基于量子粒子群算法的连杆机构的优化设计

粒子群算法是一种基于鸟群的智能优化方法,量子粒子群算法是对粒子群算法进行改进的算法,运算规则简单,收敛速度快,变量少,易于编程实现。对于多目标、多约束条件的四连杆机构优化设计,本文提出了一种基于量子粒子群算法求解的设计方法。经过仿真实践,能够有效求解,是求解四连杆机构优化问题的一个较好方案。     

多粒子群混合算法求解虚拟组织服务资源配置

为了提高虚拟组织服务资源配置的效率,本文提出了一种多粒子群混合算法。该混合算法将多种群与线性搜索相结合,在算法优化过程中,通过多个粒子种群协同来控制种群的多样性,将多种群中较优的粒子进行复制,同时在每个种群中对单个粒子进行维变量变换。实验结果表明该方法具有可行性。     

基于量子粒子群算法求解供应链集成计划问题

随着全球化竞争的加剧和客户要求的不断提高、传统的生产管理方式使企业无法应对激烈竞争的挑战。量子粒子群算法是将量子计算理论和基本粒子群算法相结合的一种崭新的优化算法。将量子粒子群算法用于求解生产、采购集成决策问题。仿真结果证明了量子粒子群算法在供应链集成决策问题上的可行性、有效性和优越性。     

带时间窗车辆路径问题的混合量子粒子群算法

针对带时间窗的车辆路径问题,采用混合量子粒子群算法对该问题进行了求解,该算法将量子粒子群算法与模拟退火算法相结合．充分发挥量子粒子群算法全局寻优能力强以及模拟退火算法局部寻优能力强的特点,从而能有效地避免早熟。仿真结果表明,该算法不仅收敛速度快,而且还具有较高的求解质量。     

基于QPSO算法的钢管混凝土构件的优化

钢管混凝土具有承载力高,韧性和塑性好以及施工方便等的优点,近些年在高层建筑中应用广泛。本文采用量子粒子群算法,将其应用到钢管混凝土结构构件的设计优化中,以满足梁柱的各项力学指标为约束条件,经济指标(最小)为目标函数,并与标准PSO算法和改进的GA算法的优化结果进行比较,结果表明在承载力符合设计要求的前提下,量子粒子群算法求得了更小的目标函数值,达到了梁柱构件造价最低的目的。     

自适应粒子群优化算法在车间作业调度问题中的应用

采用粒子群优化算法对该问题进行求解,为了提高算法的求解性能,针对粒子群算法特点,提出了一种自适应的惯性权值来调整算法的搜索空间和一种自适应更新策略来动态地更新粒子的位置.最后通过经典的实例对本文提出的算法进行了检验,结果表明,该改进的粒子群算法在求解车间作业调度问题是有效的.     

基于Qpso算法的应急资源调度应用研究

以连续性消耗应急过程为背景,运用量子行为粒子群算法求解多目标的应急资源调度数学模型。考虑施救成本费用和因施救不及时造成损失的构造模型的目标函数。针对该模型的特点,设计量子粒子群算法求解方法和步骤,用数值算例验证了所建立模型的合理性及量子粒子群算法的可行性和有效性。     

基于混合信息的粒子群优化算法

本文提出一种基于混合信息的粒子群优化算法。此算法具有充分利用种群信息,保证群体的多样性,快速收敛效果和避免陷入局部极值的能力。     

基于混合粒子群算法的车辆路径优化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法．该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点．避免了基本粒子群算法易陷入局部最优的缺点,提高了求解速度。该算法用于解决车辆路径问题。通过实验表明了这种算法具有较好的性能。     

基于混合粒子发群算法的车辆路径化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法.该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点,避免了基本粒子群算法易陷入局部最优的缺点.提高了求解速度.该算法用于解决车辆路径问题.通过实验表明了这种算法具有较好的性能.     

改进的离散粒子群算法在配送问题中的应用

为了解决配送问题，对离散粒子群优化算法进行改进，保留惯性权值对速度的影响，把粒子的解储存为数组形式．增加群体相似度和排斥算子来让粒子跳出局部最优；仿真结果与其它算法的结果进行对比，发现改进的粒子群算法能够找到更好的解，并且收敛速度快，能在一定程度上避免早熟现象。     

基于混合微粒群算法的带时间窗的车辆路径问题研究

本文在基本微粒群算法（PSO）的位置更新中引入了模拟退火算法思想，并改进了模拟退火算法（SA）中的降温操作该算法结合了基本PSO的快速寻优能力和SA的慨率突跳性，避免了基本PSO易于陷入局部最优的缺点，提高了进化后1期算法的收敛精度.把该算法用于解决有时间窗的车辆路径问题（VRHTW），它可以有效地求得有时间窗车辆路径问题的优化解。     

基于量子微粒群算法的车辆路径问题研究

提出一种基于量子行为的微粒群智能优化算法。使用量子角表示量子比特的状态,并引入微粒群算法中,对量子群中的各量子角进行自适应动态调整．设计一种新的编码方式,用于求解车辆路径问题,通过计算表明,该算法是解决车辆路径问题的有效方法。     

基于粒子群算法下的交叉口信号配时优化

为了合理地优化交叉口信号配时,通过分析交叉口的评价指标,建立了以车辆的平均延误、停车次数最小、交叉口整体通行能力最大、各相位有效绿灯时间和交叉口周期时长作为约束条件的数学模型。并通过改进前人研究基础上的动态加权系数,将多目标的非线性优化问题转化为单一目标的非线性规划问题,为了得出更科学稳定的解,提出了改善粒子群算法系统稳定性的2种方法,并将其与粒子群算法结合起来。然后以Matlab为求解工具,结合临邑市某一交叉口实例进行求解分析。最后的结果表明,在使用改进后的粒子群算法进行优化后交叉口通行能力较之现状提升了9%,延误下降了28%,停车次数下降了9%,且各项优化结果均优于Webster,改进后的算法在程序中运行300代,到216代才开始收敛,而未改进的算法稳定性较差,优化结果和收敛曲线则随着实验次数的变化而变化,最后的结论证明了该算法和模型的可靠性。     

基于粒子群算法的模糊插值建模方法研究

由于传统模糊建模方法中模型参数都是人们根据经验选取的,它对于不同系统的动态跟踪能力不同,泛化能力差。针对常规模糊推理的局限性,本文提出一种基于参数的模糊插值建模方法。设计了模糊糊理系统的模型和参数调整方案,利用粒子群算法优化模型中的参数,仿真结果表明该方法的有效性。     

基于电力系统调度结构优化方法研究

基于电力系统调度结构优化是电力系统分析的一个重要组成结构优化课题.提出基于高斯扰动和免疫系统理论的自适应差分进化算法和免疫系统理论的自适应差分进化算法。     

关于新时期统一战线理论创新的若干思考

30多年来,伴随我国改革开放和现代化建设取得重大成就,党的统一战线理论创新也取得了重大成果。本文主要从统一战线的性质演变、功能定位、范围拓展三大方面论述新时期统一战线理论新发展,阐明统一战线"理论指导实践、实践充实理论"的发展轨迹。深刻认识其理论创新的意义和作用,有利于巩固和发展最广泛的爱国统一战线,更好地为实现党和国家的历史任务服务。     

Application of quantum computing in discrete portfolio optimization

This study proposes a novel and more efficient quantum algorithm for portfolio optimization using quantum combinatorial optimization (QCO) techniques. A recent construction developed in 2021 has sparked the field of financial portfolio optimization through the Quantum Walk Optimization Algorithm (QWOA). In this study, we investigated the complexity and efficiency of quantum optimization algorithms with a special interest in QWOA. The objective is to minimize investment risk by having a good combination of assets in the portfolio. We also focused on reducing the number of iterations while attaining a high-quality resolution through contraction of the solution space to ease computations. The concept of QWOA was extended by constructing a newly outperforming scheme known as the “Quantum Mix Optimization Algorithm (QMOA).” QMOA algorithm codes were provided for the implementation and simulation of numerical results. In addition, the efficiency of QMOA, which is better than the existing QCO algorithms, was discussed. For instance, the least QWOA number of computations required to execute the initial state equation was p > 2, whereas this value was p ≥ 2 in the proposed QMOA.