群体智能算法近年来发展迅速,被广泛应用于控制中心分散、条件耦合度高或无法建立系统模型等复杂实际问题的解决策略中。群体智能算法中的群体由若干无智能个体或个体群组成,每一个个体的行为遵循一定简单规则,没有智能;而个体或个体群之间通过一定原则的信息交流,可以合作进行问题求解,从而表现出集体智能的行为特征。基于上述原理,当给定实际问题目标后,无智能个体组成的群体即根据规则启发,在特定解空间域中进行寻优搜索,其寻优过程体现了随机和分布式等特点。粒子群优化算法PSO(Particle Swarm Optimization)由于其原理简单、程序设计便捷、参数数量少并且没有强耦合关系等特点,成为控制优化领域专家学者关注和研究的热点。Sun J等人根据Clerc M证明的在PSO算法中,单个粒子具有个体收敛行为;继而又受到人类在社会中的智能活动与量子群体在量子势场里的行为相似这一结论的启发,提出了具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization),QPSO算法在对实际问题的求解中,由于影响因子更少,求解速度更快,粒子搜索对解空间覆盖范围更广,因此成为PSO算法改进中备受瞩目的研究方向。本文即以QPSO算法为研究对象,在对QPSO算法的基本原理进行分析的基础上,提出了从搜索策略方面,通过设置多种不同吸引点,以增强粒子活跃度的改进QPSO算法;针对QPSO算法性能依赖于收缩扩张因子,提出了强化学习和自适应学习的参数控制策略;对算法局部搜索能力进行了分析,提出了四种不同的局部搜索策略;并研究了QPSO及其改进算法在电力系统调度优化和农业根系水质模型RZWQM2参数优化中的应用方法,具体内容如下:(1)介绍群体算法的产生和发展,并介绍两种具有代表意义的典型群体智能算法的研究现状,即蚁群优化ACO(Ant Colony Algorithm)算法和PSO算法的起源和发展。继而从PSO算法的模型和迭代方程的分析引出PSO算法的改进思路。由此引出QPSO算法的设计思路以及算法改进的研究角度。(2)分析了QPSO算法在进化过程中采用群体平均最优值作为全局吸引点的引领机制,发现智能群体的最优个体在引领社会发展和进步的过程中起着决定性的作用,提出了在群体进化过程中采用群体最优个体作为全局吸引点的进化策略,提高算法的快速寻优能力;并对比研究了使用全局最优个体与全局平均最优点混合作为全局吸引点的方法。分析了智能群体算法求解的规律,在智能群体算法中的个体在解空间中搜索时,个体和全局对搜索的影响是决定算法好坏的关键因素之一,常规以常量或线性权重决定粒子个体对自己和社会的责任比较死板,所以尝试了在QPSO算法中引入非线性权重算子计算全局最优位置中值,提高了QPSO算法的搜索效率及优化性能。(3)针对QPSO算法性能严重依赖于收缩扩张因子的弊端,本文将多种参数控制策略同时应用于进化过程中的参数控制,将强化学习思想引入QPSO算法,提出了基于强化学习的量子粒子群优化算法;并分析了QPSO算法进化的学习模式,指出算法只对群体粒子本身进行了研究,而缺少对优化问题的讨论分析,尤其在进化过程中对不同的复杂问题没有区别对待,提出了自适应学习的QPSO算法,提升算法性能。(4)局部搜索能力是群体智能算法的一个重要研究内容,针对不同的搜索特点将四种局部搜索策略引入到QPSO算法中,提出具有局部搜索策略的QPSO算法;并针对QPSO算法中群体粒子通过维信息交互共享信息,而评价通过粒子整体信息评价,容易丢失群体较差粒子中较好维信息的现象,引入了交叉算子,增加粒子维信息保留的概率提升算法性能,提出了具有交叉算子的QPSO算法。(5)分析了电力系统优化问题中电力系统机组间有功功率的调度问题,采用最优潮流法将机组抽象成一个数学模型;对于电力系统的约束条件在算法优化过程中采用了惩罚函数的处理方法,将QPSO算法及其改进算法应用于电力系统调度优化问题的求解;并针对电力系统中的三种典型机组系统进行了仿真测试,通过对仿真结果的比较分析,表明改进后的QPSO算法能够在电力系统机组调度优化问题中取得更好的优化效果。(6)针对农业系统根水系模型RZWQM2参数优化中大部分学者还是采用传统的试错法,模型参数的优劣很大程度上依赖于使用者的经验,提出了使用QPSO算法优化模型参数;并使用带有权重系数的根均方差方法设计了目标优化函数,根据优化的评测值产量、排水流量、NO3--N流失量进行了目标函数优化分类,设计了单目标优化函数和多目标优化函数,并进行了优化仿真,结果表明QPSO算法能够很好的应用于模型参数的优化标定中。论文最后总结了课题的研究内容和研究的成果,基于现有的经验和成果,对智能群体算法今后的发展方向进行了展望,对本课题未尽之处提出了方向。