历史数据驱动的多尺度量子谐振子优化算法

doi:10.12068/j.issn.1005-3026.2022.02.002

东北大学学报（自然科学版） ›› 2022, Vol. 43 ›› Issue (2): 160-167.DOI: 10.12068/j.issn.1005-3026.2022.02.002

历史数据驱动的多尺度量子谐振子优化算法

金瑾^1,2，王鹏³

(1. 中国科学院成都计算机应用研究所，四川成都610041； 2. 中国科学院大学，北京100049； 3. 西南民族大学计算机科学与技术学院，四川成都610225)

修回日期:2021-04-13 接受日期:2021-04-13 发布日期:2022-02-28
通讯作者: 金瑾
作者简介:金瑾(1988-)，女，四川成都人，中国科学院成都计算机应用研究所博士研究生；王鹏(1975-)，男，四川成都人，西南民族大学教授，博士生导师.
基金资助:
中央高校基本科研业务费专项资金资助项目(2020NYB18).

Historical Data-Driven Multi-scale Quantum Harmonic Oscillator Optimization Algorithm

JIN Jin^1,2， WANG Peng³

1. Chengdu Institution of Computer Application， Chinese Academy of Sciences， Chengdu 610041， China； 2. University of Chinese Academy of Sciences， Beijing 100049， China; 3. School of Computer Science and Technology， Southwest Minzu University， Chengdu 610225， China.

Revised:2021-04-13 Accepted:2021-04-13 Published:2022-02-28
Contact: WANG Peng
About author:-
Supported by:
-

摘要/Abstract

摘要： 多尺度量子谐振子优化算法(MQHOA)是近年提出的一种基于量子物理的自然计算方法.本文针对该算法未能充分利用迭代中历史信息的问题，提出一种历史数据驱动的多尺度量子谐振子优化算法(HI-MQHOA).在两步迭代过程中，HI-MQHOA引入历史数据作为驱动，形成下一代个体分布的参数及动态调整算法尺度.形成的下一代个体分布参数可以有效指导算法的开发和探索，动态尺度调整可以避免早熟停滞.通过多个经典测试函数验证，该算法在解的质量、准确率和伸缩性方面优于MQHOA和改进的MQHOA，以及其他自然计算算法.

关键词: 优化算法;量子谐振子; 多尺度;数据驱动; 历史信息

Abstract: The multi-scale quantum harmonic oscillator optimization algorithm(MQHOA)is a natural calculation algorithm based on quantum physics proposed in recent years. Aiming at the problem that the algorithm fails to make full use of the historical information in the iteration， this paper proposes a historical information-driven multi-scale quantum harmonic oscillator optimization algorithm(HI-MQHOA). In the two-step iterative process， HI-MQHOA introduces historical data as a driver to form the parameters of the next generation individual distribution and dynamically adjust the scale of the algorithm. The next generation individual distribution parameters can effectively guide the development and exploration of the algorithm， and dynamic scaling can avoid premature stagnation. Verified by several classical test functions， the algorithm is superior to MQHOA， improved MQHOA and other natural computing algorithms in solution quality， accuracy and scalability.

Key words: optimization algorithm; quantum harmonic oscillator; multi-scale; data driven; historical information

中图分类号:

TP183

金瑾，王鹏. 历史数据驱动的多尺度量子谐振子优化算法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 160-167.

JIN Jin， WANG Peng. Historical Data-Driven Multi-scale Quantum Harmonic Oscillator Optimization Algorithm[J]. Journal of Northeastern University(Natural Science), 2022, 43(2): 160-167.

参考文献

[1]Dorigo M，Birattari M，Stutzle T.Ant colony optimization［J］.IEEE Computational Intelligence Magazine，2006，1(4):28-39.
[2]瞿博阳，梁静，Suganthan P N.双局部粒子群算法解决环境经济调度问题［J］.计算机工程与应用，2014，50(11):1-6.(Qu Bo-yang，Liang Jing，Suganthan P N.Two local best based multi-objective particle swarm optimization algorithm to solve environmental/ economic dispatch problem［J］.Computer Engineering and Application，2014，50(11):1-6.)
[3]王柳静，张贵军，周晓根.基于状态估计反馈的策略自适应差分进化算法［J］.自动化学报，2020，46(4):752-766.(Wang Liu-jing，Zhang Gui-jun，Zhou Xiao-gen.Strategy self-adaptive differential evolution algorithm based on state estimation feedback［J］.Acta Automatica Sinica，2020，46(4):752-766.)
[4]Karaboga D，Basturk B A.Powerful and efficient algorithm for numerical function optimization:artificial bee colony(ABC) algorithm［J］.Journal of Global Optimization，2007，39(3):459-471.
[5]谭营，郑少秋.烟花算法研究进展［J］.智能系统学报，2014，9(5):515-528.(Tan Ying，Zheng Shao-qiu.Recent advances in fireworks algorithm［J］.CAAI Transactions on Intelligent Systems，2014，9(5):515-528.)
[6]Shi Y H.Brain storm optimization algorithm［C］//International Conference on Swarm Intelligence.Chongqing，2011:303-309.
[7]Wang G G，Deb S，Coelho L.Elephant herding optimization［C］//2015 3rd International Symposium on Computational and Business Intelligence(ISCBI).Bali，Indonesia，2015:1-5.
[8]刘三阳，靳安钊.求解约束优化问题的协同进化教与学优化算法［J］.自动化学报，2018，44(9):1690-1697.(Liu San-yang，Jin An-zhao.A co-evolutionary teaching learning-based optimization algorithm for constrained optimization problems［J］.Acta Automatica Sinica，2018，44(9):1690-1697.)
[9]张聪明，刘立群，马立群.一种新的群智能算法:狮群算法［J］.计算机科学，2018，45(6):114-116.(Zhang Cong-ming，Liu Li-qun，Ma Li-qun.New swarm intelligent algorithms:lions algorithm［J］.Computer Science，2018，45(6):114-116.)
[10]Hansen N，Müller S D，Koumoutsakos P.Reducing the time complexity of the derandomized evolution strategy with covariance matrix adaptation(CMA-ES)［J］.Evolutionary Computation，2003，11(1):1-18.
[11]Wang P，Ye X G，Li B，et al.Multi-scale quantum harmonic oscillator algorithm for global numerical optimization［J］.Applied Soft Computing，2018，69(1):655-670.
[12]Ye X G，Wang P.Impact of migration strategies and individual stabilization on multi-scale quantum harmonic oscillator algorithm for global numerical optimization problems［J］. Applied Soft Computing，2019，85:105800.
[13]Xin G，Wang P.Exploring superposition state in multi-scale quantum harmonic oscillator algorithm［J］.Applied Soft Computing，2021，107:107398.
[14]Wang P，Li B，Jin J，et al.Multi-scale quantum harmonic oscillator algorithm with individual stabilization strategy［C］// International Conference on Swarm Intelligence.Shanghai，2018:624-633.
[15]Griffiths D J，Schroeter D F.Introduction to quantum mechanics［M］.3rd ed.Cambridge:Cambridge University Press，2018.
[16]Hansen N，Ostermeier A.Completely derandomized self-adaptation in evolution strategies［J］.Evolutionary Computation，2001，9(2):159-195.
[17]Hauschild M，Pelikan M.An introduction and survey of estimation of distribution algorithms［J］.Swarm and Evolutionary Computation，2011，1(3):111-128.
[18]Jamil M，Yang X S.A literature survey of benchmark functions for global optimization problems［J］.International Journal of Mathematical Modeling and Numerical Optimization，2013，4(2):150-194.
[19]Sun J，Xu W B，Feng B.A global search strategy of quantum-behaved particle swarm optimization［C］//IEEE Conference on Cybernetics and Intelligent Systems.Singapore，2004:8503878.
[20]Zambrano-Bigiarini M，Clerc M，Rojas R.Standard particle swarm optimization 2011 at CEC-2013:a baseline for future PSO improvements［C］// IEEE Congress on Evolutionary Computation.Cancún，Mexico，2013:6557848.
[21]Storn R，Price K.Differential evolution—a simple and efficient heuristic for global optimization over continuous spaces［J］.Journal of Global Optimization，1997，11(4):341-359.
[22]Li J Z，Tan Y.The bare bones fireworks algorithm:a minimalist global optimizer［J］.Applied Soft Computing，2018，62(1):454-462.
[23]Wolpert D H，Macready W G.No free lunch theorems for optimization［J］. IEEE Transactions on Evolutionary Computation，1997，1(1):67-82.

历史数据驱动的多尺度量子谐振子优化算法

Historical Data-Driven Multi-scale Quantum Harmonic Oscillator Optimization Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics

本文评价

[1]	翟莹莹，左丽，张恩德. 基于参数优化的RBF神经网络结构设计算法[J]. 东北大学学报:自然科学版, 2020, 41(2): 176-182.
[2]	张华伟，郑晓涛. 基于遗传算法优化神经网络的拼焊板压边力预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 241-245.
[3]	于长永，何鑫，祁欣，马海涛. GMSDenseNet:基于组多结构卷积的轻量级DenseNet[J]. 东北大学学报:自然科学版, 2020, 41(1): 12-16.
[4]	蒋芳芳，徐敬傲，李任，徐礼胜. 基于CNN的心冲击信号阵发性房颤自动检测方法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1539-1543.
[5]	王占山，康云云，牛海莎. 一类求解优化问题的神经网络及其全局吸引性分析[J]. 东北大学学报:自然科学版, 2017, 38(2): 153-157.
[6]	杨明，罗艳红，王义贺. 模型未知非零和博弈问题的策略迭代算法[J]. 东北大学学报:自然科学版, 2015, 36(3): 318-322.
[7]	韩鹏，郭天，汪晋宽，史泽伟. 基于mRMR-ESN的单变量光伏功率预测[J]. 东北大学学报（自然科学版）, 2021, 42(2): 174-179.
[8]	马海涛，路家蕊，于文鑫，于长永. 线性区域数量与PLNN表达能力的相关性[J]. 东北大学学报（自然科学版）, 2021, 42(2): 201-207.
[9]	蒋芳芳，王浩乾，程天庆，洪楚航. 基于相空间重构的心冲击信号房颤检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1547-1554.
[10]	李大鹏，赵琪珲，邢铁军，赵大哲. 基于分层注意力循环神经网络的司法案件刑期预测[J]. 东北大学学报（自然科学版）, 2022, 43(3): 344-349.