2024年ESWA SCI1区TOP:量子计算蜣螂算法QHDBO,深度解析+性能实测

目录


1.摘要

蜣螂优化算法是一种群体智能优化算法,具有较强的优化能力和快速收敛性,但容易在优化过程后期陷入局部最优解。本文提出了一种量子计算和多策略混合的蜣螂优化算法(QHDBO),QHDBO通过佳点集初始化种群,动态平衡机制,量子t分布变异策略增强DBO算法,可以避免算法陷入局部最优解。

2.蜣螂优化算法DBO原理

【智能算法】蜣螂优化算法(DBO)原理及实现

3.改进策略

佳点集策略

佳点集理论初始化种群, 保证初始种群在解空间分布更加均匀,在 dim 维空间取 n 个点的佳点集:
P n ( k ) = { ( { r 1 k } , ⋯   , { r i k } , ⋯   , { r i k } ) , k = 1 , 2 , ⋯   , n } P_{_n}(k)= \{( \{r^1k\} ,\cdots,\{r^ik\} ,\cdots,\{r^ik\} ) ,k= 1,2,\cdots,n\} Pn(k)={({r1k},⋯,{rik},⋯,{rik}),k=1,2,⋯,n}

其中, r i = { 2 c o s ( 2 π i / p ) } r^i=\{2\mathrm{cos}(2\pi i/p)\} ri={2cos(2πi/p)}, P P P是满足 p ⩾ 2 t + 3 p\geqslant2t + 3 p⩾2t+3的最小素数。

改进收敛因子

随着收敛因子 R R R的减小,最优繁殖和觅食区域的面积逐渐缩小。在算法的早期阶段,最优区域的面积较大,有助于算法进行更广泛的全局搜索;而在后期阶段,最优区域的面积较小,有助于算法集中进行局部探索。改进收敛因子 R R R:
R = ( cos ⁡ ( π ∗ ( t / T max ⁡ ) ) + 1 ) ∗ 0.5 R=(\cos(\pi*(t/T\max))+1)*0.5 R=(cos(π∗(t/Tmax))+1)∗0.5

平衡全局搜索与局部探索

DBO算法中觅食蜣螂和繁殖蜣螂的数量保持恒定。繁殖蜣螂通过严格控制位置更新在最优繁殖边界内,为算法提供局部探索能力;而觅食蜣螂的位置更新不受严格限制,允许其在较大的范围内移动,从而为算法提供全局探索能力。QHDBO设计了一个动态临界值,将两种种群合并以优化算法的探索能力:
P = 0.2 + t / T max ⁡ ∗ 0.6 P=0.2+t/T\max*0.6 P=0.2+t/Tmax∗0.6

将最优繁殖区域优化定义为一个由以最优个体为圆心的 n n n维球体组成的区域:
( X − X 1 ∗ ) 2 + ( X − X 2 ∗ ) 2 + ⋯ + ( X − X n ∗ ) 2 = R i d u s 2 \begin{array} {c}(X-X_1^*)^2+(X-X_2^*)^2+\cdots+(X-X_n^*)^2=Ridus^2 \end{array} (X−X1∗)2+(X−X2∗)2+⋯+(X−Xn∗)2=Ridus2

基于量子计算的t分布变异

将最优位置 X b X^b Xb映射到量子空间:
α j = X j b ∥ X b ∥ \alpha_j=\frac{X_j^b}{\|X^b\|} αj=∥Xb∥Xjb
β j = P j ∗ s q r t ( 1 − ( X j b ∥ X b ∥ ) 2 ) \beta_j=P_j*sqrt(1-(\frac{X_j^b}{\|X^b\|})^2) βj=Pj∗sqrt(1−(∥Xb∥Xjb)2)

其中, P P P通过概率设为1或−1保证变异后点的多样性,并且在进行变换后,量子空间可以通过下式转换为解空间:
X t e m α = [ α 1 , α 2 . . . α dim ⁡ ] ∗ ∥ X b ∥ X_{tem\alpha}=[\alpha_1,\alpha_2...\alpha_{\dim}]*\|X^b\| Xtemα=[α1,α2...αdim]∗∥Xb∥
X t e m β = [ β 1 , β 2 . . . β dim ⁡ ] ∗ ∥ X b ∥ X_{tem\beta}=[\beta_1,\beta_2...\beta_{\dim}]*\|X^b\| Xtemβ=[β1,β2...βdim]∗∥Xb∥

使用了量子旋转,变体为:

X\^b = \\begin{cases} X\^b + \\text{trnd}(t) \\cdot X_{\\text{tem}\\alpha} \\ X\^b + \\text{trnd}(t) \\cdot X_{\\text{tem}\\beta} \\ X\^b + \\text{trnd}(t) \\cdot X_{\\text{Rtem}\\alpha} \\ X\^b + \\text{trnd}(t) \\cdot X_{\\text{Rtem}\\alpha} \\end{cases}

t-分布 分布状态与自由度相关,自由度越小,曲线越平坦。当自由度为1时,t-分布转化为高斯分布;当自由度趋近于无穷大时,t-分布变为标准正态分布。QHDBO执行变异操作时,当变异因子接近0时,算法更专注于局部开发;而当变异因子较大时,则更专注于全局探索。

伪代码

4.结果展示




5.参考文献

1\] Zhu F, Li G, Tang H, et al. Dung beetle optimization algorithm based on quantum computing and multi-strategy fusion for solving engineering problems\[J\]. Expert Systems with Applications, 2024, 236: 121219. ### 6.代码获取

相关推荐
森焱森1 小时前
水下航行器外形分类详解
c语言·单片机·算法·架构·无人机
QuantumStack3 小时前
【C++ 真题】P1104 生日
开发语言·c++·算法
写个博客4 小时前
暑假算法日记第一天
算法
绿皮的猪猪侠4 小时前
算法笔记上机训练实战指南刷题
笔记·算法·pta·上机·浙大
hie988944 小时前
MATLAB锂离子电池伪二维(P2D)模型实现
人工智能·算法·matlab
杰克尼5 小时前
BM5 合并k个已排序的链表
数据结构·算法·链表
.30-06Springfield5 小时前
决策树(Decision tree)算法详解(ID3、C4.5、CART)
人工智能·python·算法·决策树·机器学习
我不是哆啦A梦5 小时前
破解风电运维“百模大战”困局,机械版ChatGPT诞生?
运维·人工智能·python·算法·chatgpt
xiaolang_8616_wjl5 小时前
c++文字游戏_闯关打怪
开发语言·数据结构·c++·算法·c++20
small_wh1te_coder5 小时前
硬件嵌入式学习路线大总结(一):C语言与linux。内功心法——从入门到精通,彻底打通你的任督二脉!
linux·c语言·汇编·嵌入式硬件·算法·c