的自适应量子粒子群算法[J].计算机系统应用.2011