量子粒子群优化的改进算法：高斯扰动与性能提升

量子粒子群优化（QPSO）是一种模仿自然现象的搜索算法，尤其适用于解决复杂的全局优化问题。然而，标准的QPSO算法在实际应用中常常面临早熟问题，即算法过早收敛到局部最优解，导致全局搜索能力不足。为了解决这个问题，这篇论文提出了一种改进的QPSO算法，即基于高斯扰动的QPSO算法。 在新的算法中，关键创新在于将高斯扰动引入到粒子的两个关键位置：粒子的平均位置和全局最优位置。高斯扰动作为一种随机噪声，可以在这些位置引入一定程度的不确定性，促使粒子跳出当前的局部最优区域，从而增加探索未知空间的能力。通过这种方式，算法能够有效地防止粒子过早停滞，并提高找到全局最优解的可能性。 论文作者们通过对标准PSO算法、原始QPSO算法和他们的改进版本进行标准测试函数的对比实验，验证了这种策略的有效性。实验结果显示，基于高斯扰动的QPSO算法不仅显示出更强的全局搜索能力，而且收敛速度更快。这表明，该算法在保持QPSO算法优势的同时，成功地克服了早熟问题，使得算法在复杂优化问题中的表现更加出色。 作者团队由王小根副教授、龙海侠博士和孙俊副教授组成，他们分别在进化计算、图像处理、人工智能和计算机控制技术等领域有深厚的研究背景。他们在文中分享了他们的研究成果，旨在为量子粒子群优化算法的发展提供新的视角和实用工具。 总结来说，这篇论文的核心贡献在于提出了一种改进的QPSO方法，通过引入高斯扰动来增强算法的全局探索能力，这对于在实际问题中寻找最优解具有重要意义。通过实验验证，新算法在优化性能上有了显著提升，对于提升量子粒子群优化算法的实用价值具有积极的推动作用。