论文部分内容阅读
蚁群算法(ACA)是一种源于生物世界的仿生类进化算法，但存在优化速度慢、收敛率低等缺点。基于群智能的人工生命算法(ALA)能够通过个体之间的相互协作形成聚类，也是解决优化问题的一种方法。本文对量子蚁群算法(CQACA)进行研究改进，同时将其与人工生命算法相结合，以极值优化、参数优化等为背景来验证算法的有效性。 量子蚁群算法就是将量子机制引入到蚁群算法中，对蚂蚁的位置等信息进行量子化，采用量子旋转门操作实现蚂蚁位置等的变化。而ALA与量子蚁群算法的结合克服了ALA精度低、搜索速度慢的缺点。本文主要研究工作如下： (1)本文从对蚂蚁位置和信息素进行量子化的角度出发，提出了蚂蚁位置与信息素量子比特描述的量子蚁群优化算法(IQACA)，并将它应用于求解几个典型的优化问题。实验结果表明：与蚁群算法相比，IQACA算法收敛速度更快，而且可以跳出局部最优解。 (2)在研究IQACA基本原理的基础之上，对IQACA进行了如下几个方面地改进：基于奖惩机制和遗传机制的IQACA(GIQACA)和基于球坐标的IQACA(TIQACA)。并将改进的算法应用于求解函数极值问题，同IQACA相比求解效果获得了提高。 (3)分析了蚂蚁觅食过程中的群智能特点，在张江博士数字人工生命模型的基础上增加了三条规则：在没有信息素指导时蚂蚁移动规则；领域变化规则和淘汰重生规则，并设计了仿真程序，使模型更具有逼真性。通过仿真总结了几个重要参数对模型的影响。为下章人工生命算法求解优化问题奠定了基础。 (4)基于人工生命模型的特点，针对人工生命算法精度低、搜索速度慢的缺点，本文提出了一种将ALA和IQACA相结合的两阶段的混合优化算法(QKSALA)，并将算法用于函数寻优,取得了较好的效果。 (5)蚂蚁作为整体能够通过相互协作找到食物，这种协作是由蚂蚁之间传递气味信息完成的。这种气味信息的传播类似于某种波的形式，因此本文把蚂蚁看成一种粒子，借用量子力学波函数的概念，建立了基于波函数的蚁群行为模型，并提出了将模型与IQACA相结合求解优化问题的基本思想。