量子粒子群改进算法TPHQPSO：提升收敛与避免早熟

量子粒子群改进算法TPHQPSO是由杨传将、刘清和黄珍在武汉理工大学自动化学院进行的研究工作，他们关注的是量子粒子群算法(QPSO)在优化领域的应用。QPSO作为一种基于量子行为的粒子群优化算法，其设计灵感来源于量子力学，旨在提高算法的收敛性能，使之超越标准粒子群算法。QPSO的特点在于粒子搜索时可以随机地在可行搜索空间中出现，这既保持了群体的聚集性，又增加了搜索的不确定性，从而展现出卓越的性能。 然而，尽管QPSO算法在很多情况下表现优异，但其仍存在一些局限性，如缺乏动态速度调整和容易陷入局部最优解的问题。为解决这些问题，研究人员提出了一种新的改进策略，即基于公共历史的两种群并行搜索的TPHQPSO算法。这个方法利用群体的历史优良解和最优粒子的变异，通过筛选机制来提升粒子群的收敛速度，并通过引入并行搜索策略，有效地避免了所有粒子同时陷入局部最优的可能性。 在实验部分，研究者通过对比测试了TPHQPSO在四个标准函数上的性能，结果显示它在收敛速度和寻找全局最优解方面均有显著优势。尤其在那些对计算实时性和资源有限的应用场景中，TPHQPSO算法具有广阔的实用前景。此外，该算法的关键特性包括粒子群优化算法、量子粒子群优化算法、公共历史、并行搜索以及对局部最优解的处理策略。 TPHQPSO是对量子粒子群算法的一种创新改进，它不仅保持了QPSO原有的优点，还针对性地解决了其不足，为优化问题的求解提供了一个更高效、全局优化的解决方案。这在当前的优化算法研究中是一个重要的突破，也为未来相关领域的研究提供了新的思路和可能。