2024年FGCS SCI2区TOP：多样性迁移策略量子粒子群算法DM-QPSO，深度解析+性能实测

---

1.摘要

粒子群算法因其简单高效，已成功应用于实际优化问题。然而，传统粒子群优化算法在复杂的高维优化问题中表现不佳，容易陷入局部最优。为了解决这一问题，本文提出了一种基于多样性迁移的量子粒子群算法（DM-QPSO），其引入了一种新的迁移机制，能够在种群中捕捉不同范围的粒子，并根据适应度值和种群位置共同决定迁移个体的选择。通过比较粒子的适应度值和平均汉明距离，偏离种群中心范围的粒子将被替换，从而优化种群的迭代方向。

2.QPSO算法

QPSO是一种基于量子行为和群体智能的优化算法，该算法描述了粒子在量子空间中具有量子束缚态的聚集，并融合了量子行为的概念。在QPSO中，粒子的状态可以用波函数$\psi \left(X,t\right)$表示，概率密度函数$\left|\psi (X,t{)}^2\right|$用于确定粒子在任意时刻$t$出现位置$X$的概率，利用蒙特卡洛随机模拟来建模粒子的运动状态，可以得到粒子在势阱中的位置：
$$X=p\pm \frac{L}{2}\ln \frac{1}{u}$$
当粒子在多维目标寻找空间中运动时，相关变量的更新方程为:
$$p_{i,j}(t)=\phi P_{i,j}(t)+(1-\phi )G_j(t),1\le i\le M,1\le j\le D$$
$$\phi =c_1{r}_1/(c_1{r}_1+c_2{r}_2)$$
$$L_{i,j}(t)=2\beta \left|\begin{array}{c}{C}_j(t)-X_{i,j}(t)\end{array}\right|$$
$$C_j(t)=\frac{1}{M}\sum _{i=1}^M{P}_{i,j}(t)$$
$\beta$为膨胀收缩因子，通常取一个固定值或从1线性减小到0.5。$C_j(t)$表示粒子群的平均最佳位置，$p_{i,j}(t)$表示粒子的吸引子，由粒子的$p_{best}$和$g_{best}$决定。
变换后的粒子位置方程为：
$$X_{i,j}(t+1)=p_{i,j}(t)\pm \beta \left|C_j(t)-X_{i,j}(t)\right|\ln 1/u$$

3.DM-QPSO算法

多样性迁移策略

DM-QPSO不仅结合了传统的迁移策略，还增加了一个新的度量标准，用于确定粒子的进化方向。计算种群的代表性量，并选择种群中具有最小平均汉明距离（HD）的个体作为迁移对象。通过计算种群中每个粒子的平均汉明距离，选择具有最小平均汉明距离的粒子作为迁移对象。粒子的平均汉明距离为：
$$mean\_H=\frac{1}{M\left(M-1\right)/2}\sum _{i=1}^M\sum _{i=j+1}^{M}H\left(P_i,P_j\right)$$

根据种群表示，可以选择具有最小平均汉明距离（HD）值的粒子，并将其添加到迁移目标列表中。为了确定需要迁移的粒子，存在两种情况：
(a) 当种群中没有两个或更多粒子具有相同的平均汉明距离时，选择具有最小平均汉明距离的粒子作为迁移候选粒子。
(b) 当种群中有两个或更多粒子具有相同的平均汉明距离时，将比较粒子群体之间的适应度值，并选择适应度最差的粒子作为迁移对象。为了移除最差的粒子并增加种群的多样性，使用适应度最小的粒子替代已确定的迁移对象。

伪代码

流程图

4.结果展示

5.参考文献

[1] Gong C, Zhou N, Xia S, et al. Quantum particle swarm optimization algorithm based on diversity migration strategy[J]. Future Generation Computer Systems, 2024, 157: 445-458.

6.代码获取