自适应量子粒子群优化ASL-QPSO：原理、改进与Matlab实现

ASL-QPSO，名字听着唬人，拆开就是量子粒子群优化（QPSO）加上一套自适应策略学习机制（Adaptive Strategy Learning）。这个框架我完整跑过一轮Matlab实现，跟标准PSO和原始QPSO放在同样的基准测试函数上对比，结论很直观：在多峰函数上，同样迭代一千代，ASL-QPSO的收敛精度能高一个到两个数量级，三十次独立运行的方差也更小，稳定性明显更好。

这篇东西适合两类人看。一类是刚接触群体智能算法、想找一个有创新点又方便复现的框架来写论文或者做课程设计的同学，另一类是已经在用PSO/QPSO做工程优化但一直被早熟收敛、参数难调折腾的人。我会把算法原理、改进策略、Matlab代码结构、参数设置、实验对比时容易踩的坑一次性讲清楚，全程按照可复现的标准来写。

1. 先搞清楚QPSO到底解决了什么问题

1.1 标准PSO的两个结构性短板

标准粒子群（PSO）的核心更新公式很多人应该已经熟练了：

matlab复制v = w * v + c1 * rand * (pbest - x) + c2 * rand * (gbest - x);
x = x + v;

速度更新由三部分组成：惯性、个体认知、社会认知。这套模型在低维单峰问题上表现不错，但有两个结构性的隐患。

第一个隐患是速度上限。为了防止粒子飞出去，通常会给v设置一个vmax，但这也意味着粒子的搜索范围被限制在“当前位置加一阶矩”的范围内。一旦种群整体收敛到某个局部最优附近，速度会逐渐衰减到接近零，整个群体就像被冻住一样，想跑也跑不动。

第二个隐患是参数太多。w、c1、c2、vmax，每一个参数都影响收敛行为，而它们之间还互相耦合。惯性权重w大了全局搜索好但收敛慢，c1、c2设置不当又会引起震荡。实际用起来，调参的时间经常比写算法本身还长。

1.2 量子行为模型是怎么把“飞行”变成“扫描”的

QPSO的灵感来自量子力学里的势阱模型。在量子空间里，粒子不再有明确的速度向量，取而代之的是波函数，描述的是粒子出现在某个位置的概率密度。粒子可以出现在势阱中心附近的任何位置，而且距离越远出现的概率越小，但永远不会严格等于零。

这个特性放到优化问题里意义重大：粒子的探索范围不再受速度约束，即使全局最优已经很多代没有更新，粒子依然保有跳出当前区域的概率。通俗地讲，PSO的粒子是在“飞”，而QPSO的粒子是在一个概率场里“扫描”，扫描半径由参数动态决定。

很多人在第一次接触QPSO时会有个疑问：既然没有速度，那粒子怎么保证收敛？答案是靠平均最优位置（mbest）牵引。每个粒子向个体最优和全局最优的不同加权组合靠拢，同时被一个与mbest相关的平均距离项驱动，最终在全局收敛和跳出局部之间取得平衡。

1.3 核心更新公式与唯一参数α

QPSO的核心更新分三步，每一步在Matlab里都可以非常紧凑地实现：

matlab复制% 平均最优位置 mbest
mbest = mean(pbest, 1);

% 个体最优与全局最优的随机加权组合 p
phi = rand(N, D);
p = phi .* pbest + (1 - phi) .* gbest;

% 位置更新：左右等概率
u = rand(N, D);
L = alpha .* abs(mbest - X);
mask = rand(N, D) < 0.5;
X_new = p + mask .* (L .* log(1 ./ u)) ...
            - (1 - mask) .* (L .* log(1 ./ u));

最关键的是收缩-扩张系数α。这个参数直接控制粒子的搜索范围：α取大值时，粒子分布范围广，全局勘探能力强；α取小值时，粒子集中在局部区域，精细化开发。QPSO之所以比PSO简洁，就是因为把所有与搜索强度相关的控制都浓缩到了α这一个参数上。

1.4 固定或者线性递减α的隐患

原始QPSO一般把α按照线性策略从1.0递减到0.5，公式是：

matlab复制alpha = 1 - 0.5 * t / max_iter;

这个策略在单峰函数上问题不大，但在多峰函数上隐患很明显。试想这样一种情况：种群已经陷入了一个局部最优附近，粒子分布逐渐收紧，此时多样性偏低。如果α还在按预设线性趋势继续减小，搜索范围会更进一步收缩，等于把粒子往局部最优里推。我实测下来，Rastrigin这类局部最优密集的函数上，原始QPSO十次运行里有四五次会卡在同一个局部最优区域。

这也是ASL-QPSO最核心的改进入口——既然α决定算法节奏，那它就不应该是一个只跟迭代次数相关的函数，而应该根据种群当前的实际状态动态调整。

2. ASL-QPSO的自适应策略是怎么设计的

2.1 用种群多样性驱动自适应α

我在这套改进里把自适应α设计成一个关于种群多样性的函数。先定义一个规范化的多样性指标：

matlab复制function div = population_diversity(X, lb, ub)
    N = size(X, 1);
    meanX = mean(X, 1);
    dist = sum(sqrt(sum((X -