發(fā)布時間：2017-06-29 18:19

  本文關鍵詞：基于等位基因量子進化算法的經(jīng)紗斷頭率優(yōu)化研究，由筆耕文化傳播整理發(fā)布。

【摘要】：量子計算是信息科學和量子力學相結合的新興交叉學科,以量子算法為代表的量子計算具有高度的并行性、指數(shù)級存儲容量和對經(jīng)典啟發(fā)式算法的指數(shù)加速作用,因此具有極大的優(yōu)越性并蘊涵著強大的生命力。量子計算和智能計算的融合可以通過在傳統(tǒng)智能計算中引入量子計算機制來改變傳統(tǒng)智能計算的尋優(yōu)方式,提高尋優(yōu)能力和收斂速度等性能。近年來量子進化算法的研究已成為智能優(yōu)化領域研究的熱點之一。本文在梳理和綜述國內(nèi)外智能優(yōu)化方法和智能建模方法的研究進展基礎上,分析了經(jīng)典量子進化算法的缺點與局限性,在此基礎上,對量子進化算法的編碼方式和更新機制進行改進,提出一種基于等位基因的實數(shù)編碼量子進化算法,并對區(qū)間二型模糊神經(jīng)網(wǎng)絡規(guī)則與參數(shù)進行了優(yōu)化,最后,將其應用于紡織漿紗生產(chǎn)過程中的經(jīng)紗斷頭率的優(yōu)化。本文主要內(nèi)容具體如下:(1)簡述了量子計算的基本原理及量子進化算法的編碼方式、更新手段和算法流程,通過對背包問題和數(shù)值優(yōu)化問題進行求解,并與遺傳算法和蟻群算法進行對比,分析了量子進化算法的優(yōu)點和局限性。(2)針對在連續(xù)優(yōu)化問題中量子進化算法存在的求解精度低、收斂速度慢和編碼長度受限等問題,提出了一種基于等位基因的實數(shù)編碼量子進化算法,將變量以概率疊加的方式編碼為等位基因的形式,定義了等位基因的相對優(yōu)良性,在此基礎上給出了混合更新策略。仿真研究將量子進化算法與雙鏈量子遺傳算法和遺傳算法進行相比,驗證了該算法的收斂速度和收斂精度。(3)針對區(qū)間二型模糊神經(jīng)網(wǎng)絡規(guī)則冗余及后件參數(shù)初值難以確定的問題,提出了一種基于混合編碼量子進化的區(qū)間二型模糊神經(jīng)網(wǎng)絡。該模糊神經(jīng)網(wǎng)絡將混合編碼量子進化算法與基于Mamdani模型的自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡相結合,通過組合優(yōu)化消除冗余的規(guī)則,通過實數(shù)部分優(yōu)化網(wǎng)絡的后件參數(shù)獲得更好的初始值,并通過混合性能指標優(yōu)化,在保證模型精度的同時簡化了模型的結構,避免出現(xiàn)冗余的規(guī)則。通過與自適應模糊推理系統(tǒng)和自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡對比分析,驗證了混合編碼量子進化的區(qū)間二型模糊神經(jīng)網(wǎng)絡的有效性。(4)針對紡織漿紗生產(chǎn)過程中工藝指標存在強非線性和不確定性,直接影響經(jīng)紗可織性關鍵指標斷頭率,進而影響產(chǎn)品的優(yōu)質(zhì)品率和經(jīng)濟效益的問題,將本文所提出的基于等位基因的實數(shù)編碼量子進化算法和基于混合編碼量子進化的區(qū)間二型模糊神經(jīng)網(wǎng)絡用于經(jīng)紗斷頭率的預測與優(yōu)化。以漿紗工藝指標上漿率和回潮率作為輸入,經(jīng)紗斷頭率作為輸出,通過區(qū)間二型模糊神經(jīng)網(wǎng)絡對樣本數(shù)據(jù)進行學習得到經(jīng)紗斷頭率預測模型,以預測輸出為個體適應度,通過基于等位基因的實數(shù)編碼量子進化算法對該優(yōu)化問題進行求解,實現(xiàn)對經(jīng)紗斷頭率的優(yōu)化,為漿紗生產(chǎn)進行指導,提高產(chǎn)品質(zhì)量。
【關鍵詞】：量子進化算法 區(qū)間二型模糊神經(jīng)網(wǎng)絡 等位基因?qū)崝?shù)編碼 混合更新策略 經(jīng)紗斷頭率優(yōu)化
【學位授予單位】：沈陽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：O413;TP18
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-19
• 1.1 課題背景與意義10-13
• 1.2 國內(nèi)外發(fā)展現(xiàn)狀13-17
• 1.2.1 智能優(yōu)化方法研究進展13-15
• 1.2.2 智能建模方法研究進展15-17
• 1.3 本文主要研究內(nèi)容17-19
• 第2章 量子計算與量子進化算法19-27
• 2.1 量子計算基本原理19-21
• 2.1.1 狀態(tài)的疊加19-20
• 2.1.2 狀態(tài)的相干20
• 2.1.3 狀態(tài)的糾纏20-21
• 2.1.4 量子的并行性21
• 2.2 量子進化算法21-23
• 2.2.1 量子比特（Q-bit）編碼21-22
• 2.2.2 量子狀態(tài)的觀測22
• 2.2.3 基于量子門的更新機制22-23
• 2.2.4 QEA算法描述23
• 2.3 量子進化算法的性能比較與分析23-26
• 2.3.1 背包問題的仿真研究23-24
• 2.3.2 數(shù)值優(yōu)化問題的仿真研究24-26
• 2.3.3 結果分析26
• 2.4 本章小結26-27
• 第3章 基于等位基因的實數(shù)編碼量子進化算法27-41
• 3.1 等位基因的的實數(shù)編碼方式27-28
• 3.2 基于相對優(yōu)良性的混合更新策略28-31
• 3.3 收斂性分析31-33
• 3.4 數(shù)值算例仿真33-39
• 3.4.1 A-RQEA參數(shù)分析33-34
• 3.4.2 數(shù)值算例與對比算法34-36
• 3.4.3 仿真結果與結果分析36-39
• 3.5 本章小結39-41
• 第4章 基于混合編碼量子進化算法的區(qū)間二型模糊神經(jīng)網(wǎng)絡41-52
• 4.1 區(qū)間二型模糊神經(jīng)網(wǎng)絡結構41-43
• 4.2 基于混合編碼量子進化算法的區(qū)間二型模糊神經(jīng)網(wǎng)絡43-49
• 4.2.1 網(wǎng)絡結構的初始化44-45
• 4.2.2 規(guī)則與初始后件參數(shù)優(yōu)化45-47
• 4.2.3 基于梯度下降的參數(shù)辨識47-49
• 4.3 仿真實驗對比分析49-51
• 4.4 本章小結51-52
• 第5章 經(jīng)紗斷頭率的預測與優(yōu)化52-65
• 5.1 紡織漿紗生產(chǎn)過程描述52-56
• 5.1.1 漿紗生產(chǎn)工藝過程52-53
• 5.1.2 漿紗的主要工藝指標53-55
• 5.1.3 經(jīng)紗的可織性與影響因素55-56
• 5.2 經(jīng)紗斷頭率的預測與優(yōu)化56-64
• 5.2.1 問題描述56-58
• 5.2.2 基于HCQEA-IT2FNN的斷頭率預測模型58-61
• 5.2.3 基于A-RQEA的斷頭率優(yōu)化61-64
• 5.3 本章小結64-65
• 第6章 結論65-67
• 6.1 結論65-66
• 6.2 展望66-67
• 參考文獻67-71
• 在學研究成果71-72
• 致謝72

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張宇獻;錢小毅;彭輝燈;王建輝;;基于等位基因的實數(shù)編碼量子進化算法[J];儀器儀表學報;2015年09期

2 錢潔;季敏;;基于文化知識的量子進化算法[J];系統(tǒng)工程理論與實踐;2015年01期

3 劉曉冰;焦璇;寧濤;梁旭;;基于雙鏈量子遺傳算法的柔性作業(yè)車間調(diào)度[J];計算機集成制造系統(tǒng);2015年02期

4 劉振;胡云安;彭軍;;協(xié)同進化擴展緊致量子進化算法[J];控制與決策;2014年02期

5 王躍崗;車阿大;;基于混合量子進化算法的自動化制造單元調(diào)度[J];計算機集成制造系統(tǒng);2013年09期

6 姚蘭;肖建;王嵩;蔣玉蓮;;自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡及其自適應學習算法[J];控制理論與應用;2013年06期

7 雷華軍;秦開宇;;基于改進量子進化算法的測試優(yōu)化選擇[J];儀器儀表學報;2013年04期

8 陳向堅;李迪;續(xù)志軍;蘇東風;;四旋翼微型飛行器的區(qū)間二型模糊神經(jīng)網(wǎng)絡自適應控制[J];光學精密工程;2012年06期

9 李迪;陳向堅;續(xù)志軍;楊帆;牛文達;;自組織遞歸區(qū)間二型模糊神經(jīng)網(wǎng)絡在動態(tài)時變系統(tǒng)辨識中的應用[J];光學精密工程;2011年06期

10 覃朝勇;鄭建國;朱佳俊;;一種實數(shù)編碼量子進化算法及其收斂性[J];控制與決策;2009年06期

  本文關鍵詞：基于等位基因量子進化算法的經(jīng)紗斷頭率優(yōu)化研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：498872