为了提高粒子群算法求解连续函数优化问题的性能,提出一种量子混沌自适应粒子群优化算法。该算法首先采用量子位Bloch球面坐标编码方案对群体初始位置进行初始化,此种编码方式能扩展对搜索空间的遍历性,增加群体的多样性,进而加快算法的收敛速度;其次,采用Logistic混沌对种群的精英个体进行混沌搜索,有效地避免了粒子群算法陷入局部最优,从而获得更高质量的最优解。最后,采用自适应非线性惯性权值以进一步改善PSO算法的收敛速度和优化精度。通过对8个复杂高维函数寻优测试,仿真结果表明,改进算法更具竞争力,其性能整体较优,尤其适合复杂的高维函数寻优量子混沌自适应粒子群优化算法的研究13《软件》杂志欢迎推荐投稿1）在8个测试函数中，QCA-PSO、TLBO、GSA和PSO分别取得12个、9个、9个和1个最优结果；（2）对于单峰函数而言，对维数为30的函数F4优化算法的研究-电动数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机，本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 四种算法均取得了最优结果。对于单峰函数的剩余函数，QCA-PSO均能有较好的优化结果。其中，TLBO和GSA算法优化性能相当，都优于标准PSO算法；（3）对于多峰函数而言，QAC-PSO、TLBO、GSA对维数为30、50、100的函数F5和F7上均搜索到了最优解。对于函数F6、F8，TLBO和GSA表现的性能相当，而QAC-PSO性能略胜TLBO和GSA。PSO算法在4个多峰测试函数性能不如上述三种算法；无论单峰测试函数还是多峰测试函数，QCA-PSO在平均值和标准差指标上均优于PSO。相比于标准PSO算法，QCA-PSO算法的搜索性能得到了很大改善。图1是QCA-PSO、TLBO、GSA和PSO在表1中8个基准测试函数30维的寻优曲线（半对数曲线，通过semilogy函数画寻优曲线）。实验中得到的50维和100维寻优曲线与图1类似，因篇幅有限此处不再给出。从图1中可以看出，QCA-PSO算法对F1、F8函数寻优时，有多处拐点出现，表明QCA-PSO跳出局部最优的能力增强。从图1中可以直观地看出，对于维数为30的表1中大部分测试函数而言，图1优化性能比较优化算法的研究-电动数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/