收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

量子行为粒子群优化算法及其应用中的若干问题研究

赵晶  
【摘要】:进化计算是一种人工智能技术,通过模拟自然界中生物的进化过程进行优化问题的求解,基本迭代过程如下:首先随机生成问题的解,然后通过迭代更新探索待优化问题的最优解,整个迭代过程中解的优劣程度由适应度值的高低进行评价。比较有代表性的进化算法有遗传算法、进化策略、进化规划、遗传规划以及近几年发展起来的粒子群优化算法(Particle Swarm Optimization, PSO)和量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)。PSO算法的研究起源于鸟群的觅食行为,它认为鸟类寻找食物的过程与优化问题的求解过程非常类似,因此可以将待优化问题的每个解都看作是一只“鸟”在搜索空间中飞行。PSO算法参数设置简单、运算速度快,局部搜索能力强,但是一般的PSO算法不能保证以概率1搜索到全局最优解。将PSO算法扩展至量子空间,给出粒子具有量子行为的粒子群优化算法,即QPSO算法,相对于PSO算法来说,QPSO算法不需要粒子的速度信息,控制参数更少,全局搜索能力强。 本文从PSO算法和QPSO算法的基本原理和模型分析入手,提出几种改进算法,然后将算法应用于模糊神经网络、贝叶斯网络学习和蛋白质折叠。具体内容如下: (1)简单介绍了进化算法中的常用算法、模糊神经网络、贝叶斯网络学习和蛋白质折叠的基本知识,对已经取得的成果和下一步的研究方向进行了简单总结,然后引出本文的研究重点和内容。详细描述了PSO算法和QPSO算法的基本原理和模型,并给出算法的行为分析及收敛性分析,最后简单介绍了几种改进算法。 (2)针对大部分现有QPSO及其改进算法迭代过程中解的维度是固定不变的现象,提出可变维度的QPSO算法,用于解决实际应用中的动态优化问题。在算法进化过程中,解的维度不是固定不变的,与粒子的位置一起作为优化目标迭代进化。种群中的粒子在寻优过程中既能够找到适合优化问题的最优维度,又能够找到该最优维度下的最优位置即全局最优解。将提出的可变维度QPSO算法用于模糊神经网络中模糊规则数的确定以测试算法性能,在模糊神经网络优化过程中,模糊规则数的确定也就是算法优化过程中最优维度的确定是一个NP难问题,现有很多算法基本上都采用专家经验值确定模糊规则数,本文提出的算法能够有效解决依赖专家个人经验导致主观性太强的问题。 (3)为解决QPSO算法在求解复杂的高维多峰优化问题时的早熟收敛问题,将综合学习策略与合作思想融合引入该算法。综合学习策略能够有效增加种群多样性,提升全局搜索能力,而合作思想使算法对每一次迭代粒子每一维的变化都得到反馈,避免进化过程中丢失粒子解的优势部分,并引导算法迅速进入局部搜索。在提出的算法中,首先使用综合学习策略更新局部吸引子的位置,然后使用合作思想对粒子的解向量进行分解,采用一种和遗传算法非常类似的交叉操作,对解向量每一维的更新都进行评价。标准测试函数和模糊神经网络应用实验结果验证了该算法能够有效提高QPSO算法性能。 (4)贝叶斯网是一种系统描述随机变量之间关系的语言,构造贝叶斯网络结构的方法有两种:第一种是通过咨询专家的经验知识进行手工构造,第二种方法是通过机器学习方法对数据集进行分析获得,前一种方法主观性比较强,因此本文重点研究后一种方法。将构造贝叶斯网络的过程也就是贝叶斯网络的结构学习归结成一个优化问题,采用离散的QPSO算法进行优化。为避免算法的早熟收敛,仍然将合作思想和综合学习策略引入离散QPSO算法,用于贝叶斯网络的结构学习,算法采用邻接矩阵或向量表示贝叶斯网络,进化过程中采用变量之间的互信息消除不合理的结构,并使用贝叶斯信息准则(Bayesian Information Criterion,BIC)评分对构造的网络结构进行打分,最终获得最优结构。最后,用两个经典测试网络结构对改进算法进行了测试,测试结果验证了算法的有效性。 (5)蛋白质折叠问题是由氨基酸序列预测蛋白质结构的问题,本文采用格点模型来表示蛋白质,选择自由能全局最小能量函数作为适应度函数,将基于统计学习和概率分布模型的分布估计算法与离散QPSO算法相结合用于蛋白质折叠研究。分布估计算法全局搜索能力强,而在算法迭代后期,离散QPSO算法的局部搜索能力优越,将两者结合,取各自优点,使算法的进化既能快速定位于最优解的大致范围,又能迅速收敛至最优位置。最后使用蛋白质序列对改进算法的性能进行了测试。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 王娟勤;李书琴;;粒子群优化算法在求解线性规划方程中的效率研究[J];制造业自动化;2011年06期
2 吴庆洪;张颖;马宗民;;粒子群优化算法及其应用综述[J];微计算机信息;2010年30期
3 李丙春;;粒子群优化算法及其应用[J];喀什师范学院学报;2006年03期
4 刘彤彤;;基于小波网络的复杂系统建模方法研究[J];科技咨询导报;2007年11期
5 吴文珍;梁兴柱;房会军;马爱琴;;粒子群优化算法在管道保温优化设计中的应用[J];大庆石油学院学报;2007年03期
6 史海军;王志刚;郭广寒;;引入变异算子的粒子群优化算法[J];长春理工大学学报(自然科学版);2007年03期
7 郭伟;陈广义;;神经网络基于改进型粒子群算法的研究[J];佛山科学技术学院学报(自然科学版);2007年05期
8 关圣涛;楚纪正;邵帅;;粒子群优化算法在非线性模型预测控制中的研究应用[J];北京化工大学学报(自然科学版);2007年06期
9 林令娟;刘希玉;;动态自适应微粒群优化算法[J];信息技术与信息化;2009年02期
10 杨晓燕;;一种离散型多目标粒子群优化算法[J];莆田学院学报;2010年02期
11 赵建辉;张宪;李志勇;李良洪;付少波;;粒子群优化点匹配算法[J];微计算机信息;2010年15期
12 湛燕;陈昊;;使用粒子群优化算法学习聚类算法的参数[J];大众科技;2010年06期
13 周洪斌;;基于OpenMP求解QAP的并行粒子群优化算法[J];微型机与应用;2010年10期
14 李炳宇;萧蕴诗;;新的进化计算算法——粒子群优化算法[J];计算机科学;2003年06期
15 李炳宇,萧蕴诗,汪镭;PSO算法在工程优化问题中的应用[J];计算机工程与应用;2004年18期
16 李辉,张安,赵敏,徐琦;粒子群优化算法在FIR数字滤波器设计中的应用[J];电子学报;2005年07期
17 刘玉敏,俞重远,张建忠,张晓光,杨红波,张娜,杨伯君;粒子群优化算法用于光纤布拉格光栅综合问题的研究[J];激光杂志;2005年04期
18 邹彤;李宁;孙德宝;岑翼刚;;带阴性选择的粒子群优化算法[J];华中科技大学学报(自然科学版);2006年02期
19 潘昊;侯清兰;;基于粒子群优化算法的BP网络学习研究[J];计算机工程与应用;2006年16期
20 葛晓慧;黄进;;一种基于粒子群优化算法的混沌控制方法[J];电路与系统学报;2006年06期
中国重要会议论文全文数据库 前10条
1 徐东;李晔;唐旭东;庞永杰;廖煜雷;;基于变异行为的自适应粒子群优化算法[A];中国自动化学会控制理论专业委员会A卷[C];2011年
2 王光辉;陈杰;潘峰;;多种群协同粒子群优化算法求解动态环境优化问题[A];第二十七届中国控制会议论文集[C];2008年
3 李猛;王道波;甄子洋;;基于改进混合粒子群优化算法的模型最优降阶[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
4 陈志盛;李勇刚;;改进粒子群优化算法及其在磨削加工中的应用[A];第二十七届中国控制会议论文集[C];2008年
5 司维超;韩维;史玮韦;颜刚;;一种基于蜜蜂多群体觅食的粒子群优化算法[A];中国自动化学会控制理论专业委员会B卷[C];2011年
6 王群杰;齐美清;汪伟;李磊;;粒子群优化算法在波导高通滤波器设计中的应用[A];2011年全国微波毫米波会议论文集(上册)[C];2011年
7 马琰铭;;基于粒子群优化算法的晶体结构预测新技术及其在高压新结构研究中的应用[A];2011中国材料研讨会论文摘要集[C];2011年
8 文建辉;钟科军;唐丽娟;蒋健晖;;基于离散的粒子群优化算法结合主成分分析用于相似烟气样品的色谱区分[A];全国生物医药色谱学术交流会(2010景德镇)论文集[C];2010年
9 张翔;李纲;熊伟清;;修正AHP中判断矩阵一致性的粒子群优化算法[A];第二十九届中国控制会议论文集[C];2010年
10 陈定;牛宝君;何炳发;;和差分布的优化设计[A];2010年全国电磁兼容会议论文集[C];2010年
中国博士学位论文全文数据库 前10条
1 赵晶;量子行为粒子群优化算法及其应用中的若干问题研究[D];江南大学;2013年
2 徐星;融合热运动机制的粒子群优化算法研究及其应用[D];武汉大学;2010年
3 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年
4 傅阳光;粒子群优化算法的改进及其在航迹规划中的应用研究[D];华中科技大学;2011年
5 戴运桃;粒子群优化算法研究及其在船舶运动参数辨识中的应用[D];哈尔滨工程大学;2010年
6 王大志;面向实际工程问题的粒子群优化算法应用技术的研究[D];东北大学;2009年
7 张玮;粒子群优化算法研究及在阵列天线中的应用[D];太原理工大学;2010年
8 徐文星;混沌粒子群优化算法及应用研究[D];北京化工大学;2012年
9 李丹;粒子群优化算法及其应用研究[D];东北大学;2007年
10 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年
中国硕士学位论文全文数据库 前10条
1 孙晶晶;粒子群优化算法的改进及其应用研究[D];陕西师范大学;2010年
2 王婧;基于粒子群优化算法的集群调度策略研究[D];中国石油大学;2011年
3 张新娟;改进粒子群优化算法及其在图像分割中的应用[D];陕西师范大学;2011年
4 刘煌;基于GA的改进粒子群算法研究及其在TSP上的应用[D];武汉理工大学;2010年
5 苗爱敏;基于动态特征的粒子群优化算法研究[D];云南大学;2010年
6 杨洋;基于粒子群优化算法的准循环LDPC码构造[D];北京交通大学;2011年
7 刘现;蛋白质结构预测的粒子群优化算法研究[D];福建农林大学;2011年
8 沈锡;基于粒子群优化算法的船舶航向PID控制[D];大连海事大学;2011年
9 方昕;粒子群优化算法在路径规划中的应用[D];陕西师范大学;2010年
10 马艳伟;基于粒子群优化的异构多处理器任务调度算法研究应用[D];杭州电子科技大学;2010年
中国重要报纸全文数据库 前10条
1 兴业期货 秦小坡;基于PSO算法的二维动量空间在股指期货上的应用[N];期货日报;2010年
2 本报记者 程鸿;把服务作成产品[N];计算机世界;2002年
3 ;EXFO 100G测试解决方案[N];通信产业报;2010年
4 特约记者 王新;“南海奋进”号下水[N];中国船舶报;2001年
5 李宝华;中海油“流油” 造船人“解渴”[N];中国船舶报;2002年
6 林滨/中国船舶工业市场研究中心;韩造船目标全面锁定世界第一[N];中国船舶报;2002年
7 何宝新;外高桥又获FPSO船订单[N];中国船舶报;2002年
8 特约记者 牛序谋;中国首次建造LNG船触动韩造船企业神经[N];中国船舶报;2002年
9 本报记者 陈建栋;专注才会赢[N];光明日报;2002年
10 记者 霍军 高福学;沧州服务业连锁经营渐入佳境[N];河北日报;2002年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978