基于改进量子遗传算法的连续函数优化研究

针对一般量子遗传算法在求解连续函数优化问题时存在的困难,研究了一种改进的量子遗传算法.该算法采用一种新的量子旋转门--Hε门对种群进行更新操作,可有效避免算法陷入局部最优解,提高算法的全局寻优能力.将该算法应用于几个典型复杂函数的优化测试结果表明,改进的量子遗传算法在对连续函数进行求解时,综合性能明显优于传统遗传算法和一般量子遗传算法.     

一种基于相位编码的量子遗传算法

基于量子位测量的二进制量子遗传算法在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率.针对这一问题,本文提出了一种基于量子位相位编码的量子遗传算法.该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异.在该方法中,由于优化过程统一在空间[0,2π]<'n>进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性.以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法.     

量子遗传算法在基于人工免疫的入侵检测系统中的应用

一个高效的入侵检测系统需要根据网络流的变化,不断对检测子进行优化。将新型的启发式方法——量子遗传算法应用于入侵检测系统中,并进行了仿真实验。结果表明：量子遗传算法在优化性能上优于传统遗传算法,它使种群具有多样性,提高了算法效率。     

基于量子遗传优化的盲检测算法

量子遗传算法(Quantum Genetic Algorithm)作为量子计算理论和遗传算法原理相结合的一种新兴的全局优化算法,因算法具有寻优能力强、收敛速度快和计算时间短的特点,在许多领域都得到了广泛应用。文中首先给出基于SIMO系统的BPSK发送信号盲检测模型,利用补投影算子构造盲检测优化代价函数,在此基础上利用量子遗传算法进行优化,获得最佳估计序列。算法性能仿真表明,文中提出的基于量子遗传优化的盲检测算法收敛速度快、能够成功实现盲检测,具有一定的应用价值。     

多中继协作系统量子遗传算法的功率分配仿真

考虑了功率受限下多中继协作系统功率分配问题。以最大化系统容量为优化目标,将量子遗传算法应用到多中继协作系统中,提出了基于量子遗传算法的功率分配方案,研究了功率分配方案对系统比特差错率的影响。仿真结果表明,与等功率分配方案及基于遗传算法的功率分配方案相比,基于量子遗传算法的功率分配方案能获得更小的比特差错率。     

量子纠缠遗传算法在微带耦合器中的应用

结合量子纠缠理论,提出了量子纠缠遗传算法。利用多粒子的量子纠缠W态,探讨了量子染色体的纠缠编码方式;给出了量子更新算符、量子变异算符和量子交叉算符的具体形式;给出了量子纠缠遗传算法的具体步骤。最后,将量子纠缠遗传算法应用到微带耦合器设计中,其结果表明量子纠缠遗传算法优化速度很快,能够得到很好的优化结果。     

复杂多态系统的冗余备份元件优化

在复杂的多态系统中,系统可靠性非常重要,最常见的是冷热备份模式来实现系统的可靠性.本文中我们提出了混合冗余备份模式,计算复杂系统的可靠性和任务成本,解决复杂系统中的备份元件优化分布和初始化问题.本文主要是通过离散数学的概率分布计算复杂系统中元件的可靠性和任务成本,利用量子遗传算法来解决冗余备份元件的优化分布问题.最后同时通过仿真实验来计算出系统的可靠性和预期的任务成本,以及冗余备分元件的优化分布,得出了复杂系统可靠性与成本的平衡关系.     

基于量子位Bloch坐标的量子遗传算法及其应用

提出了一种基于量子位Bloch坐标的量子遗传算法. 该方法用量子位构成染色体; 用量子位的Bloch坐标构成染色体上的基因位; 用量子旋转门进行染色体上量子位的更新; 用量子非门进行染色体变异. 对于量子旋转门的转角大小及方向的确定, 提出了一种简易快捷的新方法; 对旋转和变异操作, 提出了基于量子位Bloch坐标的新算子. 该算法将量子位的3个Bloch 坐标都看作基因位, 每条染色体包含3条并列的基因链, 每条基因链代表1个优化解.在染色体数目相同时, 可加速优化进程. 以函数极值优化和神经网络权值优化为例, 仿真结果表明该方法在搜索能力和优化效率两个方面优于普通量子遗传算法和简单遗传算法.     

基于量子遗传算法的非线性无约束优化方法

量子遗传算法(QGA)是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子旋转门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性。非线性无约束优化是典型的工程应用问题,而复杂非线性函数的优化结果往往不能令人满意,如陷入局部最优等。利用量子遗传算法强大的搜索能力,可以很好的解决复杂非线性函数的无约束优化问题,实验表明量子遗传算法在该类问题中的有效性和可行性。     

改进的量子遗传算法及应用

针对量子遗传算法在函数优化中迭代次数多,容易陷入局部最优解等缺点,提出新的量子遗传算法.该算法的核心是采用新的量子旋转门调整策略对种群进行更新操作,有效保证了种群的多样性,可以避免算法陷入局部最优解,提高了算法的全局寻优能力.同时能以更快的速度收敛于全局最优解.通过对典型复杂函数测试,计算结果表明,提出的算法优化质量和效率都要优于传统遗传算法和一般量子遗传算法.     

基于改进量子遗传算法的云计算资源调度

针对云计算环境下资源的高效调度问题,当前研究较少关注云服务提供商的服务成本,为此,以云服务提供商降低最小服务成本为目的,提出了改进量子遗传算法的云资源调度算法。由于采用二进制量子位表示的染色体无法描述资源调度矩阵,该算法将量子位的二进制编码转换为实数编码,并使用旋转策略和变异算子保证算法的收敛性。通过仿真实验平台将此算法与遗传算法和粒子群算法进行比较分析,在种群迭代次数为100的情况下,分别取种群数为1和10,实验结果表明该算法能取得更小的最小服务成本。     

基于量子遗传算法的贝叶斯网络结构学习

将量子遗传算法用于贝叶斯网络(BN)的结构学习,对BN结构进行量子编码得到染色体,通过量子变异操作使其作为一个完备的独立解空间进行演化,可快速搜索到全局最优的网络结构。实验结果表明,量子遗传算法用于BN结构学习,可取得很好的效果。     

量子遗传算法优化神经网络的MIMO-OFDM检测研究

信号的最优检测在常规条件下是一NP难解问题,针对RBF（径向基函数）神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出一种新型智能算法并将其用于MIMO-OFDM系统信号检测中：该算法将量子计算、遗传算法与神经网络相结合,用量子遗传算法（QGA）优化神经网络初始值。由于QGA给RBF网络提供了较好的初始值,故能够使RBF网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。实验结果表明,该算法能够有效地提高系统的信号检测性能,降低误码率。     

基于量子遗传算法的无线传感器网络路由研究

对于无线传感器网络(WSNs)中的两大关键性问题路由搜寻和能量优化,引入量子遗传算法进行路径的搜寻,并改进算法编解码思路,降低由于网络规模扩大而导致编码长度急速增加,即减少算法的计算复杂度,从而解决传统编码方式下的量子遗传算法难以适用于大规模的WSNs的缺点。通过实验表明:该方法能够得到更加优越和稳定的路径搜索结果,与粒子群优化算法进行1000次重复路径搜寻试验比较,其平均最优解提高了18.9%,稳定性提升了38.9%。     

一种改进变尺度混沌优化的模糊量子遗传算法

针对量子遗传算法存在的易陷入局部极小等问题,提出一种模糊量子遗传算法。该算法采用一种变尺度混沌优化方法,只需设 2个循环,内循环进行混沌搜索,外循环负责缩小区间,通过改进它的收敛策略,可以避免混沌优化在区间内的盲目重复搜索。利用改进的变尺度混沌优化方法,对量子遗传操作产生的种群进行混沌搜索寻优,同时模糊控制更新,加快种群的进化。仿真结果表明,该方法的寻优效果优于量子遗传算法及遗传算法。     

基于量子遗传算法的校园网格作业调度

互联网的异构性导致了网络资源不能充分共享,传统的校园网结构使得教育资源难以大范围共享,网格技术能较好地解决这些问题。通过对校园网现状和网格技术的分析,该文提出校园网格作业调度模型,设计并实现了基于量子遗传算法的作业调度方法。算法借鉴量子比特的叠加性,采用量子编码来表征染色体,能够表示许多可能的线性叠加状态,其整体性能优于普通遗传算法。     

基于并行量子遗传神经网络的自诊断智能结构传感器的优化配置*

针对压电智能复合材料层板,基于损伤检测问题,采用最小二乘小波支持向量机(LS-WSVM)网络建立损伤检测目标函数,运用量子遗传算法对目标函数进行优化,并将LS-WSVM以并行方式与量子遗传算法相结合,从而构造并行量子遗传神经网络方法,实现对智能结构损伤检测传感器的优化配置。仿真结果表明,采用该方法实现的不同数目传感器的最优布置符合工程判断,综合考虑成本与效益的因素,该方法可确定传感器对应于其初始布置模式下的最优配置数目。对于更多传感器的初始布置模式,采用该方法可有效减少传感器的数量,从而降低成本。相比于传统遗传算法,该方法中量子遗传算法具有较好的寻优能力和收敛速度。     

量子遗传算法研究进展

针对量子遗传进行了研究,介绍了量子遗传算法的发展、基本理论和方法,从量子门的改进、加入新算子、量子遗传算法的并行性、混合量子遗传算法四个角度论述了量子遗传算法的改进方法,并总结了量子遗传算法的应用领域。最后提出了量子遗传算法的发展方向。     

改进量子遗传算法用于多峰值函数优化

传统遗传算法（SGA）在处理多峰值函数优化问题中存在局部收敛性的问题,最初的量子遗传算法（QGA）也存在这一问题。运用一种改进量子遗传算法（MQGA）,有效地解决了一些多峰值函数的优化问题。根据几个重要的测试函数进行仿真实验结果证明,与SGA和QGA相比,改进的量子遗传算法（MQGA）在一些多峰值优化问题中更具有效性和可行性。