焦育威，王 鹏,2，辛 罡

(1.西南民族大学计算机科学与技术学院,四川 成都 610225；2.广东省国产服务器工程中心,广东 广州 510000；3.中国科学院大学，北京 100049；4.中国科学院成都计算机应用研究所，四川 成都 610041)

1 引言

近些年大量的启发式算法被提出[1]，这些算法在参数优化、控制与决策等问题上都表现出色。多尺度量子谐振子优化算法MQHOA(Multi-scale Quantum Harmonic Oscillator Algorithm)是一种量子启发式算法，它以Schrödinger方程为基础，建立了优化问题与量子系统之间的关系，将优化问题转换为求解粒子在约束下的基态波函数，且该算法在云计算、任务调度和空间聚类等方向都得到了广泛的应用[2]。

为了提高MQHOA的算法性能，近年来学者对MQHOA迁移策略和参数设置进行了研究，文献[3]分析了能级稳定过程中判据的变化对算法性能的影响，表明严格的判据可提高算法的全局搜索能力，在此基础上提出了性能更好的版本(MQHOA-AS)。文献[4,5]通过研究算法的迁移策略对MQHOA进行了改进。另一方面有学者对MQHOA背后的物理背景进行了研究，MQHOA是以波动方程在谐振子势阱下的波函数为采样函数指导算法迭代过程中的采样行为，不同的势阱下，算法采样行为具有差异性，针对的优化对象也不尽相同。基于量子系统中不同的势阱，MQHOA开始衍生出不同的版本，如：基于自由粒子的多尺度量子自由粒子优化算法MFPOA(Multi-scale Free Particle Optimization Algorithm)，并且相较同类型的优化算法，MFPOA在求解近100个城市节点数的TSP问题时，在求解时间上具有竞争力[6]。

而上述针对MQHOA的改进中，存在一个共性，处于同一代的种群中，每一个采样个体的约束尺度相同，但不同个体间的采样情况具有差异性。……