论文部分内容阅读
智能优化算法是通过模拟或揭示某些自然现象或过程发展而来的,它不需要建立被优化问题的精确数学模型,为解决复杂问题提供了新的思路和手段。作为计算智能的一个重要分支,群智能优化算法中的蚁群算法和粒子群算法,因其高效的优化性能,已经在优化计算领域得到了广泛的应用,但是它们不可避免地都存在一些缺点。将量子机制分别引入到蚁群算法和粒子群算法中,结合了它们优化各自的优势,不仅能改善原有算法的优化性能,还能扩大算法的应用领域,为实际优化问题提供借鉴。本文首先详细介绍了蚁群算法和粒子群算法的基本原理,总结了两种算法的优缺点,分析比较了多种改进的蚁群算法和粒子群算法,为后续的研究工作提供了理论基础。针对蚁群算法容易出现停滞现象和收敛速度慢,以及将其更好地拓展到连续空间优化的问题,引入量子计算理论并将其与蚁群算法相融合,阐述了量子蚁群优化算法的基本思想和计算原理,并对量子蚁群算法加入了改进策略,根据搜索过程自适应地改变全局选择因子和信息素挥发系数,引入随机干扰量子交叉操作,同时根据蚂蚁的当前位置信息来确定旋转门转角,通过测试函数和神经网络权值优化仿真表明,改进后的量子蚁群算法优化性能得到改善。控制器参数选择的合适与否对控制器质量具有重要的影响,针对模糊控制器和PID控制器参数难以整定的问题,提出了利用改进的量子蚁群算法优化上述两种控制器参数的方法,该方法的实质就是选择合适的适应度函数,利用改进的量子蚁群算法对控制器的可调参数进行优化,仿真结果表明该设计方法是可行和有效的。针对粒子群算法不能保证以概率1搜索到全局最优解这一最大缺陷,引进一种求解连续空间优化问题的量子粒子群优化算法,通过对测试函数的仿真分析表明其寻优能力和优化效率均优于粒子群算法。提出了基于量子粒子群算法的自抗扰控制器的参数优化方法。研究了自抗扰控制系统的结构,根据其结构对自抗扰控制器的主要模块进行功能描述和数学描述,利用MATLAB中的S函数构建了自抗扰控制系统的Simulink仿真模型。将量子粒子群算法应用到自抗扰控制器的参数优化中,通过仿真验证了该方法的可行性和有效性。