【摘要】：由于使用傳統(tǒng)方法求解復(fù)雜度較高的問題時具有一定局限,通過模擬群居性生物表現(xiàn)出的宏觀群體智能行為,學(xué)習(xí)自然界的特定現(xiàn)象或隱藏規(guī)律而產(chǎn)生的群體智能優(yōu)化算法(Population-based Intelligent Optimization,PIO)應(yīng)運而生。隨著學(xué)科間交叉的不斷深入,量子計算與傳統(tǒng)群體智能優(yōu)化算法的結(jié)合使得各類量子群體智能優(yōu)化算法不斷被提出,而量子粒子群算法(Quantum-behaved Particle Swarm Optimization,QPSO)作為其中較為經(jīng)典的方法,雖然通過對粒子群算法的進化搜索策略進行改進,在一定程度上提升了算法性能,但依然存在單個粒子搜索能力弱,全局搜索性能一般,易出現(xiàn)早熟收斂等缺點。本文將集中于量子粒子群算法的研究及應(yīng)用,針對算法的不足進行改進,提出一種混合量子粒子群算法,進而對新算法進行優(yōu)化,并利用新算法對柔性車間調(diào)度問題(Flexible Job Shop Scheduling,FJSP)進行求解。具體研究工作如下:1.針對現(xiàn)有算法在解決高維度復(fù)雜問題時存在的收斂精度低,搜索效率慢的不足,提出一種混合量子粒子群算法。首先,使用概率幅編碼方式將個體進行編碼,擴展粒子群搜索范圍;然后,將量子粒子群算法的更新公式融入量子旋轉(zhuǎn)門的旋轉(zhuǎn)角公式中進行粒子位置的更新迭代;最后,使用常見的量子非門對算法進行變異。仿真結(jié)果表明,該方法能有效優(yōu)化算法求解問題的結(jié)果,提升算法搜索效率。2.針對量子非門在變異過程中變異幅度大易造成最優(yōu)解丟失的問題,提出一種基于萊維飛行的混合量子粒子群算法。利用萊維飛行所表現(xiàn)出的反常運輸和非標(biāo)準(zhǔn)統(tǒng)計行為,使用結(jié)合萊維飛行的旋轉(zhuǎn)門替換原本的非門進行變異。實驗結(jié)果表明,萊維飛行的加入能夠提升算法搜索的隨機性,改善算法的早熟收斂,并保留較優(yōu)種群。3.為擴展算法應(yīng)用范圍,將所提新算法應(yīng)用于柔性車間調(diào)度問題并做出相應(yīng)調(diào)整。首先,將算法應(yīng)用于柔性車間調(diào)度問題中的工序排序子問題;然后,在機器選擇過程中加入基于概率的隨機選擇方式;最后,在迭代過程中加入基于鄰域搜索的精英保留策略。實驗表明,各項改進方式對于提升算法解決柔性作業(yè)車間調(diào)度問題都具有積極作用。
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18
【圖文】：

+ += +使得粒子如圖2.1，能夠在全局最優(yōu)tjgbest、個體歷史最優(yōu)tijpbest以及原速度tijv的共同作用下產(chǎn)生新的速度，但由于粒子的速度會在短時間內(nèi)迅速增大，甚至導(dǎo)致粒子最終離開可行解空間。為控制粒子的全局探索行為，文獻[61]中加入了粒子速度的鉗制，使其只能在有界的局限范圍內(nèi)移動，當(dāng)粒子超出范圍時，會被強制指定為速度邊界值。如圖2.2所示，t1ijx+表示了沒有速度鉗制情況下的情況，而1( )'tijx+顯示了在速度鉗制下粒子位置的移動情況。與此同時可知，速度邊界值較大時有利于全局搜索

導(dǎo)致粒子最終離開可行解空間。為控制粒子的全局探索行為，文獻[61]中加入了粒子速度的鉗制，使其只能在有界的局限范圍內(nèi)移動，當(dāng)粒子超出范圍時，會被強制指定為速度邊界值。如圖2.2所示，t1ijx+表示了沒有速度鉗制情況下的情況，而1( )'tijx+顯示了在速度鉗制下粒子位置的移動情況。與此同時可知，速度邊界值較大時有利于全局搜索，較小時利于局部開發(fā)，但過大或過小都會帶來風(fēng)險，過大會使算法可能錯過最好區(qū)域，過小會使算法無法充分搜索空間。而速度鉗制的存在仍無法保證粒子在搜索空間內(nèi)，也無法限制粒子的步子大小以限制發(fā)散行為。

3/21( ) exp[ ] ,0, ) 2 2( ) ( )0 ,ss sotherwiseγ γμμ π μ μ < < < ∞= 小步長，γ 為比例系數(shù)。動軌跡如圖 4.1 所示，萊維飛行具有長尾漸1/xμ +，0 2< μ< 為萊維指數(shù)。具體來說，萊維于難求積分的逆，所以除一些特殊情況并無 算法模擬。在 Mantegna 算法的思想下，參考義，萊維飛行的步長 s 為:1/usvβ=布：2~ (0, )uu Nσ ，v ~ N (0,1)，其中，2(1 [(1 uσ Γ += Γ + 準(zhǔn)伽馬分布。

【相似文獻】

相關(guān)期刊論文 前10條

1 陳建新;崔廣才;;基于改進粒子群算法的函數(shù)優(yōu)化研究[J];電腦迷;2018年01期

2 周慧;;基于粒子群算法的最優(yōu)值求解[J];科技廣場;2017年12期

3 吳豐;郭曉娟;;基于混合粒子群算法的船舶穩(wěn)定性分析[J];艦船科學(xué)技術(shù);2018年14期

4 鄧廣彪;;改進的粒子群算法在云計算下的數(shù)據(jù)挖掘中的研究[J];科技通報;2017年04期

5 張釗旭;王志杰;李建辰;王貴奇;許軍;楊進候;;一種基于模擬退火-改進二進制粒子群算法的測試優(yōu)化選擇方法[J];水下無人系統(tǒng)學(xué)報;2017年03期

6 朱俚治;王興虎;;試談粒子群算法[J];電腦編程技巧與維護;2017年11期

7 朱寶;;基于改進粒子群算法的盾構(gòu)掘進施工優(yōu)化研究[J];遼寧科技學(xué)院學(xué)報;2017年03期

8 袁正午;李君琪;;基于改進粒子群算法的云資源調(diào)度[J];計算機工程與設(shè)計;2016年02期

9 江嘉偉;毋文峰;;一種改進的粒子群算法[J];電腦編程技巧與維護;2016年06期

10 張衛(wèi)明;周慶忠;黎武;;基于改進粒子群算法的野戰(zhàn)油庫選址優(yōu)化[J];兵器裝備工程學(xué)報;2016年08期

相關(guān)會議論文 前10條

1 熊偉麗;徐保國;;單個粒子收斂中心隨機攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

2 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計中的應(yīng)用[A];第十一屆全國膨脹節(jié)學(xué)術(shù)會議膨脹節(jié)設(shè)計、制造和應(yīng)用技術(shù)論文選集[C];2010年

3 朱童;李小凡;魯明文;;位置加權(quán)的改進粒子群算法[A];中國科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會論文集(上)[C];2012年

4 王征;劉大寶;王家林;王永驥;;基于離散粒子群算法的船舶電力系統(tǒng)重構(gòu)研究[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

5 王波;肖健梅;王錫淮;;基于改進粒子群算法的車輛路徑問題研究[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

6 張頂學(xué);關(guān)治洪;劉新芝;;多種群并行粒子群算法研究[A];第二十六屆中國控制會議論文集[C];2007年

7 黃勝;任萬龍;王超;何新;;多目標(biāo)粒子群算法在翼型優(yōu)化的應(yīng)用[A];第二十五屆全國水動力學(xué)研討會暨第十二屆全國水動力學(xué)學(xué)術(shù)會議文集（上冊）[C];2013年

8 王瑩;盛四清;;基于改進粒子群算法的電壓薄弱區(qū)域恢復(fù)[A];中國高等學(xué)校電力系統(tǒng)及其自動化專業(yè)第二十四屆學(xué)術(shù)年會論文集（上冊）[C];2008年

9 孟繁敏;楊彬;張其林;;改進的粒子群算法在鋼框架截面優(yōu)化中的應(yīng)用[A];第十三屆全國現(xiàn)代結(jié)構(gòu)工程學(xué)術(shù)研討會論文集[C];2013年

10 孔憲仁;秦玉靈;羅文波;;帶飛行因子的粒子群算法的鋁蜂窩板模型修正[A];結(jié)構(gòu)及多學(xué)科優(yōu)化工程應(yīng)用與理論研討會’2009（CSMO-2009）論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 鐘繼如;基于混合粒子群算法的小沖桿試驗預(yù)測材料強度的研究[D];華東理工大學(xué);2019年

2 劉天宇;基于協(xié)作學(xué)習(xí)和文化進化機制的量子粒子群算法及應(yīng)用研究[D];西安電子科技大學(xué);2017年

3 孟麗;粒子群算法及其在分數(shù)階系統(tǒng)辨識中的應(yīng)用研究[D];華北電力大學(xué)(北京);2016年

4 韓佳偉;多層級蘋果預(yù)冷過程模擬及預(yù)冷控制決策優(yōu)化[D];北京工業(yè)大學(xué);2018年

5 雷開友;粒子群算法及其應(yīng)用研究[D];西南大學(xué);2006年

6 王芳;粒子群算法的研究[D];西南大學(xué);2006年

7 楊輕云;約束滿足問題與調(diào)度問題中離散粒子群算法研究[D];吉林大學(xué);2006年

8 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

9 王雪飛;粒子群算法的動態(tài)拓樸結(jié)構(gòu)研究[D];西南大學(xué);2008年

10 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調(diào)度問題研究[D];浙江工業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王源;基于混合粒子群算法的三軸氣浮臺平臺優(yōu)化設(shè)計[D];沈陽工業(yè)大學(xué);2019年

2 賈波凱;基于改進粒子群算法的柴油機調(diào)速策略研究[D];中國艦船研究院;2019年

3 張宇豐;基于多目標(biāo)粒子群算法的多約束組合優(yōu)化問題研究[D];西安理工大學(xué);2019年

4 馬丹丹;基于改進粒子群算法的雙定子無刷雙饋電機轉(zhuǎn)子優(yōu)化設(shè)計[D];沈陽工業(yè)大學(xué);2019年

5 李天卓;基于并行化混合粒子群算法的網(wǎng)絡(luò)入侵檢測技術(shù)研究[D];上海師范大學(xué);2019年

6 畢瑩;基于粒子群算法的多目標(biāo)優(yōu)化方法研究[D];哈爾濱工程大學(xué);2019年

7 張曉寒;基于混合粒子群算法的車間調(diào)度研究及管理系統(tǒng)設(shè)計[D];武漢科技大學(xué);2019年

8 胡松琪;量子粒子群算法的研究及應(yīng)用[D];蘭州理工大學(xué);2019年

9 蔡江華;基于有限理性的主從博弈穩(wěn)定性和算法研究[D];貴州大學(xué);2019年

10 熊龍飛;基于CEEMDAN與粒子群算法的旋轉(zhuǎn)機械故障診斷研究[D];南京農(nóng)業(yè)大學(xué);2017年

本文編號：2751443