论文部分内容阅读
在现实生活中，工程设计、生产管理、交通运输、农业预测、选址问题等都需要解决一些难以用常规数学规划解决的复杂优化问题。为解决这些问题人们提出了许多优化算法，其中群体智能是模拟社会性动物的群体行为，利用群体中个体间的相互协作、信息交流来实现寻优的目的，是一种对给定目标进行寻优的启发式算法。群体智能算法的典型代表是模拟鸟类群体行为的粒子群优化(ParticleSwarm Optimization，PSO)算法。该算法具有参数少、原理简单、收敛快、所需领域知识少等特点，所以其提出以来受到非常大的关注。许多学着也对其进行了各方面的研究。但仍然存在这理论研究不足、算法易早熟、收敛精度不高等缺点。
基于种种不足，本文在深入研究PSO的基本特征和世界物质普遍规律的情况下，受量子物理学的启发，特别是对量子粒子行为和海森堡测不准原理的分析后，将PSO算法引入量子无限深方势阱模型，建立起粒子群优化算法的量子模型，并提出基于量子空间的粒子群优化算法(Particle Swarm Optimizationalgorithm Based On Quantum Space Regulation，QSPSO)，该算法具有收敛精度高、依赖参数少、可扩展性强等特点。
本文以PSO算法和量子规律为研究重点，系统的介绍了粒子群算法原理，提出该类算法的量子模型和寻优的本质。在该模型的基础上，经研究提出QSPSO算法，并应用于现实问题。具体内容如下：
(1)从最优化问题和量子力学的基本概念入手，介绍了粒子群优化算法的起源和几种经典的粒子群优化算法及其改进。从各种改进方法中总结出粒子群优化这类群体智能算法的寻优特性，作为本文研究的出发点。
(2)本文思想来源于分析得到的粒子群优化算法和量子空间的一些特征，通过抽象所需要的规律，提出一种全新的模型对粒子群算法本质进行分析，并定义了粒子群优化算法的量子模型描述，并通过模型解释算法执行过程中的内部机制。最后，从实验的角度印证了这种分析
(3)提出一种基于量子空间规律的粒子群优化算法QSPSO，并分析了其优点。采用仿真实验验证了该算法的可行性。分析了QSPSO的收敛性及收敛条件，通过实验研究了算法的参数控制方法，给出了参数选取的基本原则。提出了几种新的能级跃迁规则，指出算法的改进方向。
(4)借鉴离散PSO的方法，将QSPSO进行离散化定义，然后应用于TSP标准问题Burma14，证明离散QSPSO算法对TSP问题的求解的有效性。