一种解决组合优化问题的改进型量子遗传算法

在量子遗传算法(QGA)的基础上,提出了一种解决组合优化问题的改进型量子遗传算法(NIQGA).为充分利用量子态的干涉性和纠缠性,该算法引入了动态调整量子门旋转角步长机制、量子交叉操作和量子变异操作,因而具有更高的搜索效率.利用两种典型组合优化问题——0/1背包问题和路由选择问题进行验证.结果表明,相比于GA和QGA,NIQGA具有收敛速度快和全局搜索能力强的特点,在解决基因间弱关联性的组合优化问题时有更优的性能.     

基于改进遗传量子算法的FIR数字滤波器设计

采用改进遗传量子算法(IGQA)进行FIR数字滤波器的优化设计,将滤波器的过渡带样本值作为变量进行优化,解决了传统方法(查表法)不能保证数据最优的问题。针对遗传量子算法(GQA)在优化连续多峰函数时易出现早熟的问题,提出一种改进遗传量子算法(IGQA),典型函数测试表明,IGQA的性能优于GQA和其它几种遗传算法,收敛速度快,全局寻优能力强,能有效地克服早熟现象。采用IGQA优化设计的FIR数字低通和带通滤波器的性能较查表法得到了很大改善。     

基于改进的量子遗传算法的多用户检测

为了加快量子遗传算法(QGA)的收敛速度,减小基于QGA的多用户检测的计算复杂度,提出了一种基于改进的量子遗传优化算法(MQGA)的多用户检测算法.通过引入小生境协同进化策略初始化量子种群,并采用自适应更新旋转角策略,改善了QGA的收敛性能和寻优能力.仿真结果表明,提出的多用户检测算法在收敛速度、误码率、抗远近能力及系统容量方面都优于遗传算法多用户检测器、量子遗传算法多用户检测器和传统多用户检测器.     

量遗传算法及其在无约束优化问题中的应用

量子遗传算法（QGA）是量子计算和遗传算法相结合的产物，将量子的态矢量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。本文首先介绍了量子遗传算法的基本原理，讨论了基于量子遗传算法的一系列改进，然后将量子遗传算法应用于无约束优化问题，实例计算表明了算法在该类问题中的有效性和可行性。     

基于量子遗传算法的嵌入式系统软硬件划分算法

针对嵌入式系统软硬件协同设计中的软硬件划分问题，本文在改进了基于基本调度块图的软硬件划分模型的基础上，提出了一个基于量子遗传算法(QGA)的软硬件划分算法。通过采用自适应的适应度函数、惯性量子旋转角调整策略以及引入量子交叉操作，提高了算法的搜索效率，实验结果说明了该算法对解决软硬件划分问题的有效性。     

基于量子遗传算法和IMST算法的QoS多播路由算法

本文提出了一种求解QoS多播路由算法,该算法基于量子遗传算法(Quantum Genetic Algorithm ,QGA)和IMST算法(Improved Minimum Spanning Tree,IMST),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,使得种群的多样性强;最后,引入改进的MST算法进行受约束最小Steiner 树的生成,解的收敛精度高,收敛速度快;通过仿真实验标明此算法在种群规模较小,迭代次数较少的情况下就可以收敛到最优解,该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.     

一种基于粒子群优化方法的改进量子遗传算法及应用

本文采用粒子群优化(PSO)方法代替量子门来更新量子比特状态,得到一种改进的量子遗传算法(QGA)——PSQGA,并根据QGA自身概率特性,引入了最优解方差函数来评价该算法的稳定性能.利用四种典型连续函数寻优问题和0/1背包问题,分别对PSQGA和改进的使用量子门的量子遗传算法(IQGA)进行了测试;并将它们应用到图像稀疏分解的实例中.结果表明,PSQGA算法的寻优能力及稳定性均优于IQGA,且具有更好的收敛性以及更强的连续空间搜索能力,适合于求解复杂优化问题.     

量子GA-PLS特征选择算法及其应用

为进一步提高遗传算法-偏最小二乘法的计算速度和计算效率,将量子算法融合到遗传算法-偏最小二乘法中,提出一种新的特征选择方法—量子遗传算法-偏最小二乘法（Quantum Genetic Algorithm-Partial Square Least,QGA-PLS）算法。该方法利用量子态和叠加态原理对染色体进行编码,采用量子旋转门进行遗传操作,以实现参数的更新和增强种群多样性,同时,用量子计算重新构建了偏最小二乘法回归模型来计算个体适应度,以充分发挥快速收敛和全局优化能力。将方法应用于函数极值优化和Iris数据集的特征选择,实验结果表明,QGA-PLS在特征选择、运算时间和分类准确率方面优于QGA和GA-PLS,从而验证了QGA-PLS算法的有效性。     

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。     

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.     

基于改进遗传算法的量子可逆电路综合

针对可逆电路到量子电路的有效映射问题,提出了带禁忌表的大变异自适应遗传算法,用于量子可逆电路的综合.选取量子非门、控制非门、控制V门与控制V+门(NCV)构成量子门库,建立了量子电路计算模型.采用二进制串行编码方案,设计了适应度函数、进化算子及优化规则,实现了带禁忌表大变异自适应遗传算法的量子可逆电路综合,并用Revlib电路库进行了测试.结果表明该综合方法能同时得到多个功能解,且所生成电路的量子代价优于库中电路,验证了提出算法用于量子可逆电路综合的正确性和有效性.     

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。     

一种有效的IIR数字滤波器优化设计方法

针对IIR数字滤波器优化设计实质上是一个多参数多目标优化问题,本文提出一种基于量子遗传算法的IIR数字滤波器满意优化设计方法,通过设计满意度函数而构造出满意优化计算模型,将滤波器性能指标的满意设计与参数优化统一考虑,并用本文提出的收敛速度快和全局寻优能力强的新量子遗传算法(NQGA)搜索满意解。通过低通和带通IIR数字滤波器的设计结果表明,该方法是有效、实用的。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于量子遗传算法的视觉目标跟踪

针对视觉目标跟踪中传统搜索方法效率不高、难以求取全局最优等问题,利用量子遗传算法的全局寻优能力,提出了一种采用量子遗传算法作为搜索策略的视觉跟踪方法.在量子遗传算法的框架下,将像素点位置作为种群中的个体,提取颜色直方图作为特征,以相似性度量作为目标函数计算个体适应度值,找出相似度最大的像素点位置输出,最终完成跟踪.实验结果表明,本文方法在目标速度快、遮挡和非刚性形变等情况下具有明显优势,且算法运算量小,跟踪速度快.     

A compact charge-based model to study the nanoscale undoped double gate MOSFETs for nanoelectronic circuit design using genetic algorithms

The analytical modeling of nanoscale devices is an important area of computer-aided design for fast and accurate nanoelectronic design and optimization.In the present paper,a new approach for modeling semiconductor devices,nanoscale double gate DG MOSFETs,by use of the gradual channel approximation(GC) approach and genetic algorithm optimization technique(GA) is presented.The proposed approach combines the universal optimization and fitting capability of GA and the cost-effective optimization concept of quantum correction,to achieve reliable,accurate and simple compact models for nanoelectronic circuit simulations.Our compact models give good predictions of the quantum capacitance,threshold voltage shift,quantum inversion charge density and drain current.These models have been verified with 2D self-consistent results from numerical calculations of the coupled Poisson-Schrodinger equations.The developed models can also be incorporated into nanoelectronic circuit simulators to study the nanoscale CMOS-based devices without impact on the computational time and data storage.     

QoS multicast routing scheme using QGA in IP/DWDM networks

This article studies multi-constraints least-cost multicast routing problem in internet protocol over dense wavelength division multiplexing （IP/DWDM） networks. To address this problem, an individual-difference-based quantum genetic algorithm （IDQGA） is proposed. This algorithm considers individual differences among chromosomes by introducing an adaptive rotation angle step determination scheme and a grouping-based quantum mutation operation. Simulations are conducted over network topologies. The results indicate that compared with other heuristic algorithms, IDQGA has better optimal performance on solving quality of service （QoS） multicast routing problem in IP/DWDM networks and is characterized by strong robustness, high success ratio and excellent capability on global searching.