量子粒子群優(yōu)化（Quantum-behaved Particle Swarm Optimization,簡稱QPSO）算法是在粒子群優(yōu)化（Particle Swarm Optimization,簡稱PSO）算法基礎(chǔ)上提出的基于量子力學(xué)的新穎的群智能優(yōu)化算法。由于量子的隨機性,該算法具有全局搜索的特點,進(jìn)而在優(yōu)化問題上展示出了優(yōu)異的性能。目前,QPSO算法吸引了海內(nèi)外學(xué)者廣泛的關(guān)注和深入的研究,已被廣泛應(yīng)用于金融、聚類和分類、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘等多個應(yīng)用領(lǐng)域。然而在QPSO算法中種群的多樣性與算法的迭代次數(shù)呈反比,隨著迭代次數(shù)的增加,粒子群的多樣性降低,此時算法的全局搜索能力趨于弱化,最終導(dǎo)致算法在進(jìn)化后期可能會出現(xiàn)陷入局部最優(yōu)的現(xiàn)象。為了改進(jìn)QPSO算法容易陷入局部最優(yōu)的缺陷,本文結(jié)合協(xié)同演化的思想提出了多子種群機制、子種群評分函數(shù)機制和協(xié)同機制改善算法性能,提出了一種基于多子種群的協(xié)同量子粒子群算法（A Cooperative Quantum Particle Swarm Optimization Based On Multiple Groups,簡稱CGQPSO）。在CGQPSO算... 

【文章來源】：哈爾濱工程大學(xué)黑龍江省 211工程院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

λ=1時Sigmoid函數(shù)圖像

獵物和捕食者的時間曲線圖

獵物和捕食者關(guān)系曲線圖

【參考文獻(xiàn)】：
期刊論文
[1]帶交叉算子的量子粒子群優(yōu)化算法[J]. 陳漢武,朱建鋒,阮越,劉志昊,趙生妹.  東南大學(xué)學(xué)報(自然科學(xué)版). 2016(01)
[2]淺析量子力學(xué)中的不確定性原理[J]. 袁愛芳,劉迪迪.  大學(xué)物理. 2011(11)
[3]協(xié)同演化算法研究進(jìn)展[J]. 董紅斌,黃厚寬,印桂生,何軍.  計算機研究與發(fā)展. 2008(03)



本文編號：2930733