论文部分内容阅读
量子遗传算法是新发展起来的一种概率演化算法,其优点是种群规模小,全局搜索能力强和收敛速度快。然而,量子遗传算法在解决复杂优化问题时的能力不是很强。为了提高量子遗传算法解决连续函数优化问题的能力,本文首先提出混合更新策略,进而提出了基于混合更新策略的量子遗传算法。该算法受混合策略启发,以多策略的角度将不同演化算子融合到量子遗传算法中。通过在标准测试函数集中选取不同类型的测试函数,验证了混合更新策略的量子遗传算法在解决连续函数优化问题的性能。为了弥补量子遗传算法在解决复杂组合优化问题的能力不足,又从协同演化算法多种群角度出发,将分布估计算法引入,提出了一种异质协同量子遗传算法。将种群分成了两个子种群,其中一个子种群应用混合更新策略的量子遗传算法进化,而另一个子种群应用分布估计算法进化,同时采用隔代迁移操作作为两种群之间的交互。这样既保留了基于混合更新策略量子遗传算法的优势,又发挥出了分布估计算法在解决复杂组合优化问题的优势。最后,将异质协同演化算法应用于解决背包问题。目前工业和金融投资领域的许多问题都可以转化为背包问题进行解决。经过多组实验证明了异质协同量子遗传算法在解决背包问题上的有效性。