量子粒子群优化

摘要： 随着第5代移动通信技术(5G通信)的迅速发展,5G基站数量不断增加,5G通信耗电量大、用电成本高的问题日益突出。为此,提出了考虑光伏和储能接入的5G基站光储系统优化配置方法,以提高5G基站运行的经济性。首先,考虑5G基站负荷情况和配电网分时电价,建立了5G基站光储系统的经济调度模型;然后,通过量子粒子群优化算法计算典型日内5G基站光储系统的最小综合成本,以此确定光伏和储能的最优接入容量;最后,通过算例证明合理配置光伏和储能容量可以提高5G基站系统的经济性。光伏和储能容量的配置受储能成本和峰谷电价差的影响较大,且光储系统所能带来的经济效益随峰谷电价差的增大和储能成本的降低而增大。

摘要： 相变储能系统作为一种新型的具备高弹性、高可靠性与绿色性的分布式储能形式,能够以柔性可调负荷形式为电网提供灵活可靠的辅助服务。为进一步挖掘相变储能系统的应用潜力,提出一种基于共享聚合相变储能系统的区域联合削峰填谷策略。首先,构建分布式相变储能单元的聚合可控模型,在此基础上,设计一种基于共享相变储能的区域联合控制可行架构;然后,在非合作博弈、合作博弈等不同商业模式下,建立区域内及区域间的联合削峰填谷控制策略;最后利用量子粒子群算法对所提控制策略进行有效求解。算例仿真结果验证所提策略在降低负荷方差及区域电力系统运行成本等方面的优越性,可作为电网辅助服务的一种新手段。

摘要： 为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法.首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别.实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性.

摘要： 为了克服风电场出力波动的不利影响,提高调度经济性,构建含常规火力发电燃料费用、风电预测误差备用费用以及风电弃风成本的多目标动态调度模型,并提出一种混沌量子粒子群算法对模型进行求解。标准测试函数的仿真结果表明本算法比对照算法具有较高的收敛精度和稳定性。对含风电场的IEEE30节点系统算例进行仿真实验,结果表明采用混沌量子粒子群算法对调度模型求解的调度费用最低。

摘要： 为了克服风电场出力波动的不利影响,提高调度经济性,构建含常规火力发电燃料费用、风电预测误差备用费用以及风电弃风成本的多目标动态调度模型,并提出一种混沌量子粒子群算法对模型进行求解.标准测试函数的仿真结果表明本算法比对照算法具有较高的收敛精度和稳定性.对含风电场的IEEE30节点系统算例进行仿真实验,结果表明采用混沌量子粒子群算法对调度模型求解的调度费用最低.

摘要： 针对固定翼无人机航迹跟踪问题,采用基于状态扩展的双反馈模型预测控制理论对控制器进行设计.首先推导基于侧向偏差的无人机侧向航迹跟踪模型,采用动态逆方法对模型进行线性化处理,在此基础上设计基于状态扩展的双反馈模型预测控制器,并采用量子粒子群优化(quantum particle swarm optimization,QPSO)算法对控制器参数进行优化,考虑无人机飞行过程中受到的未知干扰,引入扩张状态观测器(extended states ob-server,ESO)对干扰进行观测,进一步提高系统的鲁棒性,并结合实际工程应用对系统进行数学仿真.仿真结果表明,基于状态扩展双反馈模型预测控制的无人机侧向航迹跟踪控制器,能够在系统存在模型不确定性与受到动态干扰时对期望航迹进行准确、稳定的跟踪.

摘要： 随着国家大力发展新能源汽车的政策,电动汽车和充电基础设施规模不断扩大,如何科学地规划充电网点成为亟待解决的问题.本文根据分期规划的原则,采用基于注意力机制的长短期记忆网络进行充电需求预测,使用量子粒子群优化算法进行近期充电网点选址定容,然后根据Voronoi图来划分远期充电站服务区域,从而建立了充电网点精准规划模型.通过对杭州市钱江世纪城区域进行验证,表明本文模型在科学规划充电网点的同时,能够实现电网、企业、用户的多方共赢.

摘要： 综合量子粒子群优化算法(quantum particle swarm optimization,简称QPSO)的全局搜索能力与隐马尔科夫模型(hidden Markov model,简称HMM)良好的时间序列分类能力,提出一种基于QPSO?HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证.首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识.结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高.

摘要： 换热器是工业领域中被广泛应用的一种通用工艺设备,降低生产过程中的能源消耗来提高生产效益逐渐被重视.采用理论分析和数值模拟仿真相结合的方式,将影响换热器能效评价的各类因素进行了合理的归类与分析,根据各类型影响因素,建立了一个线性加权函数形式的换热器综合能效评价模型,对模型中的各个权重系数采用量子粒子群的优化算法进行优化,得到与各项能效因素相对应的最优权重,从而建立起最优的换热器综合能效评价方法.

摘要： 针对柔性作业车间调度问题,传统的优化算法存在运行时间长、运行结果不稳定且不能有效求得近优解等问题.提出一种混合优化遗传算法(mGAs,Modified Genetic Algorithms),采用动态调整交叉概率和变异概率的自适应遗传算法,并使用量子粒子群算法优化染色体的选择算子.通过在经典数据集上与其它若干算法进行实验,结果表明了所提出算法相比同类优化算法,提高了算法的自适应能力,mGAs收敛速度更快、可以有效解决柔性作业车间调度问题,有效求取近优解.

摘要： 为了改进汽轮机振动故障诊断过程中BP 神经网络的诊断性能,本文提出一种基于量子粒子群优化(Quantum-Behaved Particle Swarm Optimization，QPSO)的BP 神经网络学习算法(QPSO-BP).该算法首先采用QPSO 算法优化人工神经网络(ANN)权系数,接着将训练好的ANN 应用于汽轮机振动故障诊断.通过与粒子群优化(Particle Swarm Optimization，PSO)的BP 神经网络诊断结果对比,表明基于QPSO 优化的BP 神经网络有较高的诊断速度和诊断精度,是一种理想的模式分类器.

摘要： 本文基于量子理论提出一种量子粒子群优化算法,引进一个概率选择机制来选择粒子的多个特性,通过量子旋转门来更新粒子。用改进的量子粒子群算法求解重油热解问题，取得了很好的结果,通过与遗传算法的比较,量子粒子群算法表现出了良好的寻优能力。

摘要： 量子粒子群优化算法(QPSO)是一种基于群体的随机优化技术。与标准的粒子群优化算法(PSO)相比,QPSO更具全局搜索能力并具有较少的控制参数等优点。本文以QPSO技术取代传统BP神经网络学习算法中的梯度下降法,使改进后的神经网络具有良好的全局收敛性。将改进后的学习算法应用于人脸检测,实验结果表明该算法在此应用上是有效的。

摘要： 本发明涉及一种基于优化量子粒子群算法准确提取未知相移量的方法，其首先基于衍射场的统计性质近似计算四步相移中各相移量的菲涅尔衍射场统计平均值；其次，根据相位随机条件求取中间值，用其表示近似相移量；最后，设置平均误差函数作为适应值函数，并改进量子粒子群算法以进一步逼近相移量的真实值，其中，量子粒子群算法中添加高斯变异操作，使算法符合粒子的初始分布规律。本发明构思合理，理论完善，不仅可以实现四步相移中未知相移量的近似预估计，提高计算方向的准确性，而且可以提高计算未知相移量的真实值的准确度和速度，有效克服传统迭代方法中出现在真实值附近的“锯齿解现象”，具有极快的速度和优秀的求解质量等优点。

摘要： 本发明公开了一种基于改进量子粒子群算法的微能源网优化调度方法，包括建立微能源网每日成本的目标函数，计算微能源网中设备的出力约束；建立量子粒子群算法模型，并设定量子粒子群算法模型的种群规模，最大迭代次数和领域搜索半径上下限、计算得到每个设备的最优出力和微能源网每日最低成本的步骤。本发明一种基于改进量子粒子群算法的微能源网优化调度方法，能够实现可再生能源消纳，在微能源网可靠运行下使得日运行经济性和环境治理成本最低，为含有可再生能源及储能的微能源网的优化调度问题提供了一种新的求解算法。

摘要： 一种基于量子粒子群优化策略的车联网交通流量预测方法(MPSO‑RBF)，解决如何准确预测城市道路未来交通流量的问题。包括交通流量预测数学模型建立，即根据交通流量数据特征建立对应模型，使用模拟退火算法和遗传算法对初始聚类中心进行优化，并采用模糊均值聚类算法对RBF网络进行训练；使用改进的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的神经网络参数；将优化后的算法应用于径向基神经网络预测模型的参数优化，通过径向基神经网络的高维映射得到所需预测的数据结果。测试结果表明，本发明所提出的算法能够降低预测误差，得到更好、更稳定的预测结果。

摘要： 本发明涉及微波领域，特别涉及一种基于量子粒子群优化的建筑材料复介电常数提取方法，包括：获取实际测量的反射系数、透射系数和理论计算的反射系数、透射系数；初始化复介电常数，并计算适应度函数；更新全局最优值和个体最优值，并计算平均粒子最优位置；基于粒子群算法，计算吸引点并将吸引点建立在δ势阱上，构建量子粒子群优化模型；对实测数据和理论数据进行曲线拟合，通过个体平均最优值与粒子当前位置，计算出δ势阱的特征长度；根据δ势阱的特征长度和吸引点更新粒子位置，并更新全局最优值和个体最优值，输出适应度函数最小时匹配的复介电常数；本发明方法简单高效，精度高，可以极大地提高提取建筑材料复介电常数的效率。

摘要： 本发明公开了改进的量子粒子群优化算法及应用于预测网络流量的方法。其中，该方法包括：通过粒子群的聚集度随机生成收缩扩张系数，其中，粒子群的聚集度是指粒子群的粒子之间的相似性和聚拢度，收缩扩张系数服从随机分布；根据收缩扩张系数更新粒子的位置。本发明解决了处理复杂问题时容易产生过早收敛的问题，在算法迭代后期，粒子多样性迅速下降，收敛速度较慢的技术问题。

摘要： 本发明提出一种改进量子粒子群优化的瓦斯信号演化趋势预测方法，涉及瓦斯信号预测领域，通过井下瓦斯传感器收集瓦斯信号时间序列数据，形成瓦斯信号时间序列库；对存储到瓦斯信号时间序列库中的瓦斯信号数据进行小波去噪预处理；基于最小微熵率法同时计算瓦斯信号时间序列的延迟时间τ和嵌入维数m；将处理后的瓦斯信号序列基于改进的量子粒子群算法预测瓦斯信号演化趋势；利用改进的量子粒子群算法优化Elman算法的权值和阈值ω和θ，利用Elman算法具有动态反馈环节的优越性，与Elman有机结合改进传统粒子群优化算法易陷入局部最优解的算法缺陷，实现煤矿回采工作面瓦斯信号演化趋势的准确动态预测。

摘要： 本发明涉及异常心电信号智能识别技术领域，具体公开了一种基于量子粒子群优化的ECG信号监测方法，包括：采集用户的ECG信号；对ECG信号进行电磁噪声去除；对去噪预处理后的ECG信号进行心拍分割，获得多个ECG信号样本；将分割后的多个ECG信号样本分为训练集和测试集；构建初始CNN‑SVM模型，将所述训练集中的ECG信号样本输入到CNN‑SVM模型中进行训练，得到训练后的CNN‑SVM模型；将所述测试集中的ECG信号样本输入到所述训练后的心电信号检测网络CNN‑SVM模型中，以进行异常ECG信号的检测。本发明能够有效寻找到使ECG信号识别准确率最高的支持向量机参数，提高CNN‑SVM模型对异常ECG信号的识别精度。

摘要： 本发明涉及海上求救报警技术，特别涉及一种基于量子粒子群优化的水上救援落水智能报警系统。所述救援落水智能报警系统包括了救生端和救援端；所述求救系统启动模块感应落水信息后，启动定位报警模块，并通过无线通信模块发送遇险信号；所述救援端通过数据接入模块、数据处理模块、信息编码模块、信息通讯模块和信息展示模块，对于接收到的信息进行数据分析和可视化处理；本发明提供的基于量子粒子群优化的水上救援落水智能报警系统采用量子粒子群优化算法进行救援路线规划，可以准确定位遇险位置，给搜救人员提供准确的方位，并能以最快的路线前往事发地，有效解决了海上救援难以定位，救助不及时的问题，提高了遇难人员脱险的成功率。

摘要： 本发明公开了基于量子粒子群优化的CNN‑LSTM水质预测方法，属于水质预测领域。本发明的水质预测方法，构建基于CNN‑LSTM混合神经网络的水质预测模型，并采用量子粒子群算法对水质预测模型进行超参数寻优后再对预测模型进行训练，可以基于不同环境下的水质数据，寻找对应环境下的最优预测模型参数，因此无论环境因素如何影响水质状态，本发明的水质预测模型都能够保证预测模型参数最优，从而有效地提升了水质预测精度；且本发明避免了重复训练模型的过程，减少了在不同水质样本中进行水质预测的工作量，大大提高了水质预测效率。

摘要： 本发明公开了一种基于量子粒子群优化算法的岗位匹配方法，属于人员与岗位之间的匹配技术领域。包括以下几个步骤：建立候选人员集M＝[M1,M2,…,Mn]与岗位集W＝[W1,W2,…,Wm]；然后建立指标评价体系，包括不同评价指标在不同岗位中所占的权重；计算候选人员在不同岗位中可以发挥的作用分数；构建人员素质评测矩阵；建立人员岗位优化模型，使得最终的人员岗位匹配方案使得所有人员可以发挥的作用分数总和最大；以人员素质评测矩阵的索引为基本粒子，使用量子粒子群优化算法进行优化；设置量子粒子群优化算法所需超参数，并进行迭代优化过程寻找全局最优解。本发明方法的技术效果是：基于量子粒子群优化算法合理分配人员到最适合团队整体工作能力最大化的方案。