Grover量子搜索算法的线路优化

Grover算法是能够高效查找到目标态的量子搜索算法，但随着搜索数据量的增大，它的量子线路面临着复杂的门分解问题。在如今的NISQ时代资源非常有限，因此线路的深度成为一种重要的度量标准。介绍了一种基于分治思想的二阶段量子搜索算法，能够在量子计算机上快速地并行运行。提出一种线路优化方法，应用块级的Oracle线路来减少迭代次数。将该方法与分治思想相结合，提出2P-Grover算法。在量子计算框架Cirq上进行模拟实验，与Grover算法进行对比。实验结果表明，2P-Grover算法能够使线路的深度至少减少60%,并且保持了较高的搜索成功率。     

基于量子漫步的图形匹配算法进展与展望

图形匹配是图形研究中的重要问题,目前的经典算法受限于存储资源和计算复杂度,未能提供有效的解决方法.基于量子效应,将图形信息存储于量子比特,不仅能够极大减少存储资源的消耗,而且对量子比特进行操作可实现对存储信息的并行计算,从而为有效解决图形匹配问题提供了新的可能.量子漫步作为量子计算中的重要模型,是分析研究图形问题的有效工具.总结了量子计算的特点,介绍了量子漫步的2种模型并对二者进行了比较.然后对目前已有的基于量子漫步的图形匹配算法进行了介绍,对其算法思想、计算过程和优缺点进行了描述,同时还提出了相应的改进思路.在总结分析目前研究存在问题的基础上,探讨了今后的研究方向.     

求解背包问题的混合量子进化算法

针对量子进化计算中反馈信息利用不充分并容易早熟的不足,将量子进化计算与及蚂蚁寻优策略融合,提出了一种新的优化方法—混合量子进化算法(HQEA).以量子染色体表示智能蚂蚁所有可能的搜索路径,初始阶段采用量子进化学习,设计了智能蚂蚁网络及衔接算子,进化学习所得结果表示智能蚂蚁路径选择的概率,并利用蚁群寻优策略继续搜索求精确解.理论证明该算法具有全局收敛性.最后以背包问题对算法进行了测试.     

一种实数编码的量子差分进化算法

量子进化方法是受量子计算思想的启发而产生的一种新型的高效算法,在计算效率和避免陷入局部极值问题上有着卓越的成效.因此,量子机制与智能优化算法的组合,将进一步扩展智能优化算法的应用领域,提高优化算法解决问题的能力.为此,将量子计算引入到差分进化算法中,提出一种新型的进化算法一量子差分进化算法.该方法将量子比特的概率幅表示应用于染色体的实数编码,用量子变异、量子交叉、量子选择操作实现染色体位置的更新,用量子非门进行量子位两个概率幅互换,能在防止算法早熟的同时使算法更快收敛.并分别以函数极值和TSP问题为例进行了仿真,验证了算法的有效性.     

量子计算与量子计算机

量子计算是一种依照量子力学理论进行的新型计算,量子计算的基础和原理以及重要量子算法为在计算速度上超越图灵机模型提供了可能。在发展与完善量子计算理论的同时,量子计算机的物理实现方案也被不断提出。光子量子计算机,基于核磁共振、离子阱或谐振子等技术的量子计算机物理模型已被逐一实现。近年来亦出现了几个典型的基于量子计算机的量子算法。2001年在一台基于核磁共振技术的量子计算设备上成功演示的Shor量子算法,显示出量子计算机处理复杂问题的巨大潜能。文章对当前量子计算机物理实现的研究进展进行了综述。     

量子索引图像的描述方法与隐写算法

为解决量子计算机上索引图像的描述问题,提出一种量子索引图像描述方法.该方法中量子索引图像包含量子数据矩阵和量子调色板矩阵2种数据结构,每种数据结构均基于量子比特序列的基态进行信息表示;在此基础上,提出一种基于EzStego的量子索引图像信息隐写算法,首先计算量子调色板矩阵中每个颜色的相对亮度值,然后根据相对亮度值对颜色排序并分配亮度序号,最后根据每个颜色的亮度序号及其位置索引,结合嵌入的秘密信息对量子数据矩阵中的像素索引值进行更新,得到嵌入秘密信息后的量子数据矩阵.利用Matlab在经典计算机上采用USC-SIPI图像数据库数据进行仿真实验,从视觉质量、嵌入容量和鲁棒性三方面验证了该方法的可行性和有效性.实验结果表明,文中方法可在将来的量子计算机上执行.     

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。     

面向量子博弈论的光量子芯片设计及实验

量子博弈论是量子信息和经典博弈论的交叉研究方向。理论研究表明，量子博弈模型不仅能够突破经典博弈模型的收益上限，更是有望用于深入理解和突破量子通信、量子计算等领域的很多基础问题。针对一种利益冲突的贝叶斯量子博弈模型，提出了一种可编程的光量子芯片结构，首次运用硅基光量子芯片实验完成了量子博弈实验。通过动态生成和调控片上量子纠缠态，实验证实了量子博弈相对经典博弈的博弈优势，展示了光量子芯片在量子博弈论研究中的重要作用，为量子信息领域更复杂问题的研究提供了重要的实验手段。     

Job-Shop调度问题的量子蚁群算法求解*

针对最小化最大完工时间的作业车间调度问题,提出了一种量子蚁群调度算法.该算法结合了量子计算中量子旋转门的量子信息和蚁群寻优的特点,通过作业车间调度问题的析取图表示,将原问题转换为求解析取图的关动路径,并利用量子蚁群算法进行求解.采用该算法对作业车间调度问题的基准数据进行测试,仿真结果表明了该算法的可行性和有效性.     

量子计算进展与展望*

评述量子计算的历史、研究现状以及进一步发展的方向.着重论述量子算法的机理,对已知量子算法特征进行总结分析;归纳量子计算与经典智能计算的结合模式,比较其与传统智能计算的异同.在总结量子计算存在问题的基础上,探讨了今后的研究方向.     

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.     

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。     

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。     

Efficient quantum inspired meta-heuristics for multi-level true colour image thresholding

Thresholding is a commonly used simple and effective technique for image segmentation. The computational time in multi-level thresholding significantly increases with the level of computation because of exhaustive searching, adding to exponential growth of computational complexity. Hence, in this paper, the features of quantum computing are exploited to introduce four different quantum inspired meta-heuristic techniques to accelerate the execution of multi-level thresholding. The proposed techniques are Quantum Inspired Genetic Algorithm, Quantum Inspired Simulated Annealing, Quantum Inspired Differential Evolution and Quantum Inspired Particle Swarm Optimization. The effectiveness of the proposed techniques is exhibited in comparison with the backtracking search optimization algorithm, the composite DE method, the classical genetic algorithm, the classical simulated annealing, the classical differential evolution and the classical particle swarm optimization for ten real life true colour images. The experimental results are presented in terms of optimal threshold values for each primary colour component, the fitness value and the computational time (in seconds) at different levels. Thereafter, the quality of thresholding is judged in terms of the peak signal-to-noise ratio for each technique. Moreover, statistical test, referred to as Friedman test, and also median based estimation among all techniques, are conducted separately to judge the preeminence of a technique among them. Finally, the performance of each technique is visually judged from convergence plots for all test images, which affirms that the proposed quantum inspired particle swarm optimization technique outperforms other techniques.     

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.     

基于量子粒子群搜索策略的混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的群体智能优化算法。针对基本混合蛙跳算法局部搜索能力差,因而优化精度低、收敛速度慢的缺点,引入量子粒子群算法的搜索策略,提出了一种基于量子粒子群搜索策略的混合蛙跳算法（QPSO-SFLA）。通过对基准函数进行测试,实验结果表明改进的算法大大提高了算法的收敛速度,增强了算法的寻优能力。     

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。     

量子演化算法的改进研究

从两个方面对量子演化算法进行改进：（1）因量子染色体的量子位处于叠加态和纠缠态,无法使用传统的交叉方式对量子位进行操作,设计了针对测量后的经典染色体进行全干扰交叉,这样既不会破坏量子染色体的固有的并行性,又可以增加测量后染色体的多样性,继而影响量子染色体进化方向,加快算法的收敛速度,有效地防止＂早熟＂;（2）设计了概率触发器启动量子非门进行量子变异。实验表明,改进的量子演化算法比起先前的算法具有更好的寻优能力,更稳定的收敛度。     

基于量子蚁群算法的片上网络映射研究*

随着片上网络的兴起和发展,针对带宽和时延约束下实现低功耗成为其设计的焦点之一。为此,提出一种基于量子蚁群映射算法的方法来解决片上网络设计中使IP核映射的通信功耗最小化问题。该算法改变蚁群算法中信息素的释放方式,采用量子优化算法中的量子概率幅代替,信息素的更新则通过使用量子相位旋转的方式,实现蚂蚁信息素的自适应更新,用以有效的降低蚁群算法容易早熟收敛的情况。通过实验对比研究,该算法在快速搜索和全局寻优能力上,均优于蚁群算法。