为了进一步提高量子行为粒子群优化(QPSO) 算法的全局收敛性能, 有效改善算法中存在的粒子早熟问题,提出一种基于完全学习策略的改进QPSO 算法(CLQPSO). 该学习策略改变了QPSO 中局部吸引子的更新方式, 充分利用了种群的社会信息. 采用8 个测试函数对算法性能进行比较分析. 实验结果表明, 所提出的改进算法不仅收敛速度快, 而且全局收敛能力好, 收敛精度优于PSO 算法和QPSO 算法.

基于Nelder-Mead单纯形法的改进量子行为粒子群算法.pdf

该文件夹包含 Quantum PSO 主代码 (QPSO) 和 11 个基准函数。 例子： 乐趣 = @griewankfcn; D = 30； nPop = 50; 磅 = -600; ub = 600; 最大值 = 1000; 最大值 = 10000*D; [xmin,fmin,histout] = QPSO(fun,D,nPop,lb,ub,maxit,maxeval); 或直接： [xmin,fmin,histout] = QPSO(@griewankfcn,30,50,-600,600,1000,10000*30);

该文件夹包含高斯 Q-PSO 主代码 (GQPSO) 和 11 个基准函数（+ 高斯 Q-PSO 原创文章）。 例子： 乐趣 = @griewankfcn; D = 30； nPop = 50; 磅 = -600; ub = 600; 最大值 = 1000; 最大值 = 10000*D; [xmin,fmin,histout] = GQPSO(fun,D,nPop,lb,ub,maxit,maxeval); 或直接： [xmin，fmin，histout] = GQPSO（@ griewankfcn，30,50，-600,600,1000,10000 * 30）;

基于量子行为粒子群优化算法-混沌神经网络的电力系统负荷预测.pdf

量子行为粒子群及在标准测试函数的应用，实验表明量子行为粒子群具有很强的全局搜索能力

量子行为的粒子群优化算法以及普通粒子群优化的原理，以及相应代码。附录有相应的QPSO的Matlab和C++代码，可直接替换使用