李群育[1]2004年在《免疫优化算法及其在投资组合中的应用研究》文中研究说明生物免疫系统是一个复杂的、高度并行的、分布式的、自适应信息处理系统，它能够识别和排除侵入机体的抗原性异物，并且具有学习、记忆和自适应调节能力，能够维护机体内环境的稳定。借鉴和利用免疫系统的原理和机制而发展的人工免疫系统(Artificial Immune System)已成为人工智能的重要研究内容，并已在许多领域得到广泛的应用，表现出较卓越的性能和效率。本文首先对生物免疫系统的一些基本概念、系统组成、功能及原理进行了介绍；简单分析了人工免疫系统的研究内容、研究现状及基本理论；同时，对已有的一些免疫算法的基本结构和流程进行了研究和分析。在分析了小生境免疫算法原理和性能的基础上，对原算法的抗体突变规则及抗体抑制规则进行了讨论与改进，引进了免疫学中细胞繁殖的思想和精英个体保留策略，提出了改进的小生境免疫算法。文中编程实现了改进的小生境免疫算法，提出了单决策投资组合模型，用改进的小生境免疫算法寻求最佳方案，对投资组合模型指标——证券组合的净收益最大、组合的风险最小、交易费用最小、资金利用率最大、价格涨幅最大的问题，利用股票的历史数据进行了仿真实现。分析了改进的小生境免疫算法的搜索能力及参数改变对算法性能的影响，验证了算法的有效性和鲁棒性。仿真表明改进的小生境免疫算法不仅能获得最优决策方案，而且能较合理地预测所确定的最优股的走势，也进一步说明了改进的小生境免疫算法的改进效果。最后，本文针对非约束条件多目标优化免疫算法的群体规模控制不足而导致算法的搜索速度慢等问题进行了讨论及多方面的改进，提出了改进的多目标优化免疫算法。然后实际编程实现了改进的多目标优化免疫算法，并用于投资组合多决策投资方案问题，分析了改进的多目标优化免疫算法的搜索速度及参数改变对算法性能的影响，验证了算法的有效性和鲁棒性。仿真实现表明改进的多目标优化免疫算法使得投资决策行为更具合理性和有效性，也进一步说明了改进的多目标优化免疫算法的有效性。
胡珉[2]2006年在《基于MHC调控原理免疫算法研究及其在隧道工程中的应用》文中认为免疫理论研究的深入和智能技术的发展，为产生新的智能算法提供了良好的研究基础；而随着地下空间的开发新技术不断出现带来的新的挑战，又为智能计算提供了广阔的应用舞台。本文借鉴免疫系统中MHC(主要组织相容复合体)调控原理，从工程需求出发，进行了多角度的深入研究，提出了相关的智能算法，成功地在盾构法隧道工程的实际施工中得到应用。本文回顾了有关免疫系统的主要研究成果以及人工免疫系统理论的国内外研究现状，深入理解了MHC的免疫调控原理。在分析了目前盾构法隧道施工中主要遇到的问题与原因以后，提出了学术研究与工程研究相互结合和渗透的新设计理念，开展了组合优化、数值优化、公式发现和自动控制等多方面的研究。第二章基于MHC免疫调控原理，提出了一个基于MHC调控的免疫组合优化的新算法IOAMHC。而第叁章将MHC调控的思想应用到了数值优化算法的设计中，并结合均匀设计理念，提出了一种基于MHC调节的免疫进化新算法MHCIEA。这两个算法利用了MHC的自调节特性，指导抗体进化。与其他的优化算法相比，由于优化搜索思想不同，优化速度得到了提高，优化能力得到了加强。通过对基准问题的计算，充分验证了算法在性能上的优势，同时算法也通过了实际隧道施工的检验，取得了良好的指导作用。第四章提出了基于MHC调控公式发现算法IFDA，扩大了免疫算法的应用领域，为免疫算法的发展提供了新的途径。IFDA成功地运用在双圆盾构地面沉降的横向和纵向公式发现方面，通过与历史的工程数据比对，证明通过该算法得到的地面沉降公式对工程数据具有很好的拟合度，充分反映了双圆盾构的地面沉降规律。第五章针对隧道和软土地基多种物理对象和施工过程控制问题，借鉴生物免疫系统面临不确定的外来抗原呈现出的超强识别能力，创造性地提出了一种基于免疫系统模型的多模型控制新算法IMMC。该算法解决了非线性、不确定复杂系统控制困难的问题。通过计算机仿真实验，表明算法在系统发生突变时具有良好的适应性能。同时，该算法在双圆盾构法隧道施工对地面沉降控制中，取得了良好的控制效果。IMMC算法是生物学理论、控制理论以及计算机技术成果多学科交叉应用的成果。在本文研究成果的指导下完成的“盾构法隧道远程智能系统”和“盾构法隧道施工管片(错缝)拼装选型智能系统”被应用于上海地铁和越江隧道等近叁十项工程，取得了显着的社会效益、环境效益和经济效益。
卞蓓丽[3]2012年在《蚁群算法在多目标优化的证券投资组合中的应用研究》文中进行了进一步梳理多目标优化是指在多个目标上同时进行优化，并且，一般这些目标是相互冲突的。证券投资组合的两个基本度量指标是收益和风险，且收益越大风险越大，收益越小风险越小。然而现实生活中，人们对于投资组合的期望和目标是收益大而风险小。所以证券投资组合优化可以看成是基于风险和收益两个目标的多目标优化问题。蚁群算法是人工智能算法的一种，被广泛地应用于求解组合优化问题中，都达到了预期的结果。然而，目前在证券投资领域基于蚁群算法的研究大部分是单目标优化的。本文使用蚁群算法在多目标优化下求出了证券投资组合的有效边界，即Pareto前沿。这是蚁群算法在多目标优化应用领域上的一次研究、尝试和拓展。本文的主要工作是：1.查阅文献，了解了当前证券投资和蚁群算法的研究现状。2.建立了证券投资组合问题在蚁群算法下的模型。3．基于多目标优化问题的连续域蚁群算法，改进了启发函数、自适应信息素、最大最小信息素范围。4.编码实现了改进的蚁群算法，求出了证券投资组合的有效边界。5.本文同时实现了基于多目标优化的模拟退火算法。在实验章节安排两个算法分别对同样的数据求解有效边界，在相同迭代次数和相同Pareto解集规模两种情况下，使用U-度量对两种算法得到的Pareto前沿的均匀度进行了比较。6．文章最后对蚁群算法中的参数进行了简单分析，明确了参数的作用。证券投资在理论研究和实际应用中都很有意义，而将蚁群算法用于证券投资组合的多目标优化问题，对于拓展蚁群算法的应用也是一次有意义的尝试。本文的研究是有一定的理论意义和实际价值。
潘果[4]2017年在《混合智能算法及其在优化问题中的应用》文中认为最优化问题包括连续优化问题和离散优化问题,对于连续优化问题中的多模函数问题和离散优化问题中的非确定多项式(Non-Deterministic Polynomial,NP)难问题,智能算法求解这些问题时,如果不对其改进调整,就很容易陷入局部最优,因此本文选择应用最为普遍的四种智能算法,在原算法的基础上进行修正完善,来求解一些比较复杂的连续型最优化问题(如连续型函数优化问题)和离散型组合优化问题(如旅行商(Travelling Salesman Problem,TSP)问题、应用于层次优化的聚类问题、带有约束条件的任务调度问题),从而得到比原基本算法更理想的优化效果。论文的主要工作包括以下四个部分:(1)针对基本萤火虫群优化算法在函数优化过程中容易出现精度不高、早熟等不足,提出了一种基于精英学习的量子行为萤火虫群优化算法,以解决连续函数的优化问题。在初始化种群阶段,采用Logistic映射混沌机制以提高初始种群的随机性和多样性;在自适应动态步长搜索的萤火虫位置移动中,对那些因轮盘赌法则而未选中的个体,采取随机的量子行为策略进行更新,对越界个体重新初始化,以保证每个个体都有不同变化,提高寻优概率;最后采用适应度评估选出的精英个体采取动态逼近学习策略,进一步提高了算法的局部搜索能力。通过对CEC2014基准函数(Benchmark functions)进行测试,结果表明改进后的人工萤火虫群优化算法比其它优化算法有更快的收敛速度和更高求解精度。(2)针对基本免疫算法在求解离散优化问题(TSP问题)问题过程中出现的收敛过慢和封闭竞争问题,提出一种混合免疫算法(Hybrid immune algorithm,HIA)。该算法采用混合式方法,免疫算法被用于全局搜索,贪心算法则用于初始化种群并和去交叉算子一起进行局部寻优。在更新个体时,免疫算法采用高频变异算子,此算子在动态自适应变化的变异概率下进行工作,改善了种群的多样性,更易找到潜在的更有效的搜索方向,减少盲目搜索,使得子代种群朝着更有利的方向探寻,从而迅速搜索到更高质量的解区域。实验结果表明,与其它算法相比较,HIA算法能找到更加理想的全局最优解,并且性能更为稳定。实验证明HIA算法是一种解决离散优化问题的有效算法。(3)针对大规模TSP问题求解效率不高的问题,通常的作法是层次求解。首先采用聚类算法把大规模TSP问题转化成若干个小规模的城市集合,然后把这个问题看作是广义旅行商问题(Generalized Traveling Salesman Problem,GTSP)。在基本入侵杂草优化算法(Invasive weed optimization algorithm,IWO)基础上,提出了一种求解聚类问题的云模型入侵杂草优化算法。该算法使用云模型入侵杂草优化算法引导k-均值算法的搜索,使其种群在进化过程中具有明确的方向性,从而改善算法的寻优能力。为了验证所提算法的效率,针对叁个聚类问题进行相应实验,实验结果表明该算法不仅具有较高的正确率和较快的收敛速度,而且还具有较强的稳定性。(4)作业调度的实质就是实现依赖型子作业集到处理机集的映射,并寻求最好的分配方案,以获得最小化的最大完工时间(makespan)。此问题是一个带有约束条件的组合优化问题,一般情况下是一个非确定性多项式-时间-难问题(NP难问题)。为了较好解决这个问题,采用人工化学反应优化方法(artificial chemical reaction optimization algorithm,ACROA),模拟化学反应过程中主要的五种分子操作,使反应物彼此相互作用以达到最小焓(势能)状态,提出了求解依赖型作业调度问题的人工化学反应优化算法(ACROAJS)。实验结果表明,与文献中其它两种解决方案相比,所提算法提高了网格计算环境中的作业调度质量,使调度的 makespan 减少约 5.06%。论文最后对改进后的这四种比较有代表性的智能算法进行了总结,并提出了本人未来进一步的研究方向。
胡支军[5]2005年在《证券组合投资决策模型研究》文中研究指明证券投资的最根本的目的在于获取利益,但在投资活动中,收益总是伴随着风险。通常,收益越高,风险也越大;风险越低,收益越小。为了分散风险,投资者将许多种证券组合在一起进行投资,即所谓的投资组合,以期获得最大的收益。证券组合投资理论是现代金融理论的重要部分,其核心问题是如何在风险环境下对资源进行合理的分配和利用。 Markowitz(1952)以证券投资收益率的方差作为组合证券风险的度量,开辟了金融定量分析的时代,并在此基础上建立了投资组合决策的均值-方差模型,该模型在理论和实际应用中都具有重要的意义。但是随着研究的深入,人们发现用方差度量风险存在不可回避的缺陷。为了克服现有理论的不足,理论界进行了广泛的研究。但是到目前为止,还没有一种广泛有效的度量风险的方法。本文综合应用随机占优理论、风险一价值理论以及最优化理论,研究复杂多变的金融市场中的投资决策问题,建立了一些基于不同风险测度的投资组合模型,主要贡献有以下几个方面: 1.经典的Makowitz模型构成一个二次规划问题,自从Sharpe(1971)、Stone(1973)等给出了投资组合分析的线性化近似方法以来,人们发展了许多组合投资最优化问题的线性规划方法。Konno & Yamazaki(1991)用绝对离差代替方差度量风险提出了均值-绝对离差(MAD)模型,MAD模型可以很容易地转化为线性规划问题。MAD模型中用绝对离差度量风险可以看成是两倍的半绝对离差。因此均值一半绝对离差(MSAD)模型实际上等价于MAD模型。本文对均值一半绝对离差证券组合投资模型作了一个推广,推广后的模型可以惩罚更大的下方离差,体现了投资者的下方风险规避行为,适用于任何类型的收益率分布,离散分布时可以化为线性规划问题,并证明了该模型与二阶随机占优准则的一致性。我们发现,当投资者所要求的回报率相对较低时,推广后的MSAD模型比MSAD模型具有更好的业绩表现。
费腾[6]2016年在《改进人工鱼群算法及其在物流选址优化中的应用研究》文中提出人工鱼群算法是一种基于动物行为的新型全局寻优群智能优化算法,其基本思想是对鱼群觅食、追尾和聚群行为的模拟,通过人工鱼之间的协作与竞争来实现全局寻优。具有简单易行、并行能力强、对初始值要求不高等特点,已成功应用于信号处理、神经网络优化、图像处理、经济系统优化、生物信息处理等众多领域。但在算法后期,存在多样性差、易陷入局部最优、收敛速度变慢、搜索效率降低等不足。因此,本文在总结人工鱼群算法及其应用现状的基础上,提出了新的改进算法,并将改进算法应用于物流选址优化问题中。本文所做的主要工作如下:(1)提出一种基于DNA计算的改进人工鱼群算法。将DNA计算中的交叉与变异操作应用于基本人工鱼群算法,以增加算法后期的鱼群多样性,从而使得人工鱼能够跳出局部极值点,向全局极值点逼近。理论上分析了改进算法的收敛性及时空复杂度,测试函数仿真验证了算法的优越性。并将新的改进算法应用于优化配送中心选址问题,计算机仿真表明,基于DNA计算的改进人工鱼群算法在解决配送中心选址问题上更为有效,能够找到费用更低的中心站址。(2)提出一种基于细菌觅食的改进人工鱼群算法。将人工鱼群算法与细菌觅食算法相融合,利用细菌觅食算法中趋化操作具有局部拓展寻优能力的优势,将趋化算子嵌入到人工鱼群算法中,提高了算法后期局部搜索能力。分析了改进算法的收敛性及时空复杂度,测试函数验证了算法有效性。同时应用于配送中心选址问题的优化求解,仿真验证了改进算法的优化性能优于基本人工鱼群算法和遗传算法。(3)提出一种自适应Levy分布混合变异人工鱼群算法。根据变异能够增加生物多样性的基本思想,将Levy变异和混沌变异引入人工鱼群算法,Levy变异能够引导人工鱼群算法跳出局部最优,保持了鱼群的多样性;混沌变异增强了算法局部搜索能力,保证了算法后期的收敛速度。理论分析和测试函数验证了改进算法的有效性。并采用改进算法优化求解配送中心选址问题,仿真结果表明,改进算法具有良好的优化性能。
王博华[7]2017年在《粒子群算法的改进及其在PID参数整定中的应用》文中研究表明优化问题广泛存在于科学探索与工程应用中。实践表明,研究和解决优化问题可以提升系统效率,减少资源消耗,促进经济发展,具有重大的理论意义和实际价值。粒子群算法(PSO)是一种求解优化问题的启发式优化算法,通过模拟鸟类迁徙及觅食行为,使粒子在复杂搜索空间里进行迭代寻优,具有易实现、鲁棒性强、适用性广等特点,目前已成为优化理论与优化算法领域中的研究热点。但是粒子群算法也存在易陷入局部最优、迭代后期收敛速度慢、求解精度较差等缺陷,所以,为了提高算法的性能和拓宽算法的应用范围,仍需对其进行更深入的改进和优化。针对粒子群算法的不足,本文提出一种基于模式搜索法的云模型粒子群算法(PCPSO),并将其应用于多模态函数优化中。该算法通过引入基于正态云模型的变异策略,使粒子群算法保持较高的种群多样性,有效避免其陷入局部最优;利用具有较强全局搜索能力的云模型粒子群算法(CPSO)在可行域内进行全局搜索,再使用具有较强局部搜索能力的模式搜索法(PSM)对搜寻到的较优解进行局部寻优以提高解的精度。经复杂多峰函数仿真测试及算法对比表明:在保证收敛速度的同时,该算法的求解精度和搜索到的极值点数目均得到显着提高。比例-积分-微分(PID)控制器是目前工业生产中最常用的控制手段,具有结构简单、控制精度高、稳定性好等优点。针对传统PID整定方法在复杂环境中效果不佳的问题,本文将所提算法与PID控制理论相结合,提出一种基于PCPSO算法的PCPSO-PID整定方法。该方法利用PCPSO算法卓越的寻优能力对控制器的参数进行全局优化以找出最合适的组合搭配方式,使控制器工作在最佳状态。经典型被控对象及啤酒发酵温度控制系统的仿真实验表明:该方法不依赖被控对象的函数性态,具有应用广泛、鲁棒性强、响应迅速、控制性能好等优点。
李岩[8]2008年在《基于共生协同进化的多目标算法及应用》文中认为多目标进化算法(MOEA)较传统多目标算法在构造Pareto解集,以及优化问题的鲁棒性上,具有更好的性能。因此成为近年来研究的重点。协同进化作为生物学中一种促进种群间共同进化的机制,正逐步受到众多学者的重视。已有研究结果表明采用协同进化机制,可以加速多目标进化算法收敛速度,并使之具有更好的种群多样性。现有协同多目标进化算法一般只强调了生物种群间的竞争与合作中的一方面。但在实际的生物界中,两种现象是同时存在的。因此,如何设计一种算法将二者有机结合起来是有其理论意义的。本文在前人研究的基础上,提出了一种共生协同进化算法(SymbiosisCoevolutison Multiobjective Algorithm,SCMA)。有效的将竞争机制与合作机制统一起来。通过提出贡献度的概念,设计了合作算子、竞争算子和再生算子,用以实现算法的协同进化目的。最后在叁项指标下,利用六个测试函数,将SCMA与NSGA2,MOCEA,SPEA2进行了对比,显示出较好的效果。最后针化工生产过程中的对油品调和问题和股票的组合投资问题,运用SCMA算法它们进行了仿真求解,这能为决策者提供更多的选择。
傅家旗[9]2008年在《混合量子算法及其在生产调度中的应用》文中研究说明量子理论是现代物理学的两大基石之一，量子技术的发展将对人类有重大的意义。其一，运用量子技术能实现并行计算，大大提高运算速度。其二，量子技术运用在计算机硬件上能够使计算机的尺寸跨越原子的障碍。其叁，在经典计算机上实现量子算法可以有效地运用于求解组合优化问题。目前，根据量子特性构造的优化算法已经在连续优化领域得到了良好的应用，而在组合优化领域的应用仍处于起步阶段。量子算法并不是完美的算法，同时，其他优化算法的独特之处可为其所用。因而继承量子计算中的并行搜索能力，并根据问题特性构造各种优化算子，使之辅助量子优化作用，构造混合量子算法是一种改善策略，将能有效提高算法的优化效果。另一方面，随着市场环境和需求模式的转变，时间和品种成为追逐的对象。在这种竞争环境下，能够承接不同品种，生产工艺各异的产品的代工厂必须尽早挣脱以往生产模式和管理模式的束缚，走新型工业化道路。其有效途径之一就是运用信息技术，计算机技术，自动化技术，人工智能技术，数控技术和系统制造技术来提高制造能力，管理能力和调控能力。对于代工厂来说，整个先进生产制造系统实现的核心是生产调度问题。有效的调度方法和优化技术的研究与应用，是实现先进制造和提高生产效益的基础和关键。虽然计算机技术的迅猛发展为设计功能足够强大的智能调度系统提供了重要的技术支持，但现有的智能算法如遗传算法、蚁群算法还无法有效解决大规模的生产调度问题，而且对生产调度领域的研究至今仍未形成一套系统的理论和方法。因此，新型智能算法的构建无论是理论上还是实践指导上都具有重要意义。本文首先简单介绍了遗传量子算法，遗传算法，微粒群算法等优化算法，并分析了每种算法的特点。将研究对象定位为排序优化，分析了遗传量子算法在优化序列过程中及算法本身的不足，并针对这些不足一一提出了合理有效的改进方法以及构造混合量子算法的构想。其次，在遗传量子算法的基础上，结合进化计算和微粒群算法等设计了混合量子算法。设计了可用于构造序列的解码方式，结合微粒群算法的更新方法，通过跟踪个体极值点和总体极值点对量子比特进行智能调整，借鉴遗传算法的交叉和变异算子，使更新对个体的破坏程度更大，有效地提高了算法的搜索能力。将混合量子算法应用于排序难题之一TSP，以为抛砖引玉之用。再次，本文将混合量子算法用在生产调度问题中，主要是Flow Shop和Job Shop两大典型问题。根据问题规模和问题特性，设计了便于求解的编码，解码，进化和优化方法，并用C-Free3.0和Visual C++6.0开发了相关程序。通过与相关文献的结果比较，验证了混合量子算法在生产调度上的可行性，有效性和优越性。最后，对混合量子算法的研究和应用做了展望。
罗红明[10]2007年在《量子遗传算法及其在地球物理反演中的应用研究》文中进行了进一步梳理地球是人类赖以生存和发展的空间。人类有史以来就一直执着地对地球进行着探索，希望揭开地球内部的奥秘，渴望认识地球的起源及其演化。地球科学的基本任务是认识地球，同时为人类生存和生活服务，包括石油矿产资源勘查、基础工程建设、环境保护和灾害防治等。在资源矛盾日益突现的今天，节约能源和加强勘探是实现经济持续稳定增长、社会安定团结、人民生活不断改善的有效手段。作为勘探资料最终解释重要参考的地球物理反演结果，是指导勘探开发的重要手段。然而，常规的反演方法越来越难满足现在地下情况更复杂、处理标准更高的要求。所以，引入新的更优的反演思想和方法是改善这种状况的重要途径之一。上世纪90年代迅速发展起来的以量子计算机为基础的量子计算方法以其在理论上证实具有超强的计算速度、指数级的存储容量、更好的稳定性和有效性被誉为未来计算科学发展的方向之一。以量子理论为基础的量子遗传算法，可以在一定程度上提高计算效率和克服陷入局部极值。从理论上看，量子遗传反演方法不但具有量子计算得的一些特征，而且具有非线性优化算法的许多优点：不受初始模型选取的限制；可以方便的与其它优化算法进行综合(联合或混合)反演；还可以实现并行计算，使其计算量大大减少等。论文在充分分析了当前地球物理反演的要求和现有方法的种种不足的前提下，兼顾算法全局搜索和迅速收敛两个核心要求，首次引入了已经在其它优化领域成功应用的量子遗传算法。该方法由于采用了量子位编码，量子旋转门定向更新的策略，使得算法具有一定的并行运算能力和量子的隧道效应，计算精度和收敛速度得到大大提高。本论文围绕量子遗传算法在地球物理反演中的应用研究这一前沿课题，分五个部分来论述：第一部分首先简要阐述本文反演研究问题的提出，课题研究的意义，研究的思路和主要内容，主要创新和贡献等几个方面内容。第二部分主要简要回顾了非线性反演方法的提出；非线性反演方法的发展和分类；介绍了模拟退火、遗传算法、人工神经网络以及中国地质大学(武汉)新提出和实践的多尺度反演法、同伦反演方法、粒子群反演算法、模拟原子跃迁反演方法等主要非线性反演方法。并对非线性反演方法优势和局限性进行了评述，就反演问题的非线性与多极值、反演解存在性、非唯一性和稳定性、计算量问题等进行了讨论，指出了地球物理非线性反演的理论和方法的研究仍将是今后反演发展的主要方向，并可望在不久以后取得重大进展。第叁部分介绍了量子力学中的量子态、量子门等几个基本概念，并简要介绍了量子退火算法、量子遗传算法、量子神经网络算法等几种基于量子理论的优化算法。第四部分和第五部分是本文的主要内容。第四部分结合量子遗传算法优化原理和算法实现过程中的一些关键技术，如量子门的定向更新，自适应步长搜索策略等，针对地球物理反演问题的非线性、多极值等特点提出一套可行的实现方案，并设计了量子遗传算法地球物理反演的详细实现流程。第五部分是理论与实际资料试验，先从理论模型开始，研究量子遗传方法在大地电磁反演以及地震波阻抗反演中的可靠性，并对其抗噪能力和计算效率进行了大量计算试验，并对反演结果进行了分析，得到令人满意的结果。然后，论文分别将量子遗传方法用于实际的鄱阳地区大地电磁数据和大庆地区地震数据进行反演，研究了该方法对实际资料的反演效果和计算效率，均取得了很好的效果。本文的创新在于首次在国内将量子遗传算法成功地引入地球物理资料反演，并获得了成功。目前的理论分析和本文的结果已经表明，量子遗传算法是一种非常有效的全局非线性反演方法，用于地球物理反演的可行的。该方法不依赖于初始模型的选取，搜索全局性好，由于引入量子编码概念，算法具有量子隧道效应和量子计算的并行性，使得其种群规模小，寻优能力强，收敛速度快，且其计算量相对于传统非线性随机搜索方法已大大减少等优点。它已成功应用于多个领域。该算法在理论上非常适合于非线性、多极值的地球物理反演问题，必将能在地球物理反演领域广泛应用。总之，地球物理学承担了未来地球科学理论的进展和社会发展先导学科的重任，需要引进其它学科先进的思想和方法，才能有效解决当前资源勘查和国民经济建设中更复杂的实际问题。在地球物理方法解决实际问题过程中，都必须在地质理论或地质规律性认识的指导下，求取合理的解释结果。只有地质和地球物理紧密地结合起来，才能有效地解决实际问题。目前，量子遗传算法的研究还处于探索阶段，其理论还有待完善。量子遗传算法来解决地球物理反演问题，还需要针对实际问题进行更多探索。
参考文献：
[1]. 免疫优化算法及其在投资组合中的应用研究[D]. 李群育. 重庆大学. 2004
[2]. 基于MHC调控原理免疫算法研究及其在隧道工程中的应用[D]. 胡珉. 上海大学. 2006
[3]. 蚁群算法在多目标优化的证券投资组合中的应用研究[D]. 卞蓓丽. 华南理工大学. 2012
[4]. 混合智能算法及其在优化问题中的应用[D]. 潘果. 湖南大学. 2017
[5]. 证券组合投资决策模型研究[D]. 胡支军. 西南交通大学. 2005
[6]. 改进人工鱼群算法及其在物流选址优化中的应用研究[D]. 费腾. 天津大学. 2016
[7]. 粒子群算法的改进及其在PID参数整定中的应用[D]. 王博华. 湖南大学. 2017
[8]. 基于共生协同进化的多目标算法及应用[D]. 李岩. 北京化工大学. 2008
[9]. 混合量子算法及其在生产调度中的应用[D]. 傅家旗. 上海理工大学. 2008
[10]. 量子遗传算法及其在地球物理反演中的应用研究[D]. 罗红明. 中国地质大学. 2007
标签：数学论文; 自动化技术论文; 宏观经济管理与可持续发展论文; 蚁群算法论文; 遗传算法论文; 量子论文; 人工鱼群算法论文; 免疫算法论文; 组合优化论文; 量子效应论文; 多目标优化论文; 优化论文; 能力模型论文; 非线性论文; 算法论文;