一种新型量子蜂群智能优化算法制造技术

本发明专利技术公开一种新型量子蜂群智能优化算法，将量子计算理论与人工蜂群算法相结合，通过量子比特对种群个体进行编码并转换到相应的解空间中，再利用

【技术实现步骤摘要】
一种新型量子蜂群智能优化算法


[0001]本专利技术属于群体智能优化算法
，具体涉及一种新型量子蜂群智能优化算法
。

技术介绍

[0002]随着工程领域的不断发展，已经出现了大量的复杂约束优化问题
。
优化问题通常具有多个目标函数以及约束条件，其旨在从众多可能解中找出最合适的解以使得约束方程实现最佳结果
。
对于这些复杂的优化问题，传统方法
(
例如梯度下降法
、
牛顿法等
)
通过遍历整个解空间找到最优解，这需要花费大量时间
。
且随着实际工程问题日益复杂，传统方法已不能及时且高效的解决问题
。
因此寻找一种有效的优化方法已经成为相关学科中重要的研究方向
。
[0003]群智能优化算法通过模仿自然界中各个种群的生存发展，遵守优胜劣汰的原则来实现优化问题的寻优
。
由于其可以不依赖问题自身性质就能够快速解决优化问题，且对目标函数和约束条件没有特殊要求，因此已经发展成为一种有效的优化方法，并且引起了许多学者的注意
。
粒子群算法
、
人工蜂群算法
、
蚁群算法等就是非常典型的群智能优化算法
。
其中，人工蜂群算法是
2005
年提出的一种有效的优化方法，它通过模拟自然界中的蜂群觅食来解决复杂的优化问题；相较于其他算法，它具有计算精度高，收敛速度快
、
鲁棒性强等优点r/>。
但是同大部分群智能优化算法一样，存在解决复杂优化问题时收敛性能较差
、
容易陷入局部最优的问题
。
[0004]因此，如何对人工蜂群算法进行改进，提高其计算精度和收敛性能并且避免陷入局部最优，是目前人工蜂群算法解决优化问题以及应用到实际工程问题时有待解决的问题
。

技术实现思路

[0005]本专利技术目的在于提供一种新型量子蜂群智能优化算法，以解决现有人工蜂群算法求解优化问题时存在的计算精度不够
、
收敛性能较差以及易陷入局部最优等问题
。
[0006]为实现上述目的，本专利技术的具体技术方案如下：
[0007]一种新型量子蜂群智能优化算法，包括以下步骤：
[0008]步骤1：初始化参数，包括种群数量
、
种群维度
、
迭代次数
、
量子角和观察次数
。
[0009]步骤2：通过量子比特对蜂群个体进行编码，生成初始种群并将其转换到解空间，将每个个体位置作为当前蜜源位置；
[0010]步骤3：利用
Sin
混沌模型对转换到解空间中的种群进行处理，计算出每个蜜源位置的适应度值，并且记录当前最好的适应度值；
[0011]步骤4：雇佣蜂阶段：随机选择一个蜜源位置，在其附近通过量子旋转门生成一个新的蜜源位置，计算其适应度值，若优于前者适应度值，则进行替换，否则保留前者；
[0012]步骤5：观察蜂阶段：根据选择概率选择蜜源位置，派出观察蜂对该位置进行观察，
并通过量子旋转门生成一个新的位置，对比两者的适应度值，保留最优的蜜源位置；
[0013]步骤6：侦察蜂阶段：当一个蜜源位置的观察次数达到上限时，判断该蜜源位置的适应度值是否为最优值，是则保留，否则利用柯西因子对其进行变异；
[0014]步骤7：记录当前最优蜜源位置以及相应的最优解；
[0015]步骤8：判断迭代次数是否到达最大值，若达到最大值则停止，输出当前最优解；否则将跳转到步骤
4。
[0016]进一步地，所述步骤2中，通过量子比特对蜂群中的个体进行编码生成初始种群的实现方法为：
[0017]步骤
2.1
：定义好每个个体位置的量子比特，接着将该量子比特的余弦值与正弦值分别计算出来，以两行一列的矩阵形式作为个体的位置定义，其中余弦值为矩阵的第一行，正弦值为矩阵的第二行；假设种群数量为
N
，解空间维度为
D
，则
θ
iD
是第
i
个量子角且
θ
＝2π
×
rand
，第
i
个量子比特串为：
[0018][0019]其中
P
ic
和
P
is
代表第
i
个在余弦位置
Cos
和正弦位置
Sin
上的蜜源个体，
i
＝
1,2,...,N
；
[0020]步骤
2.2
：生成初始种群后，将每个个体位置作为初代蜜源位置，为计算出当前蜜源位置的适应度值，将该蜜源位置根据实际求解问题的解空间中的上界值与下界值转换到解空间，转换公式如下：
[0021][0022]其中
min
j
和
max
j
代表第
j
维的定义域中的下界与上界，
j
＝
1,2,...,D。
[0023]进一步地，所述步骤3中，利用
Sin
混沌模型对转换到解空间中的种群进行处理的实现方法为：初始化完成后，将量子比特定义好的蜜源位置逐一映射到实际求解问题的解空间中，再根据
Sin
混沌模型进行处理，
Sin
混沌模型的数学模型如下：
[0024][0025]当初始化种群后，利用
Sin
混沌模型处理转换到解空间中的蜜源个体，其实现方式如下：
[0026][0027]其中，为第
i
个第
j
维余弦位置上的蜜源位置，为第
i
个第
j
维正弦位置上的蜜源位置
。
[0028]进一步地，所述步骤4中，通过量子旋转门更新蜜源位置的实现方法如下：
[0029]步骤
4.1
：更新量子角，通过相应公式计算出量子旋转门，其通过两行两列的矩阵形式展现出来，量子旋转门公式如下：
[0030][0031]其中，
Δθ
ij
为更新后对应第
i
个第
j
维的量子角；
[0032]步骤
4.2
：量子旋转门与现有位置的乘积即更新后的蜜源位置，更新蜜源位置的公式如下：
[0033][0034]其中，
t
为当前迭代次数，
Δθ
ij
(t)
为第
t
代
、
第
i
个
、
第
j
维的量子角
。
[0035]进一步地，所述步骤5中，所述选择概率
p本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种新型量子蜂群智能优化算法，其特征在于，包括以下步骤：步骤1：初始化参数，包括种群数量
、
种群维度
、
迭代次数
、
量子角和观察次数；步骤2：通过量子比特对蜂群个体进行编码，生成初始种群并将其转换到解空间，将每个个体位置作为当前蜜源位置；步骤3：利用
Sin
混沌模型对转换到解空间中的种群进行处理，计算出每个蜜源位置的适应度值，并且记录当前最好的适应度值；步骤4：雇佣蜂阶段：随机选择一个蜜源位置，在其附近通过量子旋转门生成一个新的蜜源位置，计算其适应度值，若优于前者适应度值，则进行替换，否则保留前者；步骤5：观察蜂阶段：根据选择概率选择蜜源位置，派出观察蜂对该位置进行观察，并通过量子旋转门生成一个新的位置，对比两者的适应度值，保留最优的蜜源位置；步骤6：侦察蜂阶段：当一个蜜源位置的观察次数达到上限时，判断该蜜源位置的适应度值是否为最优值，是则保留，否则利用柯西因子对其进行变异；步骤7：记录当前最优蜜源位置以及相应的最优解；步骤8：判断迭代次数是否到达最大值，若达到最大值则停止，输出当前最优解；否则将跳转回步骤
4。2.
根据权利要求1所述的一种新型量子蜂群智能优化算法，其特征在于，所述步骤2中，通过量子比特对蜂群中的个体进行编码生成初始种群的实现方法为：步骤
2.1
：定义好每个个体位置的量子比特，接着将该量子比特的余弦值与正弦值分别计算出来，以两行一列的矩阵形式作为个体的位置定义，其中余弦值为矩阵的第一行，正弦值为矩阵的第二行；假设种群数量为
N
，解空间维度为
D
，则
θ
iD
是第
i
个量子角且
θ
＝2π
×
rand
，第
i
个量子比特串为：其中
P
ic
和
P
is
代表第
i
个在余弦位置
Cos
和正弦位置
Sin
上的蜜源个体，
i
＝
1,2,...,N
；步骤
2.2
：生成初始种群后，将每个个体位置作为初代蜜源位置，为计算出当前蜜源位置的适应度值，将该蜜源位置根据实际求解问题的解空间中的上界值与下界值转换到解空间，转换公式如下：其中
min
j
和
max
j
代表第
j
维的定义域中的下界与上界，
j
＝
1,2,...,D。3.
根据权利要求1所述的一种新型量子蜂群智能优化算法，其特征在于，所述步骤3中，利用
Sin
混沌模型对转换到解空间中的种群进行处理的实现方法为：初始化完成后，将量子比...

【专利技术属性】
技术研发人员：马瑞梓，桂俊宝，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：