量子粒子群优化算法Quantum Particle Swarm Optimization,看这一篇就够了-matlab免费代码

优化算法侠Swarm-Opti

于 2025-02-13 18:49:09 发布

阅读量1.1k

点赞数 27

分类专栏：改进策略智能优化算法文章标签：算法 matlab 开发语言

本文链接：https://blog.csdn.net/weixin_44028734/article/details/145618406

版权

智能优化算法同时被 2 个专栏收录

551 篇文章

订阅专栏

改进策略

11 篇文章

订阅专栏

引言

量子粒子群QPSO的灵感来源于量子力学和粒子群的轨迹分析。轨迹分析表明，粒子群中的每个粒子都围绕其局部吸引子振荡并收敛，或者说，每个粒子都处于束缚态。在QPSO中，假设粒子具有量子行为并处于束缚态，并进一步假设粒子被以其局部吸引子为中心的量子势阱所吸引，从而具有新的位置随机更新方程。

1.量子粒子群QPSO

量子粒子群QPSO采用波函数(Schrödinger方程)描述粒子状态，替换了原有PSO中的位置和速度。因此，使用以下两个方程中的一个来更新粒子的位置：

其中α为控制系数，u是在[0,1]范围内使用均匀分布的随机数。p参数由局部最优值P和全局最优值G控制，公式如下：

C为为所有粒子最佳位置的平均值：

因此，QPSO的伪代码如下，包含了2种类型：

2.高斯量子粒子群GQPSO

在量子粒子群算法中使用高斯变异算子代替随机序列是提高量子粒子群算法性能的有效策略，可以防止量子粒子群算法过早收敛到局部最优。提出了一种基于高斯概率分布的突变算子的量子粒子群算法GQPSO。

首先，粒子更新为：

其中c1参数为高斯概率分布的随机数的绝对值：

c1=abs(N(0,1))

随后，p参数修改为：

c2参数也是高斯概率分布的随机数的绝对值。

03. 对比验证

使用CEC2017测试函数进行定性分析。QPSO算法因其独特的量子行为和高效的优化能力，在解决复杂优化问题时表现出色，是一种值得深入研究和应用的优化算法。

参考文献

[1] Coelho L D S .Gaussian quantum-behaved particle swarm optimization approaches for constrained engineering design problems[J].Expert Systems with Applications, 2010, 37(2): 1676-1683. DOI:10.1016/j.eswa.2009.06.044.

Sun, Jun; Fang, Wei; Wu, Xiaojun; Palade, Vasile; Xu, Wenbo . (2012). Quantum-Behaved Particle Swarm Optimization: Analysis of Individual Particle Behavior and Parameter Selection. Evolutionary Computation, 20(3), 349–393. doi:10.1162/EVCO_a_00049