求解路由选择问题的改进量子遗传算法

网络中存在许多设计和优化问题,其中相当一部分属于NP类型,传统的解法由于计算复杂度过大而失效;提出了一种求解路由选择问题的改进量子遗传算法（IQGA）,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,进行局部搜索操作策略,使得种群的多样性强,解得收敛精度高,收敛速度快;通过路由选择实验标明此算法的质量和效率都强于传统的遗传算法,并且具有较强的实用性和鲁棒性。     

基于通用量子门的量子遗传算法及应用

为加快量子遗传算法的参数更新速度,简化遗传操作步骤,提出了一种基于通用量子门的量子遗传算法（Quantum Genetic Algorithm with Universal Quantum Gate,UQGA）。该方法以通用量子门为逻辑计算单位,对染色体进行遗传操作。利用Hadamard门进行基础变换;通用量子门通过新的旋转角度函数,对各个基因位进行选择、变异操作;通过求解适应度函数,得到全局最优解;同时,算法经数学证明是收敛的。该算法应用到函数极值搜索和Iris数据集特征选择中。实验结果表明,UQGA具有较好的全局搜索和特征选择性能,尤其是在收敛速度、运算时间和分类准确率方面明显优于普通量子遗传算法和普通遗传算法。     

一种改进型量子遗传算法

针对量子遗传算法在复杂连续函数优化中存在的收敛速度慢、易陷入局部极值等缺点,提出一种改进型量子遗传算法。采用动态策略调整量子门旋转角,以加快收敛速度,采用优体交叉策略实施交叉操作,以增强局部搜索能力。通过典型复杂连续函数的测试验证该算法的可行性和有效性。     

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[Δθ]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。     

混合量子遗传算法及其在VRP中的应用

物流配送车辆路径问题(VRP)是一类典型的NP问题.针对提高寻优能力问题,构造了一种混合量子遗传算法(HQGA),即在传统量子遗传算法(QGA)随机全局搜索的基础上引入一个免疫算子,通过该算子的局部搜索操作实现线路内次序的再优化.给出了该算法的具体实现方法和流程,并用实例进行测试.仿真结果表明混合量子遗传算法的寻优性能优于传统量子遗传算法(QGA)及文献中的其它方法,可以避免出现早熟收敛,是求解车辆路径问题的一种有效的算法.     

一种新的自适应量子遗传算法研究

传统的量子遗传算法是基于二进制编码进行的,每次计算需要进行编码和解码操作,影响了算法的效率。针对这一问题,提出了实数编码的自适应量子遗传算法（RQGA）。首先运用实数和量子比特共同编码,并采用自适应频率的临近算符对编码进行更新,而后运用自适应转角策略更新量子比特串,以保证算法保持搜索性能和求解性能的平衡。最后分别采用二进制遗传算法、二进制量子遗传算法以及实数和量子比特共同编码的自适应量子遗传算法对Schaffer’f6函数进行测试对比,结果表明,实数和量子比特共同编码的自适应量子遗传算法无论在收敛速度还是收敛精度方面都体现了较好的优越性。     

基于改进量子遗传法的巡航导弹水平航迹规划

航迹规划是巡航导弹任务规划的核心,针对巡航导弹发射目标应满足多性能指标的航迹规划。为确保巡航导弹高效完成作战任务,提出要以巡航导弹水平航迹规划为应用背景,将量子遗传算法应用到巡航导弹的航迹规划中,首先在传统量子遗传算法基础上了引入了量子门旋转角步长动态调整机制、增加了量子交叉操作和量子变异操作,使得改进后的量子遗传算法具有更高的搜索效率。通过仿真验证了改进算法比GA算法、传统QGA算法具有更快的收敛速度和全局搜索能力,适用于巡航导弹的水平航迹规划,为巡航导弹多目标发射规划提供了依据。     

量子遗传算法在口腔种植定位中的研究与应用

口腔种植体设计方案的制定时间较长、智能程度不高,口腔医学数据信息量较大。为此,对种植体模型进行研究,提出一种改进的量子遗传算法。把种群细分为不同的特征群体,各特征群体实施自适应调整进化步长的量子旋转门操作,以及个体间信息交流的交叉操作。实验结果表明,与经典的遗传算法以及Bloch量子遗传算法相比,该算法能有效地优化种植体定位参数,搜索能力和收敛性能较好。     

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。     

量子查找算法的发展与前瞻

量子查找算法是一种利用波的特性进行查找的新方法，它以量子位作为描述问题 的基本信息单位，为 NP-完全问题的解决提供了一种有效的途径。量子查找算法的主要特 点 是查找的高度并行性、非结构化查找和巨大的信息存储容量。该文介绍了量子查找的基 本思 想；综述了量子查找的典型实例及其广泛应用；分析了量子查找算法的特点及其与传 统算法 的关系；指出了量子计算目前存在的问题；最后对量子计算的发展前景进行展望。     

量子计算机的研究与应用

介绍了量子计算的最新研究方向,简述了量子计算和量子信息技术在保密通信、量子算法、数据库搜索等重要领域的应用。分析了量子计算机与经典计算机相比所具有的优点和目前制约量子计算机应用发展的主要因素,最后展望了其未来发展趋势。     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长。为进一步提高 GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法—C1onalQuantum-GEP。该算法通过 量子种群的更新和探测影响杭体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样 性、更强的全局寻优能力和更快的收敛速度。在几个标准数据集上的实验验证了算法的有效性。与基本的GEP算法 相比,C1onalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果。     

逼近全概率Grover算法的搜索次数计算

文章研究了Grover量子搜索算法,该算法进行o(N√)次搜索后只能以大于0.5的概率获得正确结果,并且没有确定最佳的搜索次数。针对这两个问题,提出了一种确定搜索次数的计算方法,使Grover算法逼近全概率地获得搜索目标。仿真结果表明,该计算方法行之有效。     

基于量子粒子群算法的组播路由优化

不确定网络性能参数下的多约束QoS组播路由优化已成为安全组播领域以及下一代Internet和高性能网络的一个重要研究课题。多约束QoS组播路由优化是NP-完全的多目标优化问题。提出了一个新的量子粒子群算法,其具有收敛速度快、全局性能好等特点。通过应用该算法求解多约束QoS组播路由优化问题的仿真实现,结果表明,该算法取得了较好的效果。     

基于免疫量子遗传算法的多峰函数寻优

针对多峰函数优化中的全局及局部寻优问题,提出了一种结合免疫克隆算子的量子遗传算法,给出了实现流程。该算法集量子遗传算法的快速性和免疫克隆算法全局搜索性于一身。它不仅有效克服了量子遗传算法容易陷于局部最优的缺点,也避免了普通免疫克隆算法计算缓慢的缺点。用多峰值函数进行了全局寻优的仿真实验,并与基本遗传算法,量子遗传算法的计算结果进行了比较,结果表明所提算法能以较快的速度搜索到全局最优解,并且其鲁棒性远高于普通量子遗传算法和遗传算法。     

基于相干控制的二能级量子系统退相干抑制

对于二能级开放量子系统,研究了利用相干控制抑制退相干效应的问题.首先讨论了二能级开放量子系统在相干控制下的建模问题,将退相干抑制归结为与环境噪声解耦的控制问题.然后,引入开环控制抑制退相干,并证明该控制可使系统状态中的部分分量与环境噪声渐近解耦.最后引入反馈控制,使得系统状态的相应分量可以与环境精确解耦,同时能够避免测量引入的量子噪声的影响.     

基于量子遗传算法的图像分割

针对基本遗传算法的稳定性较差、存在未成熟收敛和易陷入局部最优解的问题,将量子计算与遗传算法进行融合,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明量子遗传算法用于阈值寻优减少了搜索时间,提高了收敛效率.     

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.