基于问题特征分析的量子混合协同进化算法及其应用研究

With the constantly deepening studies of co-evolutionary algorithm, it provides a powerful tool for solving large-scale optimization problems and has become an important research branch of evolutionary algorithm. Although the co-evolutionary algorithm has obtained the great progress in the model improvement, theory analysis and application development and so on, there still exist the defects of the slow convergence, high computation complexity and weak search ability, which restrict the further development of co-evolutionary algorithm. Therefore, this study starts from the co-evolution mode of hybrid ecology system in natural world and quantum computing with powerful parallel computing ability, a quantum-inspired mixed co-evolutionary algorithm framework based on the characteristic attribute extraction, parallel evolution and hybrid mechanism is deeply studied and constructed. A mathematical model of quantum-inspired mixed co-evolutionary algorithm based on Bayesian probability theory is established. Moreover, in view of system theory, information theory and control theory, the optimization mechanism and adaptive adjustment and cooperation strategies of parameters of quantum-inspired mixed co-evolutionary algorithm are deeply studied. And the theory analysis and performance evaluation of the constructed framework is made in order to reveal explain its internal operation mechanism. The quantum-inspired mixed co-evolutionary algorithm is applied to solve the train operation scheduling problem of high speed railway of China, in order to further modify and improve the constructed framework. This study not only enriches the theory system of the co-evolutionary algorithm, but also provides a new method for solving practical large-scale complex optimization problems.

随着协同进化算法的不断深入研究，为求解大规模复杂优化问题提供了有力的工具，已成为进化算法的一个重要研究分支。目前协同进化算法已在模型改进、理论分析以及应用拓展等方面取得了较好的研究进展，但仍然存在收敛缓慢、实现复杂度高和搜索能力较弱等缺陷，制约着它的进一步发展。因此，本项目从自然界混合生态系统的协同进化模式和具有强大并行计算能力的量子计算出发，采用并行进化和混合机制等策略，研究并构建一种基于问题特征的量子混合协同进化算法框架，建立基于贝叶斯概率理论的算法数学模型。基于系统论、信息论和控制论的思想，研究量子混合协同进化算法的优化机理以及参数自适应调整与协作策略，并对构建的模型进行理论性分析和性能评价，揭示和解释其内部运行机理。将新设计的算法用于求解我国高速铁路列车运行调度问题，进一步改进和完善算法模型。本项目的研究不仅丰富了协同进化算法的理论体系，还为求解实际大规模复杂优化问题提供了新方法。

针对协同进化算法存在收敛缓慢、实现复杂度高和搜索能力较弱等缺陷，本项目采用了理论分析、数值计算和实验验证与应用相结合的方法，分析了大规模复杂优化问题，研究了基于复杂网络理论的大规模复杂优化问题特征属性提取方法和基于变精度粗糙集理论和信息熵技术的特征属性约简方法，建立了各个特征属性影响协同进化算法求解性能的知识模型；分析了量子旋转门的旋转大小和方向，研究了基于小生境进化策略和改进粒子群优化算法的量子进化算法、基于邻域变异和反向学习策略的差分进化算法和基于多策略量子差分进化算法的深度置信网络参数优化方法，构建了量子混合协同进化算法模型，探讨了算法搜索机制；研究了量子差分进化算法参数的自适应调整方法、基于合作进化框架和多策略的量子差分进化算法和多策略量子合作型协同进化算法，探讨了算法参数的协作策略；分析了不同协同进化算法的种群动力学模，理论分析和数值计算了量子混合协同进化算法的有效性和收敛性，实现了算法的效能评价；分析了铁路列车运行模式、约束条件、优化目标等，构建了铁路列车运行调度优化模型，研究了多策略人工蜂群优化算法、多策粒子群优化算法和改进自适应量子合作差分进化算法，实现了基于不同算法的路列车延误调度方法，快速恢复了延误列车。本项目研究丰富了协同进化算法理论体系，为求解实际大规模复杂优化问题提供了新方法支撑。.受本课题资助，课题组经过四年的深入研究，项目执行情况良好，进展顺利，取得了较好的研究成果。在IEEE Transactions on Intelligent Transportation Systems、IEEE Transactions on Systems, Man, and Cybernetics: Systems、Knowledge-Based Systems、Applied Soft Computing、Information Sciences、自动化学报、控制与决策等著名期刊发表学术论文22篇，包括IEEE Trans.期刊4篇、中科院一区7篇、Top期刊8篇，ESI高被引论文10篇、热点论文9篇，EI期刊论文2篇，出版学术专著1部，获广西自然科学奖二等奖1项；培养研究生25名，其中毕业博士生2名、硕士生10名，3人获得研究生国家奖学金。授权发明专利3项，受理发明专利2项。