量子進化算法及其在聚類分析與系統(tǒng)辨識中的應(yīng)用.pdf

1、量子進化算法是一種基于量子計算的智能優(yōu)化方法,它把量子計算的概念和理論引入進化算法,使用量子位編碼染色體,每條染色體表示所有可行解的疊加,通過觀察操作得到問題的候選解,由量子門實現(xiàn)染色體的更新。該算法具有很強的優(yōu)化性能,可以有效的解決早熟收斂問題,已經(jīng)成為進化計算領(lǐng)域的研究熱點。本論文主要針對量子遺傳算法的分析與改進,量子進化算法與其他算法的融合及其在聚類分析、系統(tǒng)辨識的應(yīng)用等領(lǐng)域展開系統(tǒng)、深入的研究。主要研究內(nèi)容包括以下幾個方面:

2、r>　　1.針對量子遺傳算法存在的不足,提出了一種改進的量子遺傳算法。算法中量子位采用角度形式表示,將量子角度與最優(yōu)解角度直接比較確定旋轉(zhuǎn)門轉(zhuǎn)角,引入基于量子非門的染色體變異操作防止早熟收斂。通過對改進算法及其收斂性進行分析,證明了該算法的全局收斂性。
　　2.在量子啟發(fā)進化算法的基礎(chǔ)上,對其進行了分析與改進。改進算法采用角度形式編碼染色體,將量子位的期望值與最優(yōu)解直接比較確定旋轉(zhuǎn)門轉(zhuǎn)角,引入Hε算子防止早熟收斂。將改進后的算法與

3、免疫克隆選擇算法結(jié)合,提出了量子免疫進化算法,通過將兩種算法的優(yōu)勢融合,有效提高了算法的尋優(yōu)性能。進一步,針對傳統(tǒng)模糊c均值算法依賴于初始狀態(tài),易陷入局部極值的缺點,將量子免疫進化算法與模糊c均值算法結(jié)合,提出了QIEA-FCM算法,先使用量子免疫進化算法初步確定聚類結(jié)果,再用模糊c均值算法實現(xiàn)最終聚類。通過仿真實驗表明了聚類方法的有效性。
　　3.針對T-S模型的建模問題,將改進的量子啟發(fā)進化算法與粒子群算法結(jié)合,提出了量子粒子

4、群進化算法,再將該算法與遞推最小二乘法結(jié)合,提出了QPSEA-RLS辨識方法,用于T-S系統(tǒng)建模。辨識過程中,每條染色體編碼表示一個模糊模型前件,使用遞推最小二乘法確定規(guī)則后件,通過量子粒子群進化算法對模型的整體優(yōu)化來得到一個最優(yōu)的模糊模型。
　　4.在基于最小二乘估計的模糊函數(shù)基礎(chǔ)上,提出了一種擴展T-S模型。該模型通過規(guī)則前件實現(xiàn)輸入空間的模糊劃分,將輸入變量相對于規(guī)則的隸屬函數(shù)引入規(guī)則后件,與輸入變量一同表達輸出變量。將QP