QPSO算法的改进及其在DBN参数优化中应用

于国龙，赵 勇，吴 恋，崔忠伟

1.贵州师范学院 数学与大数据学院，贵阳550018

2.北京大学深圳研究生院 信息工程学院，广东 深圳518000

量子粒子群算法（Quantum Particle Swarm Optimization，QPSO）是智能计算中性能最好的寻优算法之一。它是一种改进的PSO 算法，首先由孙俊等人提出。QPSO算法不同于传统的PSO算法，它定义粒子运动在量子空间中，粒子的运动没有轨迹，而是依概率出现在解空间中的任意一个位置，粒子可以依概率覆盖整个解空间，从而QPSO算法可以依概率1收敛于最优解，这是传统PSO算法做不到的，因此QPSO算法有着较强的全局搜索能力[1-3]。QPSO 算法被广泛地用于解决资源调度、路径寻优、方案优化等问题，受到产业界和研究人员的广泛关注，但QPSO 算法也存在许多不足之处，如在有限次迭代下也会陷入局部最优，收敛速度有待提高，收敛精度不高等问题。针对存在的问题研究人员对QPSO 算法的优化做了大量的工作。Wang 等人提出了一种基于动态惯性的分类进化QPSO算法，使算法具有较强的适应性，提升了QPSO算法的搜索效率[4]。Xue等人提出了一种基于自然选择的QPSO算法，该算法将粒子进化过程中的单个粒子进化率和群体分散性与自然选择方法相结合[5]。Taherzadeh等人提出了一种SP-UCI与QPSO 算法结合的QPSO 算法（SP-QPSO），SP-QPSO使用基于复合构建和维数监测的SP-UCI策略，然后基于QPSO算法逐步演化[6]。这些工作大多从粒子群的结构和算法融合出发来进行优化，考虑到在QPSO 算法中，粒子势阱长度对算法的收敛性能影响最大，于是本文提出了一种基于粒子势阱长度变化率比重，决策粒子平均最优位置计算中各个粒子所占权重的方法来调节势阱长度，从而调节粒子的寻优能力。……