一种基于量子行为的改进粒子群算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (36): 89-90.

一种基于量子行为的改进粒子群算法

马金玲,唐普英

电子科技大学光电信息学院，成都 610054

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-21 发布日期:2007-12-21
通讯作者: 马金玲

Modified particle swarm optimization with particles having quantum behavior

MA Jin-ling,TANG Pu-ying

School of Opto-electronic Information，University of Electronic Science and Technology of China，Chengdu 610054，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-21 Published:2007-12-21
Contact: MA Jin-ling

摘要/Abstract

摘要： 研究粒子群优化算法（PSO）的收敛速度，以提高该算法性能是PSO的一个重要而且有意义的研究。Jun Sun 等人通过对PSO系统下的单个个体在量子多维空间的运动及其收敛性的分析，提出了具有函数形式的粒子群算法（Quantum Delta-Potential-Well-based PSO）。在此基础上进行了改进，用粒子的速度来产生一个随机数引导粒子向最优解快速靠拢，并对速度的处理采取了新的策略。仿真结果表明：该改进算法对收敛速度有非常好的改善，而且稳定性也较好。

关键词: 粒子群优化算法, 量子行为, 量子机理

Abstract: It makes sense to search on the PSO from its convergence speed in order to improve its performance.Jun Sun etc proposed the QDPSO inspired by the analysis of convergence of PSO and individual particle moving in a quantum multi-dimension space in PSO system，and established a quantum Delt potential well model for PSO.The random number produced by speed of particles is used to guide particles converging to the optimal solution quickly.The modified QDPSO takes a new method for speed.The experiment result shows that the performance of modified algorithm is far better，faster and more stabile in convergence.

Key words: particle swarm optimization, quantum behavior, quantum mechanics

马金玲,唐普英. 一种基于量子行为的改进粒子群算法[J]. 计算机工程与应用, 2007, 43(36): 89-90.

MA Jin-ling,TANG Pu-ying. Modified particle swarm optimization with particles having quantum behavior[J]. Computer Engineering and Applications, 2007, 43(36): 89-90.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[5]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[6]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[7]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[8]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[9]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[10]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[11]	赵吉1，2，程成3. 基于演化搜索信息的量子行为粒子群优化算法[J]. 计算机工程与应用, 2017, 53(9): 41-46.
[12]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[13]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[14]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[15]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.