Jan, 2024

基于量子启发的混沌鲸群优化算法在动态优化中的应用

PDF
TL;DR该研究探索了一种名为量子启发式混沌鳐鱼群智能优化 (Quantum-inspired Chaotic Salp Swarm Optimization, QCSSO) 的新算法，旨在通过定位和跟踪全局最优解以有效处理动态优化问题。通过与其他算法进行比较实验，发现该算法是动态优化问题的竞争对手。
dynamic optimization problemsquantum-inspired chaotic salp swarm optimizationdopsalgorithmpopulation diversity
发现论文，激发创造
  • DQSSA：一种量子启发式的在线社交网络影响力最大化解决方案（学生摘要）

    基于量子原理的离散化蛙群算法（DQSSA）针对社交网络中的影响扩散进行了优化。实验结果表明，与现有的尖端算法相比，DQSSA 具有卓越的性能。

    Nov, 2023

  • 基于改进的鲲鸟群算法的云空间职责调度

    云计算和任务调度算法的研究，使用遗传算法、颗粒群优化、蚁群优化以及扩展改进的 Salp Swarm Algorithm 进行比较。研究结果表明，提出的算法性能普遍优于其他算法，如与基本的 Salp Swarm Algorithm 相比，平均减少近 21% 的执行时间。

    Sep, 2023

  • 动态场景下的高效实时路径规划与自进化粒子群优化

    利用张量操作形式的自进化粒子群优化 (SEPSO) 可提高计算效率并在动态路径规划中生成出色路径，具有优越的实时性能。

    Aug, 2023

  • 半途逃生优化：复杂优化问题的量子启发式解决方案

    该论文提出了半途遁地优化（HEO）算法，一种新颖的量子启发式元启发式算法，旨在解决具有复杂优化问题的崎岖地形和高维度的问题，具有高效的收敛速度。研究对 HEO 的性能进行了全面比较评估，包括与已有的优化算法（包括粒子群优化、遗传算法、人工鱼群算法、灰狼优化器和量子行为粒子群优化）的对比。主要分析涵盖了 30 维度的 14 个基准函数，证明了 HEO 在导航复杂的优化地形中的有效性和适应性，并为其性能提供了有价值的见解。在旅行推销员问题（TSP）中的简单测试也表明了其在实时应用中的可行性。

    May, 2024

  • PAO: 具有精确动力学和闭合转移密度的通用粒子群算法

    研究了一种高度通用的解释性粒子群优化算法 PAO，它可以精确计算每一步的转移密度，并且具有其他有用的特性，例如封闭形式的转移密度，是一个潜在的用于全局优化的有前途的算法。

    Apr, 2023

  • 使用蜜蜂算法和多父交叉方法改进的离散粒子群优化（案例研究：分配问题和基准函数）

    粒子群优化算法相比其他技术更易于使用且变异性较低，但在大规模优化问题中寻找最佳解决方案相对复杂，该研究提出了基于旁观者多亲本交叉离散粒子群优化算法（OMPCDPSO），通过在最佳解决方案上应用多亲本交叉，利用旁观者蜜蜂进行独立和深入的局部搜索，结合局部搜索和全局搜索，算法在分配问题的优化中表现出较高的能力，优于其他算法。

    Mar, 2024

  • 多起点方法用于量子近似优化

    本研究使用多次启动优化方法优化量子近似优化算法在图形聚类问题中的性能，并证明重用类似问题的最优参数可以扩展用于 MAXCUT 的相似结果。

    May, 2019

  • 基于知识辅助的大规模原油调度的双阶段进化优化

    在现代炼油厂中，随着原油调度规模的扩大，涉及数千个二进制变量和非线性约束的大规模原油调度问题（LSCOSPs）变得越来越具有挑战性，难以通过传统的优化方法进行优化。为了解决 LSCOSPs，我们以一个海上进出口炼油厂的实际原油调度为例，从原油卸载、运输、原油蒸馏装置加工和中间产品库存管理方面对 LSCOSPs 进行建模。基于所提出的模型，我们开发了一个由启发式规则驱动的双阶段进化算法（DSEA/HR），其双阶段搜索机制包括全局搜索和局部优化。在全局搜索阶段，我们设计了几个基于经验操作知识的启发式规则，以在混合变量空间中生成良好性能的初始种群并加速收敛。在局部优化阶段，我们提出了一种修复策略，通过进一步优化局部连续变量，将不可行解移动到可行区域。在整个进化过程中，所提出的双阶段框架在探索和开发之间起着关键的平衡作用。实验结果表明，DSEA/HR 在合理的时间内优于现有的数学规划方法和元启发式算法，在 LSCOSP 实例上表现出色。

    Jan, 2024

  • Guided-SPSA: 运用参数偏移规则辅助的同时扰动随机近似优化

    我们引入了一种新的梯度估计方法，称为 Guided-SPSA，它有意地结合了参数漂移规则和基于 SPSA 的梯度近似，能够在训练过程中减少所需的电路评估数量 15% 到 25％，并取得与参数漂移规则相比类似或更好的优化结果。Guided-SPSA 在所有情况下都优于标准 SPSA，并在参数子优化初始化等情况下优于参数漂移规则。我们通过数值实验展示了 Guided-SPSA 在量子机器学习的不同范式（如回归，分类和强化学习）上的性能。

    Apr, 2024

  • 量子 Metropolis 求解器：量子行走优化问题的方法

    该研究论文探讨基于量子行走的 Metropolis-Hastings 量子算法，并使用此算法构建了名为 Quantum Metropolis Solver（QMS）的量子软件工具，通过 N-Queen 问题进行了验证，以展示潜在的量子优势。

    Jul, 2022