【智能优化算法】2024年ESWA SCI1区TOP：量子计算蜣螂算法QHDBO附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

在智能优化算法领域，如何平衡全局探索与局部开发能力、提升复杂问题求解精度，始终是研究热点。2024 年，发表于 SCI 1 区 TOP 期刊《Engineering Applications of Artificial Intelligence》（ESWA）的研究提出了量子计算蜣螂算法（Quantum-inspired Hermit Crab Optimization, QHDBO），通过融合量子计算的概率性搜索特性与传统蜣螂算法（HDBO）的生物启发机制，实现了优化性能的突破性提升。本文将深度拆解这一创新算法的设计逻辑、核心原理与实践价值。

一、QHDBO 的算法起源与创新定位

（一）传统蜣螂算法（HDBO）的基础与局限

2022 年提出的蜣螂算法（HDBO）灵感源于蜣螂的生态行为，通过模拟 “滚粪球”“挖洞埋粪”“觅食” 三个核心阶段实现优化搜索：

• 滚粪球阶段：个体向全局最优解方向移动，侧重局部开发；

• 挖洞埋粪阶段：部分个体脱离群体随机搜索，增强全局探索；

• 觅食阶段：个体基于种群历史信息调整位置，平衡搜索效率。

然而，传统 HDBO 存在显著短板：高维问题中易陷入局部最优、后期收敛速度放缓、对复杂多峰函数的搜索精度不足。这些局限使其难以满足量子芯片布线、高维工程优化等前沿场景的需求。

（二）量子计算与 HDBO 的融合创新

QHDBO 的核心突破在于引入量子计算的概率表征与叠加态原理，解决传统 HDBO 的确定性搜索局限：

1. 量子比特编码：将蜣螂个体的位置从经典确定性坐标转化为量子比特的概率分布，实现 “一比特多状态” 的叠加搜索；

1. 量子旋转门更新：用量子旋转门替代传统的位置更新公式，通过概率幅调整实现更灵活的搜索方向控制；

1. 量子测量机制：在迭代后期通过测量操作将概率分布映射为确定解，兼顾探索广度与收敛精度。

这种融合恰好适配复杂优化问题的核心需求 —— 既需全局遍历避免局部最优，又需精准收敛提升解质量，为高维、多峰优化场景提供了新方案。

⛳️ 运行结果

📣 部分代码

% -----------------------------------------------------------------------------------------------------------

% Dung Beetle Optimizer: (DBO) (demo)

% Programmed by Jian-kai Xue    

% Updated 28 Nov. 2022.                     

%

% This is a simple demo version only implemented the basic         

% idea of the DBO for solving the unconstrained problem.    

% The details about DBO are illustratred in the following paper.    

% (To cite this article):                                                

%  Jiankai Xue & Bo Shen (2022) Dung beetle optimizer: a new meta-heuristic

% algorithm for global optimization. The Journal of Supercomputing, DOI:

% 10.1007/s11227-022-04959-6

% -----------------------------------------------------------------------------------------------------------

function [fMin,bestX,Convergence_curve]=DBO(pop,M,c,d,dim,fobj)

    % The population size of producers accounts for "P_percent" percent of the total population size

    P_percent = 0.2;

    % The population size of the producers

    pNum=round(pop*P_percent);

    lb=c.*ones(1,dim);    % Lower limit/bounds/     a vector

    ub=d.*ones(1,dim);    % Upper limit/bounds/     a vector

    %Initialization

    for i=1:pop

        x(i,:)=lb+(ub-lb).*rand(1,dim);

        fit(i)=fobj(x(i,:));                 

    end

    pFit=fit;

    pX=x; 

    XX=pX;    

    % fMin denotes the global optimum fitness value

    [fMin,bestI]=min(fit);      

    % bestX denotes the global optimum position corresponding to fMin

    bestX=x(bestI,:); 

    % Start updating the solutions.

    for t=1:M

        [fmax,B]=max(fit);

        worse=x(B,:);   

        r2=rand(1);

        for i=1:pNum    

            if(r2<0.9)

                a=rand(1,1);

                if(a>0.1)

                    a=1;

                else

                    a=-1;

                end

                x(i,:)=pX(i,:)+0.3*abs(pX(i,:)-worse)+a*0.1*(XX(i,:)); % Equation (1)

            else

                aaa= randperm(180,1);

                if(aaa==0||aaa==90||aaa==180)

                    x(i,:)=pX(i,:);   

                end

                theta=aaa*pi/180;   

                x(i,:)=pX(i,:)+tan(theta).*abs(pX(i,:)-XX(i,:));    % Equation (2)

            end

            x(i,:)=Bounds(x(i,:),lb,ub);    

            fit(i)=fobj(x(i,:));

        end 

        [fMMin,bestII]=min(fit);      % fMin denotes the current optimum fitness value

        bestXX=x(bestII,:);             % bestXX denotes the current optimum position 

        R=1-t/M;             

        Xnew1=bestXX.*(1-R); 

        Xnew2=bestXX.*(1+R);                    % Equation (3)

        Xnew1=Bounds(Xnew1,lb,ub);

        Xnew2=Bounds(Xnew2,lb,ub);

        Xnew11=bestX.*(1-R); 

        Xnew22=bestX.*(1+R);                     % Equation (5)

        Xnew11=Bounds(Xnew11,lb,ub);

        Xnew22=Bounds(Xnew22,lb,ub);

        for i=(pNum+1):12                  % Equation (4)

            x(i,:)=bestXX+((rand(1,dim)).*(pX(i,:)-Xnew1)+(rand(1,dim)).*(pX(i,:)-Xnew2));

            x(i,:)=Bounds(x(i,:),Xnew1,Xnew2);

            fit(i)=fobj(x(i,:)) ;

        end

        for i=13:19                  % Equation (6)

            x(i,:)=pX(i,:)+((randn(1)).*(pX(i,:)-Xnew11)+((rand(1,dim)).*(pX(i,:)-Xnew22)));

            x(i,:)=Bounds(x(i,:),lb,ub);

            fit(i)=fobj(x(i,:));

        end

        for j=20:pop                 % Equation (7)

            x(j,:)=bestX+randn(1,dim).*((abs((pX(j,:)-bestXX)))+(abs(( pX(j,:)-bestX))))./2;

            x(j,:)=Bounds(x(j,:),lb,ub);

            fit(j)=fobj(x(j,:));

        end

        % Update the individual's best fitness vlaue and the global best fitness value

        XX=pX;

        for i=1:pop 

            if(fit(i)<pFit(i))

                pFit(i)=fit(i);

                pX(i,:)=x(i,:);

            end

            if(pFit(i)<fMin)

                fMin=pFit(i);

                bestX=pX(i,:);

                % a(i)=fMin;

            end

        end

        Convergence_curve(t)=fMin;

    end

end

% Application of simple limits/bounds

function s=Bounds(s,Lb,Ub)

    % Apply the lower bound vector

    temp=s;

    I=temp<Lb;

    temp(I)=Lb(I);

    % Apply the upper bound vector 

    J=temp>Ub;

    temp(J)=Ub(J);

    % Update this new move 

    s=temp;

end

%---------------------------------------------------------------------------------------------------------------------------

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码