基于拟反向学习的自适应QPSO算法及其在工程中的应用

摘要

为改善量子粒子群优化(quantum-behaved particle swarm optimization algorithm, QPSO)算法在求解复杂的多模问题时表现出的收敛精度差和易于陷入局部最优的问题，提出了一种基于拟反向学习的自适应QPSO算法.首先，借鉴拟反向学习的思路，对粒子初始位置进行优化调整，增加算法搜索效率，加快收敛速度；其次，在粒子运动幅度的设置中考虑了种群进化程度和粒子聚集程度，构造了具有自适应特点的收缩-扩张因子，用于增强算法的局部挖掘和全局搜索能力；然后，将混沌映射的方法引入到越界粒子的处理上，有助于算法逃离局部最优.接着，基于14个测试函数将改进算法与8种智能优化算法进行对比分析.最后借助2个具体的工程设计问题进一步检验改进算法在实际应用中的效果.实验结果表明改进算法无论在基准测试中还是在工程应用上，其搜索能力更强，整体性能表现更为均衡.

关键词

量子粒子群优化算法 / 拟反向学习 / 收缩-扩张因子 / 混沌映射 / 工程应用