一种量子磷虾群融合算法及其应用

doi:10.16182/j.issn1004731x.joss.21-0534

系统仿真学报 ›› 2022, Vol. 34 ›› Issue (10): 2142-2151.doi: 10.16182/j.issn1004731x.joss.21-0534

一种量子磷虾群融合算法及其应用

冯增喜¹^,²(), 赵锦彤¹, 李诗妍¹, 杨亚龙²(), 陈海越¹, 张聪¹

^1.西安建筑科技大学建筑设备科学与工程学院, 陕西西安 710055
^2.安徽建筑大学智能建筑与建筑节能安徽省重点实验室, 安徽合肥 230022

收稿日期:2021-06-08 修回日期:2021-09-11 出版日期:2022-10-30 发布日期:2022-10-18
通讯作者: 杨亚龙 E-mail:fengzengxi2000@163.com;yalong_yang2020@163.com
作者简介:冯增喜(1979-)，男，博士，副教授，研究方向为建筑节能、智能建筑、智慧城市。E-mail：fengzengxi2000@163.com
基金资助:
国家重点研发计划(2017YFC0704104-03);陕西省科技厅专项(2017JM6106);安徽建筑大学智能建筑与建筑节能安徽省重点实验室2018年度开放课题(IBES2018KF08)

A Quantum Krill Herd Fusion Algorithm and Its Application

Zengxi Feng¹^,²(), Jintong Zhao¹, Shiyan Li¹, Yalong Yang²(), Haiyue Chen¹, Cong Zhang¹

^1.School of Building Services Science and Engineering, Xi'an University of Architecture and Technology, Xi'an 710055, China
^2.Anhui Key Laboratory of Intelligent Building and Building Energy Conservation, Anhui Jianzhu University, Hefei 230022, China

Received:2021-06-08 Revised:2021-09-11 Online:2022-10-30 Published:2022-10-18
Contact: Yalong Yang E-mail:fengzengxi2000@163.com;yalong_yang2020@163.com

摘要/Abstract

摘要：

针对磷虾群算法和量子进化算法的缺陷，提出了一种量子磷虾群融合算法(quantum krill herd fusion algorithm， QKH)。该算法通过采用双链实数编码量子磷虾位置，加快收敛速度，避免量子观测的随机性和复杂性；通过利用动态调整的量子磷虾群旋转门更新磷虾位置，提升收敛精度，提高量子旋转相位的确定效率；通过改进的量子全干扰交叉策略，避免算法陷入局部最优，提升优化效率。通过经典测试函数验证了所提算法的优势。建立了QKH-BPNN空调负荷预测模型，仿真结果表明：该模型具有更好的准确性和稳定性。

关键词: 量子磷虾群融合算法, 双链实数编码, 量子磷虾群旋转相位, 改进的量子全干扰交叉, QKH-BPNN预测

Abstract:

Aiming at the defects of krill herd algorithm and quantum evolutionary algorithm, a quantum krill herd fusion algorithm (QKH) is proposed. The algorithm uses double-chain real numbers to encode the krill position, which can speed up the convergence speed, and avoids the randomness and complexity of quantum observations. The dynamically adjusted quantum krill herd rotation phase update strategy improves the convergence accuracy, and the efficiency of determining the quantum rotation phase. The introduction of an improved quantum full interference crossover strategy can prevent the fusion algorithm from falling into a local optimum, and can improve the optimization efficienal. The advantages of the quantum krill herd fusion optimization algorithm are verified by the classic test functions. A QKH-BPNN prediction model is established for air conditioning load forecasting, and the results show that the model has better accuracy and higher stability.

Key words: quantum krill herd fusion algorithm, double-chain real numbers encoding, quantum krill herd rotation phase, improved quantum full interference crossover, QKH-BPNN prediction

中图分类号:

TP183

冯增喜, 赵锦彤, 李诗妍, 杨亚龙, 陈海越, 张聪. 一种量子磷虾群融合算法及其应用[J]. 系统仿真学报, 2022, 34(10): 2142-2151.

Zengxi Feng, Jintong Zhao, Shiyan Li, Yalong Yang, Haiyue Chen, Cong Zhang. A Quantum Krill Herd Fusion Algorithm and Its Application[J]. Journal of System Simulation, 2022, 34(10): 2142-2151.

图/表 9

图1

表1

测试函数

函数	函数表达式	解空间范围
Sphere	$f 1 (x) = ∑ i = 1 D x i 2$	$x i ≤ 100$
Step	$f 2 (x) = ∑ i = 1 D x i + 0.5 2$	$x i ≤ 100$
Ackley	$f 3 (x) = - 20 e x p - 0.2 1 D ∑ i = 1 D x i 2 - e x p 1 D ∑ i = 1 D c o s (2 π x i) + 20 + e$	$x i ≤ 32$
Griewank	$f 4 (x) = ∑ i = 1 D x i 2 4 000 - ∏ i = 1 D c o s x i i + 1$	$x i ≤ 600$

表1

图2

表2

图3

图4

图5

图6

表3

参考文献 17

1	Gandomi A H, Alavi A H. Krill Herd: A New Bio-Inspired Optimization Algorithm[J]. Communications in Nonlinear Science and Numerical Simulation(S1007-5704), 2012, 17(12): 4831-4845.
2	Mukherjee V, Mukherjee A. Chaos Embedded Krill Herd Algorithm for Optimal VAR Dispatch Problem of Power System[J]. International Journal of Electrical Power and Energy Systems(S0142-0615), 2016, 82(11): 37-48.
3	刘东, 李帅, 付强, 等. 基于KHA优化BP神经网络的地下水水质综合评价方法[J]. 农业机械学报, 2018, 49(9): 275-284.
	Liu Dong, Li Shuai, Fu Qiang, et al. Comprehensive Evaluation Method of Groundwater Quality Based on BP Network Optimized by Krill Herd Algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(9): 275-284.
4	Mandal B, Roy P K, Mandal S. Economic Load Dispatch Using Krill Herd Algorithm[J]. International Journal of Electrical Power and Energy Systems(S0142-0615), 2014, 57(5): 1-10.
5	庄存波, 熊辉, 刘检华, 等. 一种改进离散磷虾群的复杂产品装配调度算法[J]. 兵工学报, 2018, 39(8): 1590-1600.
	Zhuang Cunbo, Xiong Hui, Liu Jianhua, et al. An Improved Discrete Krill Herd Algorithm for Complex Product Assembly Scheduling Problem[J]. Acta Armamentarii, 2018, 39(8): 1590-1600.
6	王秋萍, 丁成, 王晓峰. 一种基于改进KH与KHM聚类的混合数据聚类算法[J]. 控制与决策, 2020, 35(10): 2449-2458.
	Wang Qiuping, Ding Cheng, Wang Xiaofeng. A Hybrid Data Clustering Algorithm Based on Improved Krill Herd Algorithm and KHM Clustering[J]. Control and Decision, 2020, 35(10): 2449-2458.
7	郭伟. 磷虾群优化算法的研究[D]. 银川: 北方民族大学, 2016.
	Guo Wei. Research on Krill Herd Optimization Algorithm[D]. Yinchuan: North Minzu University, 2016.
8	Han K H, Kim J H. Quantum-Inspired Evolutionary Algorithm for a Class of Combinatorial Optimization[J]. IEEE Transactions on Evolutionary Computation(S1089-778X), 2002, 6(6): 580-593.
9	杨淑云, 李盼池. 量子衍生蜂群算法的设计与实现[J].系统仿真学报, 2015, 27(7): 1480-1489.
	Yang Shuyun, Li Panchi. Design and Implementation of Quantum-Inspired Bee Colony Algorithm[J]. Journal of System Simulation, 2015, 27(7): 1480-1489.
10	李盼池, 李士勇. 求解连续空间优化问题的量子蚁群算法[J]. 控制理论与应用, 2008, 25(2): 237-241.
	Li Panchi, Li Shiyong. Quantum Ant Colony Algorithm for Continuous Space Optimization[J]. Control Theory & Applications, 2008, 25(2): 237-241.
11	何国松, 董泽, 孙明. 基于混合量子麻雀算法的过热汽温模型参数辨识[J/OL]. 华北电力大学学报(自然科学版), (2021-08-06)[2021-09-03]. .
	He Guosong, Dong Ze, Sun Ming. Parameter Identification of Superheated Steam Temperature Model Based on Hybrid Quantum Sparrow Algorithm[J/OL]. Journal of North China Electric Power University(Natural Science Edition),(2021-08-06)[2021-09-03]. .
12	Han K H, Park K H, Lee C H, et al. Parallel Quantum-Inspired Genetic Algorithm for Combinatorial Optimization Problem[C]//2001 Congress on Evolutionary Computation. Piscataway: IEEE Press, 2001: 1422-1429.
13	杨淑媛, 刘芳, 焦李成. 量子进化策略[J]. 电子学报, 2001, 29(增1): 1873-1877.
	Yang Shuyuan, Liu Fang, Jiao Licheng. The Quantum Evolutionary Strategies[J]. Acta Electronica Sinica, 2001, 29(S1): 1873-1877.
14	蔡延光, 张敏捷, 蔡颢, 等. 混合混沌量子进化算法[J]. 系统工程理论与实践, 2012, 32(10): 2207-2214.
	Cai Yanguang, Zhang Minjie, Cai Hao, et al. Hybird Chaotic Quantum Evolutionary Algorithm[J]. Systems Engineering-Theory & Practice, 2012, 32(10): 2207-2214.
15	Paudel S, Elmitri M, Couturier S, et al. A Relevant Data Selection Method for Energy Consumption Prediction of Low Energy Building Based on Support Vector Machine[J]. Energy and Buildings(S0378-7788), 2017, 138: 240-256.
16	于军琪, 井文强, 赵安军, 等. 基于改进PSO-BP算法的冷负荷预测模型[J]. 系统仿真学报, 2021, 33(1): 54-61.
	Yu Junqi, Jing Wenqiang, Zhao Anjun, et al. Cold Load Prediction Model Based on Improved PSO-BP Algorithm [J]. Journal of System Simulation, 2021, 33(1): 54-61.
17	冯增喜, 任庆昌. 基于动态组合残差修正的预测方法[J]. 系统工程理论与实践, 2017, 37(7): 1884-1891.
	Feng Zengxi, Ren Qingchang. Forecasting Model with Dynamical Combined Residual Error Correction[J]. Systems Engineering-Theory & Practice, 2017, 37(7): 1884-1891.

函数	算法	最小值	平均值	标准差
Sphere	QEA	3.76×10⁴	4.34×10⁴	3.43×10³
	PSO	4.32×10⁰	2.63×10¹	1.63×10¹
	KH	3.28×10^-3	2.66×10^-2	1.24×10^-2
	QKH	1.74×10^-⁵	3.52×10^-⁵	1.47×10^-⁵
Step	QEA	4.06×10⁴	4.59×10⁴	3.93×10³
	PSO	6.09×10⁰	3.66×10¹	2.96×10¹
	KH	1.45×10^-2	3.38×10^-2	1.65×10^-2
	QKH	1.29×10^-⁵	3.37×10^-⁵	2.06×10^-⁵
Ackley	QEA	1.93×10¹	1.99×10¹	2.94×10^-1
	PSO	1.01×10⁰	3.68×10⁰	8.09×10^-1
	KH	2.82×10⁰	5.08×10⁰	1.19×10⁰
	QKH	1.43×10^-⁴	4.59×10^-⁴	2.70×10^-⁴
Griewank	QEA	3.75×10²	4.36×10²	2.95×10¹
	PSO	1.03×10⁰	1.30×10⁰	2.19×10^-1
	KH	5.57×10^-2	1.39×10^-1	3.52×10^-2
	QKH	1.31×10^-3	4.52×10^-3	2.06×10^-³

[1]	郭业才, 王庆伟. 基于截断迁移与并行残差网络的调制识别算法[J]. 系统仿真学报, 2022, 34(09): 2009-2018.
[2]	张森, 张孟炎, 邵敬平, 普杰信. 基于随机策略搜索的多机三维路径规划方法[J]. 系统仿真学报, 2022, 34(6): 1286-1295.
[3]	王步维, 王敏, 范谦, 王雅男, 章涵文, 乐云亮. 基于深度学习的晶体性质预测研究[J]. 系统仿真学报, 2021, 33(12): 2854-2863.
[4]	冯晓, 张辉, 周蕊, 乔璐, 魏东, 李丹丹, 张玉尧, 郑国清. 基于深度学习和籽粒双面特征的玉米品种识别[J]. 系统仿真学报, 2021, 33(12): 2983-2991.
[5]	仝卫国, 庞雪纯, 朱赓宏. 基于卷积神经网络的气液两相流流型识别方法[J]. 系统仿真学报, 2021, 33(4): 883-891.
[6]	冯新扬, 邵超. 跨卷积网络特征融合的SAR图像目标识别[J]. 系统仿真学报, 2021, 33(3): 554-561.
[7]	邢志伟, 李彪, 朱慧, 罗谦. 基于深度神经网络的航班保障时间预测研究[J]. 系统仿真学报, 2020, 32(4): 678-686.
[8]	张少白, 张腾. 基于认知理论的手势跟踪交互模型研究[J]. 系统仿真学报, 2018, 30(10): 3681-3690.
[9]	王娟, 杨小渝, 王宗国, 任杰, 赵旭山. 基于混合学习算法的材料计算数据误差估计[J]. 系统仿真学报, 2018, 30(10): 3843-3853.
[10]	贾立山, 刘喆, 孙毅. 基于RMBP神经网络的飞机电气故障智能诊断[J]. 系统仿真学报, 2018, 30(9): 3493-3501.
[11]	夏旻, 申茂阳, 王舰锋, 王阳光. 基于卷积神经网络的卫星云图云量计算[J]. 系统仿真学报, 2018, 30(5): 1623-1630.
[12]	陶文华, 袁正波. 焦炭质量的DE-BP神经网络预测模型研究[J]. 系统仿真学报, 2018, 30(5): 1650-1656.
[13]	熊印国. 相对变换KPCA的变压器油击穿电压预测建模[J]. 系统仿真学报, 2018, 30(5): 1657-1664.
[14]	杨祯山, 岳文姣. 基于FCM聚类模糊神经网络的电梯交通模式识别[J]. 系统仿真学报, 2018, 30(4): 1433-1439.
[15]	易卓, 廖鹰, 胡晓峰, 杜学绘, 朱丰. 基于深度时空循环神经网络的协同作战行动识别[J]. 系统仿真学报, 2018, 30(3): 793-800.

一种量子磷虾群融合算法及其应用

A Quantum Krill Herd Fusion Algorithm and Its Application

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价