Resumen

La optimización cuántica por enjambre de partículas (QPSO) es un algoritmo de optimización basado en poblaciones que se inspira en el comportamiento social de las bandadas de pájaros y combina las ideas de la computación cuántica. Para muchos problemas de optimización, el algoritmo QPSO tradicional puede producir soluciones de alta calidad en un tiempo de cálculo razonable y con características de convergencia relativamente estables. Pero el algoritmo QPSO también mostró algunos problemas insatisfactorios en aplicaciones prácticas, como la convergencia prematura y la escasa capacidad de optimización global. Para resolver estos problemas, en este trabajo se propone e implementa un algoritmo mejorado de optimización cuántica por enjambre de partículas. Hay tres trabajos principales en este trabajo. En primer lugar, se introduce un algoritmo QPSO mejorado que puede mejorar la capacidad de toma de decisiones del modelo. En segundo lugar, introducimos por primera vez un modelo de red neuronal sinérgica para la clasificación de manglares que puede manejar mejor la correspondencia difusa de imágenes de teledetección. Por último, se utiliza el algoritmo QPSO mejorado para optimizar los parámetros de la red. Los experimentos de clasificación de manglares mostraron que el algoritmo mejorado tiene una capacidad de exploración global más potente y una velocidad de convergencia más rápida.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:algoritmo qpso, optimización cuántica de enjambre de partículas, potente capacidad de exploración global, algoritmo de optimización cuántica de enjambre de partículas, modelo de red neuronal sinérgica, mayor velocidad de convergencia, muchos problemas de optimización, tiempo de cálculo razonable, características de convergencia estables, algoritmo qpso tradicional
• Keywords:qpso algorithm, quantum particle swarm optimization, powerful global exploration ability, quantum particle swarm optimization algorithm, synergetic neural network model, faster convergence speed, many optimization problems, reasonable computation time, stable convergence characteristics, traditional qpso algorithm