量子进化膜算法及其背包问题应用

量子进化膜算法是基于量子进化算法和膜计算所提出的一种分布式优化算法。将量子进化膜算法应用于0-1背包问题,讨论了基本膜个数的变化对背包问题求解的影响,找到最适合的基本膜个数,并分别与三种不同的量子进化算法进行对比实验,通过多组实例数据进行测试,结果表明该算法具有更高的求解性能。     

一种基于高校排课问题的新型量子遗传进化算法

量子遗传进化算法是量子计算和遗传算法相结合的产物,量子比特是两个量子态的叠加态,在此,详细介绍了量子遗传进化算法。尝试使用量子遗传进化算法来解决高校排课问题,并进行了实验。实验结果表明,该算法获得了比较好的结果。     

量子进化组播路由算法

近年来,时延受限的代价最小组播树问题备受关注。作为全局优化算法,遗传算法（GA）越来越多的用于解决组播路由问题。GA拥有比经典算法更强的搜索能力,但是它容易陷入＂早熟＂,很难得到最优组播树。基于量子计算的机理和特性并结合进化计算,提出了一种新颖的量子进化组播路由算法（QEA）,有效地解决了遗传组播路由算法中的＂早熟＂问题,并且在每代个体更新中采用量子旋转门策略加速了算法的收敛速度。算法实现简单,控制灵活。仿真结果表明QEA算法性能优于改进的进化算法即克隆多播路由算法（CS）和传统的遗传算法（GA）。     

基于改进量子旋转门的量子进化数据聚类

在量子进化计算中,量子旋转门是种群进化的主要算子,但是该算子旋转角度的选取是离散且固定的,使问题的搜索容易陷入局部最优.因此,本文提出了一种改进的量子旋转门算子,它能够自适应地计算旋转角度,使种群能够具有比较好的全局搜索能力;同时为了避免陷入局部最优,本文对旋转后的概率幅进行了修正操作.针对数据聚类问题,本文提出了一种...     

一种量子衍生神经网络模型算法及应用

为提高神经网络的逼近和预测能力,提出一种各维输入为离散序列的量子衍生神经网络模型及算法。该模型为三层结构,隐层为量子衍生神经元,输出层为普通神经元。量子衍生神经元由量子旋转门和多位受控旋转门组成,利用多位受控旋转门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控旋转门输出中多位量子比特的纠缠获得量子衍生神经元的输出。基于量子计算理论设计了该模型的学习算法。该模型可从宽度和深度两方面获取输入序列的特征。仿真结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通神经网络。     

量子遗传神经网络语音水印算法

传统的BP神经网络通常以梯度下降法作为训练搜索算法,极易陷入局部最优。本文将量子遗传算法引入到神经网络,提出了一种改进量子遗传算法优化BP神经网络系数的语音水印算法。首先利用改进量子遗传算法的良好全局搜索特性,优化BP神经网络的初始系数找出粗略解,然后采用梯度算法精细搜索出神经网络的最优权值和阈值系数,提高网络的收敛精度。理论分析和实验仿真表明,与传统的BP神经网络和遗传算法优化神经网络系数相比,本文提出的神经网络输出误差更小,有更大的水印容量。      

基于量子遗传算法的量子细胞自动机仿真方法

利用遗传算法对基于半经典模型的量子细胞自动机进行仿真时,通常会遇到多个极值,容易陷入局部最优。为将量子遗传算法用于量子细胞自动机仿真,对量子遗传算法进行改进,将二进制量子位改为多进制量子位,重新设计了量子旋转门的调整策略,并给出了具体实现步骤。通过对测试函数寻优和量子细胞自动机电路的仿真,结果表明,改进后的量子遗传算法平均误差低,不易陷入局部极值,收敛速度较快,适用于量子细胞自动机仿真。     

城市交通连续平衡网络设计问题的量子进化算法

在研究连续平衡网络设计的网络双层规划模型的算法中,很多求解思路是在下层用户平衡配流模型用GP算法或Frank-Wolfe算法等,在上层模型求解算法用遗传算法、模拟退火算法、粒子群算法等,而文中的上下层模型都是用量子进化算法去求解的。文中通过一个实例对算法进行验证,并与其他算法进行比较,结果表明量子进化算法性能优于遗传算法。     

一种改进的量子多目标蚁群优化算法

提出一种新的量子多目标蚁群算法．在蚁群算法的基础上中引入量子理论,将量子计算与蚁群进行融合,并用于求解多目标问题．该算法的核心是在蚁群中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素．该算法在全局寻优能力和种群多样性方面比蚁群算法有所改进,测试表明：该算法是求解多目标问题的一种有效的算法．     

量子克隆进化算法

本文在量子进化算法的基础上结合基于克隆选择学说的克隆算子，提出了改进的进化算法——量子克降进化策略算法(QCES)．它既借鉴了量子进化算法的高效并行性又利用克隆算子来代替其中的变异和选择操作，以增加种群的多样性，避免了早熟，且收敛速度快．本文不仅从理论上证明了该算法的收敛，而且通过仿真实验表明了此算法的优越性．     

基于量子遗传算法的CDMA多用户检测技术

多用户检测技术的最优解在常规条件下是个NP难解问题,利用量子态并行计算特性和量子纠缠特性能有效获得多用户检测的最优解,现提出了一种基于量子计算理论和遗传算法理论相结合的量子遗传算法的多用户检测技术.仿真结果表明,此方法在误码率方面具有良好的性能并且其抗多址干扰能力和抗远近效应能力明显优于经典遗传算法多用户检测器和传统检测器.     

基于量子遗传算法的传感器网络拓扑结构控制.

目前传感器网络的应用有2个趋势:支持多业务和提供服务质量保障。出于低耗能、高连通性等目的,对网络的拓扑结构进行控制较为关键。对此进行了研究,提出了基于量子遗传算法的网络拓扑结构控制解决方案。仿真实验表明量子遗传算法在求解性能上优于常规遗传算法,达到了低耗能和高连通性的目标。     

基于遗传算法的太阳能光伏电池板优化铺设

传统太阳能建筑中太阳能电池板的排布不够合理,既浪费空间又破坏建筑墙体。本文使用数学建模的方法对太阳能光伏电池板的优化铺设做出探讨。在探求电池板摆放规律后,通过分析建立多目标规划函数,借助完全背包问题的数学模型,运用遗传算法进行求解,得到平面内最佳的电池板排布方式,实现了光伏发电总量最大,单位发电量成本最低的双重目标。     

基于混合量子遗传算法的嵌入式系统软硬件协同综合算法

软硬件协同综合是嵌入式系统设计中的一个重要步骤.综合利用启发式算法和演化类算法的优点提出了一种混合量子遗传算法(HQGA)来解决软硬件协同综合问题,提高了求解质量和搜索效率,降低了计算代价.实验结果表明HQGA对软硬件协同综合问题的有效性:在得到相近结果的条件下,HQGA计算时间较量子遗传算法缩短50%以上;在计算相同代数的条件下,HQGA求解质量较量子遗传算法平均提高10%以上.     

基于量子遗传算法的航空通信频率动态分配

为了更加有效地对航空通信频率进行分配,提出了一种基于量子遗传算法的航空通信频率动态分配方法。通过对频率动态分配思路进行分析,建立了频率动态分配框架,给出了频率动态分配的具体流程。在此基础上,讨论了航空通信频率动态分配问题,定义了航空通信频率动态分配约束条件,建立了航空通信频率动态分配模型。最后,运用量子遗传算法和遗传算法对算例进行仿真对比。结果表明：量子遗传算法在种群适应度和收敛速度上具备明显的优越性,频率动态分配模型能够根据不同种群数量条件动态调整适应度,能够较好满足航空通信频率分配问题动态性、准确性、时效性等实践运用要求。     

改进量子遗传算法辨识超混沌系统

混沌系统的参数辨识是非线性科学中混沌控制与同步的关键问题。提出改进量子遗传算法,该算法具有良好的全局搜索能力,将其应用在混沌系统参数辨识问题。通过尽量减小实际系统与数学模型的状态同步误差来构造适应度函数,将参数辨识问题转化为一个多维优化问题。对超混沌Chen系统进行研究,并与基本量子遗传算法比较。实验仿真结果表明,改进量子遗传算法的有效和可行性,为混沌系统辨识开拓了一种新方法。     

运用量子遗传算法反演雷暴云电荷结构的研究

本文采用量子遗传算法结合三圆盘模型对雷暴云电荷结构进行反演。结果表明：利用量子遗传算法可以很好地对雷暴云电荷结构以及大气电场仪和雷暴云的距离进行反演,在对电荷的反演中发现电荷结构的准确性在大气电场仪距离雷暴云5000-6000m时达到峰值,这种方法实施仅利用地面大气电场资料进行反演,相比于飞机穿云探测简单方便,利用量子遗传算法根据大气电场仪资料就可以对雷暴云电荷结构和距离进行比较准确的反演。     

基于量子遗传算法的无线视频传感网络优化覆盖算法

针对智慧城市无线视频传感网络建设需要,提出一种基于量子遗传算法的网络优化覆盖算法。算法面向复杂的监视区场景,监视区中存在形状各异的障碍物,各区域的重要程度不同。以二维离散网格模型描述监视区场景,用编码描述矩阵表示监视区域,用七元组描述有向无线视频传感器。通过严格的数学推导得出了问题的数学规划模型。优化覆盖算法由IntialDeployment算法和OptimizedDeployment算法2部分组成,以获得最大有效覆盖率的网络部署方案为求解目标。采用量子遗传算法搜索解空间,通过合理编码染色体,优化量子旋转门参数,使算法的运算速度快,收敛性好。引入理想覆盖率和理想加权覆盖率2个极限值,采用相对比较法评判算法优劣。仿真实验和数据分析表明,算法获得的方案能很好地逼近理想极限值。在传感器节点数给定的情况下,算法能获得最大的覆盖率。     

基于遗传算法的TSP问题求解与仿真

TSP问题常用的自然编码方式在进行遗传操作时,会产生不合法路径.设计了一种新的编码方式,能有效避免这一问题,遗传操作简单易行,无需对不合理的基因片段进行合法化修正.在求解过程中,为了解决遗传算法的收敛速度和全局收敛性之间的矛盾、避免早熟,运用了Doping策略和参数切换方法.最后进行了仿真测试.结果表明,该算法能迅速淘汰劣解,具有较快的收敛速度;能有效遏制早熟,对不同规模的TSP问题能有效求得最优解.