量子演化计算方法研究及在特征选择中的应用
以群智能优化算法为代表的演化计算方法已经被应用于生活的方方面面，比如求解最短路径，背包问题，旅行商问题等。近年来，也有许多优秀的群智能算法被提出来，比如粒子群算法（PSO）、蚱蜢优化算法（GOA）等。但是在解决现实问题中，这些算法还是会暴露出各种缺点。本文针对蜻蜓优化算法、飞蛾优化算法和黏菌优化算法中出现的问题，根据量子计算的思路分别提出了改进措施，并且成功应用于特征选择问题中。主要研究内容如下： （1）在蜻蜓优化算法的基础之上，引入量子旋转门以及高斯变异机制，提出基于量子计算和高斯变异的改进蜻蜓优化算法（DragonflyAlgorithmBasedonQuantumandGaussian,QGDA）。将基于两种机制得到的改进蜻蜓算法放入基准函数中测试，结果表明，QGDA能够获取比其他算法更优的解。另外，在不同数据集上进行特征选择测试，QGDA也可以得到更高的精度。 （2）在飞蛾优化算法上，本文提出了一种基于量子计算与模拟退火机制的改进飞蛾优化算法（Moth-FlameoptimizationalgorithmbasedonQuantumandSimulatedAnnealing,QSMFO）。在基准函数测试实验中，与原始MFO算法相比，QSMFO的性能得到了显著提升。同时在特征选择问题上，QSMFO也展示出了更好的效果。 （3）最后针对黏菌优化算法的不足，提出了基于量子计算和水循环机制的改进黏菌优化算法（SlimeMouldAlgorithmbasedonQuantumandWaterCycle,WQSMA）。WQSMA在CEC2014测试集中与13个元启发式算法进行比较，实验结果显示WQSMA排名第一。此外，在实际应用中，在多个数据集上经过验证发现提出的WQSMA可以获得更高的分类准确率。
量子演化计算;特征选择;量子旋转门;高斯变异机制
温州大学
硕士
计算机系统结构
李俊;陈慧灵
2021
中文
TP18
2022-07-13（万方平台首次上网日期，不代表论文的发表时间）