实数编码量子进化算法

为求解复杂函数优化问题,基于量子计算的相关概念和原理,提出一种实数编码量子进化算法.首先构造了由自变量向量的一个分量和量子比特的一对概率幅为等位基因的三倍体染色体,增加了解的多样性;然后利用量子旋转门和依据量子比特概率幅满足归一化条件设计的互补双变异算子进化染色体,实现局部搜索和全局搜索的平衡.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局搜索能力强和稳定性好的优点.     

求最优装载的量子算法

随着Grover量子搜索算法的不断发展,它的实际应用价值也在逐渐体现.通过介绍量子并行计算和量子算法的基本思想以及对改进的Grover搜索算法进行研究的基础上,分析给出了一个时间复杂度为O(√N)的求解最优装载问题的量子算法.对于最优装载问题,分别用经典计算机上的贪心算法和量子算法来求解,得出了这两种算法的时间复杂度,从而可以看出量子算法相对于经典算法具有更快的搜索速度.     

构造最小生成树的量子算法

图的最小生成树问题是网络优化中的一类基本问题。目前构造最小生成树的算法都是基于传统计算机的算法如Prim算法和Kruskal算法。该文提出了一个用于构造图的最小生成树的量子算法,它结合量子搜索的方法和经典Kruskal算法的思想,对于n个节点m条边的图,依次搜索出n-1条边使它们构成一棵最小生成树。这一算法的时间复杂性为O(nm√)。与经典Kruskal算法相比,在同等条件下,该文的算法有较快的加速。     

函数优化的量子正弦余弦算法

正弦余弦算法利用正弦和余弦函数对个体位置进行更新与搜索。为了避免正弦余弦算法早熟收敛,根据量子进化算法的相关理论和正弦余弦算法,设计了一种求解函数优化问题的新型智能算法——量子正弦余弦算法。量子正弦余弦算法则利用量子位对个体位置进行编码,以量子旋转门实现对个体最优位置的搜索,并以量子门实现个体的变异,从而避免早熟收敛。通过一系列典型函数优化问题的求解实验并与其他算法作比较,获得了满意的效果。     

一种新的混合量子进化算法

量子进化算法(QEA)用于多峰函数优化时,容易陷入局部最优.本文提出一种新的混合量子进化算法,通过双编码机制(经典二进制编码和量子概率编码),以及经典交叉和量子概率编码更新策略,实现了经典遗传算法与量子进化算法的有机结合,在发挥经典遗传算法全局优化能力的同时,利用量子概率搜索提高了算法的局部搜索能力.通过一组典型函数优化实验对该算法的性能进行了考察,并与QEA进行了比较.结果表明,本文算法在解的质量和收敛速度上都要优于QEA.     

基于混合量子进化计算的混沌系统参数估计

混沌系统参数估计本质上是一多维参数优化问题.为精确估计混沌系统的未知参数,本文提出一种混合量子进化算法(HQEA)用于求解该优化问题,该方法采用实数量子角形式表示染色体,用量子比特的概率作为个体的当前位置信息;提出由差分进化计算更新量子位置状态的量子差分进化算法(QDE),并将其与实数编码量子进化算法(RQEA)相融合,以便令算法在解空间的全局探索和局部开发能力之间取得平衡.算法还引入量子非门算子,对当前最佳个体中按某个概率选中的量子比特位,进行变换操作,以便增强算法跳出局部最优解的能力.基准函数测试表明混合算法的全局搜索能力及可靠性都有很大改善.通过Lorenz混沌系统进行数值仿真,结果表明了该混合算法的有效性.     

基于群体智能求解N后问题

提出了一种求解N后问题的蚂蚁模型算法,它受群体智能的蚂蚁算法和多Agent系统的启发,并吸收了回溯算法的优点,是一种随机搜索算法,从根本上改变了回溯算法的系统地搜索机制,避免了大量的冗余搜索,又保证了必要的搜索。在求解N后问题的第一个解时,大大地减少了求解时间和求解步数,当N较大时,也可得到较好的求解效果。仿真实验结果证实了这一算法的有效性。     

改进实数编码量子进化算法及其在参数估计中的应用

借鉴量子计算的相关概念和原理,提出一种改进实数编码量子进化算法(IRCQEA).算法的核心是依据染色体的具体形式和目标函数的梯度信息设计互补变异进化染色体,以实现局部搜索和全局搜索的平衡;根据算法的进化过程动态缩小搜索空间,以加快收敛速度.对标准数值优化问题的求解结果表明,该算法具有寻优能力强、搜索精度高和稳定性好等优点.以非线性系统参数估计问题为例进行的仿真实验表明,所提出的算法能够有效提高估计参数的精度.     

多进制概率角复合位编码量子进化算法

针对量子进化算法求解二进制编码问题比较有效,而求解多进制编码问题则比较困难的情况,本文提出了一种多进制概率角复合位编码量子进化算法.该算法将量子进化算法中量子位的概率幅表示法转化为复合位的概率角表示法,采用随机观测方法得到观测个体,采用概率角增减对个体进行更新.该算法适用于采用任意进制编码的问题.实验表明,与量子进化算法和传统遗传算法相比,多进制概率角复合位编码量子进化算法在适用范围、搜索能力和运算速度上具有较明显优势.     

一种改进的混合量子遗传算法

提出了一种改进的混合量子遗传算法(IHQGA),该算法首先在量子个体上实施量子交叉,这一操作有利于保留相对较好的基因段;其次,采用量子比特相位法更新量子门和自适应调整搜索网格的策略;最后,引入拟Newton算法进行局部搜索操作,使得种群的多样性强,解得的收敛精度高,收敛速度快;通过复杂函数测试标明此算法的优化质量和效率都强于传统遗传算法和量子遗传算法;另外,从理论上也证明了该算法以概率l收敛于全局最优解.     

Cascade cavity realization for a class of complex transfer functions arising in coherent quantum feedback control

This paper presents a realization algorithm for a class of complex transfer function matrices corresponding to physically realizable linear quantum systems. The aim of the realization algorithm is to enable a coherent quantum feedback controller, which has been synthesized using methods such as quantum H^∞ control or quantum LQG control, to be constructed using optical components such as cavities and phase-shifters. The class of linear quantum systems under consideration are passive linear quantum systems which can be described purely in terms of annihilation operators. The proposed algorithm enables a complex transfer function matrix to be realized as a pure cascade connection involving only cavities and phase-shifters.     

基于量子遗传算法的模糊滑模控制

针对一类具有不确定性的非线性系统,提出了一种新的基于量子遗传算法的模糊滑模控制器的设计方法.将模糊控制与滑模控制相结合,利用滑模控制使系统跟踪误差进入边界层内;启用模糊控制替代切换控制,并在边界层上通过监督函数平滑控制作用.在滑动模态产生条件下,通过量子遗传算法优化模糊控制器的控制规则,有效地解决了模糊滑模控制中模糊控制规则的确定问题,从而削弱了系统的抖振,改善了控制器的控制性能.仿真结果表明了该方法的有效性.     

The optimization landscape of hybrid quantum–classical algorithms: From quantum control to NISQ applications

This review investigates the landscapes of hybrid quantum–classical optimization algorithms that are prevalent in many rapidly developing quantum technologies, where the objective function is computed by either a natural quantum system or an engineered quantum ansatz, but the optimizer is classical. In any particular case, the nature of the underlying control landscape is fundamentally important for systematic optimization of the objective. In early studies on the optimal control of few-body dynamics, the optimizer could take full control of the relatively low-dimensional quantum systems to be manipulated. Stepping into the noisy intermediate-scale quantum (NISQ) era, the experimentally growing computational power of the ansatz expressed as quantum hardware may bring quantum advantage over classical computers, but the classical optimizer is often limited by the available control resources. Across these different scales, we will show that the landscape’s geometry experiences morphological changes from favorable trap-free landscapes to easily trapping rugged landscapes, and eventually to barren-plateau landscapes on which the optimizer can hardly move. This unified view provides the basis for understanding classes of systems that may be readily controlled out to those with special consideration, including the difficulties and potential advantages of NISQ technologies, as well as seeking possible ways to escape traps or plateaus, in particular circumstances.     

双链量子遗传算法的收敛性分析

基于实数编码和目标函数梯度信息的双链量子遗传算法可增加种群的多样性、扩大解空间的搜索域、加速算法的进化进程、避免早熟收敛现象,但没有从理论上证明该算法的收敛性。为此,给出相应的定理,利用定理从理论上证明该算法的收敛性,通过仿真实例,论述量子编码和量子旋转门对算法收敛性和优化效率的影响。结果表明,该研究丰富和完善了双链量子遗传理论。     

具有最小稳态误差的最优控制系统设计

稳态误差是控制系统设计中一项非常重要的性能指标，本文利用线性二次型（ＬＱ）最优控制系统设计中状态加权阵Ｑ的自由度，提出了一种具有最小稳态误差的ＬＱ最优控制系统设计方法。文中针对定义的稳态误差指标，推导其关于加权阵Q的梯度矩阵计算公式，从而将共轭梯度优化算法中非常有效的Beale算法和Armijo法则应用到设计方法中，给出了在计算机上易于实现的详细设计算法，通过实例仿真计算，验证了本设计方法的有效性，并获得了许多有意义的结果。     

Controllability and Universal Three-qubit Quantum Computation with Trapped Electron States

We show how to control and perform universal three-qubit quantum computation with trapped electron quantum states. The three qubits are the electron spin, and the first two quantum states of the cyclotron and axial harmonic oscillators. We explicitly show how universal three-qubit gates can be performed. As an example of a quantum algorithm, we outline the implementation of the three-qubit Deutsch-Jozsa algorithm in this system.      

一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。     

一种变步长双链量子遗传算法

为了克服基于实数编码和目标函数梯度信息的双链量子遗传算法存在收敛速度慢和鲁棒性较差的缺点,提出了一种自适应变步长双链量子遗传算法。建立了反映目标适应度函数变化率的数学模型;构造了反映当前搜索点处适应度相对变化率的变步长系数k,通过调整k以改善适应度函数相对变化率从而优化解的搜索过程;提出了在迭代过程中的量子旋转门转角Dθ更新策略。针对复杂连续函数的优化问题,设计了算法的具体实施步骤,并对典型复杂函数进行了仿真。结果表明,该算法有效地改善了双链量子遗传算法的鲁棒性,加快了算法收敛速度。     

一种改进的量子搜索算法

Rrover提出的对无序数据库进行搜索的量子算法，可以将搜索时间复杂度从经典计算机上的O（N）降低为O（N的平方根）。该算法显示了量子计算的强大能力，在量子计算研究中具有重要地位。但是，我们在研究Grover算法中发现Grover算法存在搜索失效等问题。本文分析了Grover算法中存在的问题，针对其不足之处进行了改进，并证明了改进后量子搜索算法的有效性。     

量子遗传算法的变尺度混沌优化策略研究*

针对量子遗传算法（QGA）易陷入局部极值、具有早熟收敛等问题,分析了QGA的流程,从全局搜索和局部搜索两个层面探讨了QGA的改进策略,提出了一种新的算法。该算法利用混沌运动的遍历性和随机性进行全局搜索,同时利用梯度信息对QGA的量子更新过程环节进行优化。典型函数测试分析表明,该方法的综合性能明显优于量子遗传算法及遗传算法。