量子混沌自适应粒子群优化算法的研究

摘要

为了提高粒子群算法求解连续函数优化问题的性能,提出一种量子混沌自适应粒子群优化算法.该算法首先采用量子位Bloch球面坐标编码方案对群体初始位置进行初始化,此种编码方式能扩展对搜索空间的遍历性,增加群体的多样性,进而加快算法的收敛速度;其次,采用Logistic混沌对种群的精英个体进行混沌搜索,有效地避免了粒子群算法陷入局部最优,从而获得更高质量的最优解.最后,采用自适应非线性惯性权值以进一步改善PSO算法的收敛速度和优化精度.通过对8个复杂高维函数寻优测试,仿真结果表明,改进算法更具竞争力,其性能整体较优,尤其适合复杂的高维函数寻优.