混沌量子粒子群算法在模型修正中的应用

doi:10.3778/j.issn.1002-8331.2010.02.071

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (2): 240-242.DOI: 10.3778/j.issn.1002-8331.2010.02.071

混沌量子粒子群算法在模型修正中的应用

秦玉灵¹，孔宪仁¹，罗文波²

1.哈尔滨工业大学卫星技术研究所，哈尔滨 150001
2.中国空间技术研究院，北京 100086

收稿日期:2009-09-11 修回日期:2009-10-12 出版日期:2010-01-11 发布日期:2010-01-11
通讯作者: 秦玉灵

Model updating based on chaos quantum-behaved particle swarm optimization algorithm

QIN Yu-ling¹，KONG Xian-ren¹，LUO Wen-bo²

1.Research Center of Satellite Technology，Harbin Institute of Technology，Harbin 150001，China
2.China Academy of Space Technology，Beijing 100086，China

Received:2009-09-11 Revised:2009-10-12 Online:2010-01-11 Published:2010-01-11
Contact: QIN Yu-ling

摘要/Abstract

摘要： 混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量，但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法，提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正，结果表明，混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力，修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。

关键词: 收敛速度, 局部极小, 混沌量子粒子群, 模型修正

Abstract: The Chaos-Particle Swarm Optimization algorithm（CPSO） and the Quantum-behaved Particle Swarm Optimization algorithm（QPSO） improve the search quantity of the standard Particle Swarm Optimization algorithm（PSO） to some extent，but they still have low convergence rate and are easy to get the local minimum value.The Chaos Quantum-behaved Particle Swarm Optimization algorithm（CQPSO） introduces the chaos search mechanism into the QPSO，which improves the search efficiency and the calculation quanlity.The PSO，CPSO，QPSO，CQPSO are used to update a plate，and results show that the CQPSO has higher search efficiency and isn’t easy to be trapped in the local optimal value，the Finite Element Model（FEM） updated by the CQPSO has higher updating precision than others.

Key words: convergence velocity, local minimum, Chaos Quantum-behaved Particle Swarm Optimization（CQPSO）, model updating

中图分类号:

TP206+.03

秦玉灵¹，孔宪仁¹，罗文波². 混沌量子粒子群算法在模型修正中的应用[J]. 计算机工程与应用, 2010, 46(2): 240-242.

QIN Yu-ling¹，KONG Xian-ren¹，LUO Wen-bo². Model updating based on chaos quantum-behaved particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2010, 46(2): 240-242.

[1]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[2]	王迪，李彩虹，郭娜，刘国名，高腾腾. 基于模糊势场法的移动机器人局部路径规划[J]. 计算机工程与应用, 2021, 57(6): 212-218.
[3]	贾雁飞，杜艳丽，赵立权. 快速收敛参考独立分量分析方法[J]. 计算机工程与应用, 2020, 56(7): 255-259.
[4]	郭银景，刘琦，鲍建康，徐锋，吕文红. 基于人工势场法的AUV避障算法研究综述[J]. 计算机工程与应用, 2020, 56(4): 16-23.
[5]	宋杰，许冰，杨淼中. 基于自适应步长果蝇优化算法图像分割[J]. 计算机工程与应用, 2020, 56(4): 184-190.
[6]	张晓莉，杨亚新，谢永成. 改进的蚁群算法在机器人路径规划上的应用[J]. 计算机工程与应用, 2020, 56(2): 29-34.
[7]	吉训生，蔡益青. 利用历史信息和限制算子求解MOFJSP[J]. 计算机工程与应用, 2020, 56(2): 272-278.
[8]	袁罗1，2，葛洪伟1，2. 基于随机鞭策机制的散漫度粒子群算法[J]. 计算机工程与应用, 2019, 55(4): 66-71.
[9]	陈博文，蒋磊，刘潇文，张群. 基于混沌量子粒子群的FHN神经元UWB信号检测[J]. 计算机工程与应用, 2017, 53(6): 135-140.
[10]	周丹1，2，葛洪伟1，2，张欢庆1，杨金龙1. 基于健康度的人工蜂群粒子群算法[J]. 计算机工程与应用, 2016, 52(18): 62-67.
[11]	冀荣华1，李想1，高万林1，王枫辰2，祁力钧2. 多维正态分布分段禁忌优化算法的参数优化[J]. 计算机工程与应用, 2015, 51(6): 59-63.
[12]	王开荣，冉慧. 求无约束优化问题的无参数填充函数法[J]. 计算机工程与应用, 2014, 50(14): 64-67.
[13]	胡山锋1，李洪烈2，林成浴2，宋高俊1. 一种多种群遗传策略的OFDM功率分配算法[J]. 计算机工程与应用, 2014, 50(14): 202-205.
[14]	钱伟懿，卢静. 二次插值的粒子群优化算法[J]. 计算机工程与应用, 2013, 49(4): 35-38.
[15]	张欣1，王兵2，杨颖3，王苗2，吴辰2，张进兴2. 胸部CT图像肺区域边界凹陷自动修补[J]. 计算机工程与应用, 2013, 49(24): 191-194.

混沌量子粒子群算法在模型修正中的应用

Model updating based on chaos quantum-behaved particle swarm optimization algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics