一种Q学习的量子粒子群优化方法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (21): 8-13.

一种Q学习的量子粒子群优化方法

盛歆漪1，孙俊2，周頔1，须文波2

1.江南大学数字媒体学院，江苏无锡 214021
2.江南大学物联网学院，江苏无锡 214021

出版日期:2014-11-01 发布日期:2014-10-28

Quantum-behaved particle swarm optimization method based on Q-learning

SHENG Xinyi1, SUN Jun2, ZHOU Di1, XU Wenbo2

1.School of Digital Media, Jiangnan University, Wuxi, Jiangsu 214021, China
2.School of Internet of Things, Jiangnan University, Wuxi, Jiangsu 214021, China

Online:2014-11-01 Published:2014-10-28

摘要/Abstract

摘要： 分析了量子行为粒子群优化算法，着重研究了算法中的收缩扩张参数及其控制方法，针对不同的参数控制策略对算法性能的影响特点，提出将Q学习方法用于算法的参数控制策略，在算法搜索过程中能够自适应调整选择参数，提高算法的整体优化性能；并将改进后的Q学习量子粒子群算法与固定参数选择策略，线性下降参数控制策略和非线性下降参数控制策略方法通过CEC2005 benchmark测试函数进行了比较，对结果进行了分析。

关键词: 粒子群算法, Q学习, 参数选择, 量子行为

Abstract: Quantum-behaved Particle Swarm Optimization algorithm is analyzed; contraction-expansion coefficient and its control method are studied. To the different performance characteristics with different coefficients control strategies, a control method of coefficient with Q-learning is proposed. The proposed method can tune the coefficient adaptively and the whole optimization performance is increased. The comparison and analysis of results with the proposed method, constant coefficient control method, linear decreased coefficient control method and non-linear decreased coefficient control method based on CEC2005 benchmark function is given.

Key words: Particle Swarm Optimization（PSO） algorithm, Q-learning, parameter selection, quantum behavior

盛歆漪1，孙俊2，周頔1，须文波2. 一种Q学习的量子粒子群优化方法[J]. 计算机工程与应用, 2014, 50(21): 8-13.

SHENG Xinyi1, SUN Jun2, ZHOU Di1, XU Wenbo2. Quantum-behaved particle swarm optimization method based on Q-learning[J]. Computer Engineering and Applications, 2014, 50(21): 8-13.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	张俊杰，张聪，赵涵捷. 重复利用状态值的竞争深度Q网络算法[J]. 计算机工程与应用, 2021, 57(4): 134-140.
[5]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[6]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[7]	杨薛钰，陈建平，傅启明，陆悠，吴宏杰. 基于随机方差减小方法的DDPG算法[J]. 计算机工程与应用, 2021, 57(19): 104-111.
[8]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[9]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[10]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[11]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[12]	司彦娜，普杰信，臧绍飞. 基于残差梯度法的神经网络Q学习算法[J]. 计算机工程与应用, 2020, 56(18): 137-142.
[13]	王梦娇，尹翔，黄宁馨. 基于迁移学习的多任务分配算法[J]. 计算机工程与应用, 2020, 56(13): 150-155.
[14]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[15]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.