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.     

角度编码染色体量子遗传算法

为了进一步减少QGA应用中的存储量,并提高其搜索效率,本文提出了一种新型角度编码染色体量子遗传算法.该算法基于量子比特在二维Hilbert空间上的极坐标表示,以角度编码染色体使原有量子染色体的基因位由复数对变成一个实数,存储量大大减少.同时,染色体的更新过程和基因位的变异过程都由矩阵与向量相乘简化成了角度加减,相应的染色体观察方式也由概率对比简化成了角度对比.这些措施的应用使算法在存储性能和时间性能上都有了极大的提高.实验结果表明,角度编码染色体量子遗传算法是一种十分有效的寻优算法,其性能较QGA有了明显的提高.     

基于多链量子蜂群算法的模糊聚类图像分割

针对传统模糊C-均值聚类算法对初始值和噪声敏感的缺点,提出了一种基于多链量子蜂群算法的模糊C-均值聚类算法。首先,将多链拓展编码方案应用到量子蜂群算法中,提出了多链量子蜂群算法;其次,利用多链量子蜂群算法来优化模糊C-均值聚类的初始聚类中心;最后,设计一种新的利用多链量子蜂群算法优化模糊C-均值聚类中心的图像分割算法。实验结果表明,所提出的基于多链量子蜂群算法的模糊C-均值聚类图像分割算法是有效的,相对于传统模糊C-均值聚类算法及基于模糊的人工蜂群算法,所提算法在分割正确率、分割速度及鲁棒性上均更有效。     

基于混合蛙跳的量子遗传算法

量子遗传算法的早熟问题影响算法的求解性能,为提高算法能力,提出基于混合蛙跳的量子遗传算法。算法引入混合蛙跳和模拟退火准则,采用量子变异策略;利用组内寻优和整体寻优,减少算法整体迭代次数。将改进后的量子遗传算法应用于函数优化方面,用测试函数的寻优来评价算法性能,实验结果表明,该算法有效提高了算法性能,能求解出符合要求的全局最优值,改善了早熟收敛的问题。     

基于3D角度编码的量子遗传算法

为了充分利用量子态在算法中的量子特性,提高算法的搜索效率,减少存储空间,提出了一种基于3D角度编码的量子遗传算法。该算法将量子位描述为3D球面坐标下的一对相位角,充分利用了量子的空间运动特性,并引入一种自适应旋转角大小和方向的确定方案,从而进一步简化了染色体的更新和变异过程,而且使算法的量子特性、存储性能、时间性能都得到很大的提高。仿真结果表明,其在算法优化效率和搜索能力上都优于简单遗传算法和普通量子遗传算法。     

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。     

基于改进量子遗传算法的Flow-Shop调度求解

针对Flow-Shop调度问题,提出一种改进的量子遗传算法,重点对量子变异和量子灾变等操作算子进行改进,提出局部量子位变异和局部量子灾变等操作算子。给出Flow-Shop调度问题的数学模型,提出了用量子遗传算法求解Flow-Shop调度问题的量子比特编码和解码方法,介绍算法的计算流程。仿真实验结果表明：改进的量子遗传算法具有收敛速度快、鲁棒性好等优点。     

多宇宙并行量子衍生遗传算法研究

将量子的多宇宙特性和遗传算法相结合,提出了多宇宙并行量子衍生遗传算法。算法中将种群分成若干个独立的子群体,称为宇宙。给出了不同宇宙数量下的并行拓朴结构,提出了宇宙内采用量子旋转门演化和量子变异,宇宙间采用移民和量子交叉的两种信息交互方式,能有效克服早熟收敛现象,使得搜索效率和搜索能力得到更进一步提高。典型函数优化实验验证了该文所提算法的有效性。     

一种改进的双链量子遗传算法及其应用*

针对目前双链量子遗传算法中保持种群多样性和改善优化效率问题提出了三种改进方法。通过在量子比特概率幅三角函数表达式中引入常数因子,使搜索过程在多个周期上同时进行,以改善算法的优化效率;提出了一种基于单比特量子Hadamard的变异策略,可提高保持种群多样性的概率;改进了量子旋转门转角步长函数,能够有效避免算法震荡,增强算法的适应性。以多变量函数极值优化问题为例,仿真实验结果表明上述三种改进措施是有效的。     

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.     

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。     

双链量子遗传算法的收敛性分析

基于实数编码和目标函数梯度信息的双链量子遗传算法可增加种群的多样性、扩大解空间的搜索域、加速算法的进化进程、避免早熟收敛现象,但没有从理论上证明该算法的收敛性。为此,给出相应的定理,利用定理从理论上证明该算法的收敛性,通过仿真实例,论述量子编码和量子旋转门对算法收敛性和优化效率的影响。结果表明,该研究丰富和完善了双链量子遗传理论。     

量子遗传算法及其在图像盲分离中的应用研究

在改进Han的遗传量子算法的基础上，提出一种新的量子遗传算法．算法中采用多量子比特来编码多状态基因，构造了各个体之间的联合量子交叉，提出了通用的量子旋转门演化策略和动态调整旋转角机制．将量子遗传算法与独立分量分析算法相结合，提出一种图像信号的盲分离方法．仿真结果表明了该算法的有效性．     

基于双链量子遗传算法的过程神经元网络训练

基于函数正交基展开的过程神经元网络训练,由于参数较多BP算法不易收敛。针对这一问题,本文提出了一种基于双链量子遗传算法的解决方案。首先按权值参数的个数确定染色体上的基因数,完成种群编码,然后通过染色体评估获得当前最优染色体,以该染色体为目标,用量子旋转门完成种群中个体的更新,用量子非门实现个体变异增加种群多样性。在该方法中,每条染色体携带两条基因链,因此可扩展对解空间的遍历性,加速优化进程。以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强。     

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。     

Deep Web查询优化算法研究

Deep Web查询是在指分析接口属性及其丰富的语义信息后构造的用于向数据源请求特定数据的语句,其质量将影响查询结果相关度的高低和查询代价的大小.为优化查询,提出一种基于量子遗传算法的优化算法,以Deep Web查询的实数二进制串为输入进行量子编码,引入了球面解空间多子群并行寻优机制、群间染色体置换操作和量子变异算子以丰富种群多样性、提高算法的寻优效率.实验结果表明,该算法在R-Precision、覆盖率上具有一定的优势,能够有效地减少查询次数.     

一种基于量子粒子群的过程神经元网络学习算法

针对过程神经元网络模型学习参数较多,正交基展开后的BP算法计算复杂、不易收敛等问题,提出了一种基于双链结构的量子粒子群学习算法.该算法用量子比特构成染色体,对于给定过程神经元网络模型,按权值参数的个数确定量子染色体的基因数并完成种群编码,通过量子旋转门和量子非门完成个体的更新与变异.算法中每条染色体携带两条基因链,提高了获得最优解的概率,扩展了对解空间的遍历,从而加速过程神经元网络的优化进程.将经过量子粒子群算法训练的过程神经元网络应用于Mackey-Glass混沌时间序列和太阳黑子预测,仿真结果表明该学习算法不仅收敛速度快,而且寻优能力强.     

Quantum novel genetic algorithm based on parallel subpopulation computing and its application

A quantum novel genetic algorithm based on subpopulation parallel computing is presented, where quantum coding and rotation angle are improved to inspire more efficient genetic computing methods. In the algorithm, each axis of the solution space is divided into k parts, the individual (or chromosome) from each different subspace being coded differently, and the probability amplitude of each quantum bit or Q-bit is regarded as two paratactic genes. The basic quantum computing theory and classical quantum genetic algorithm are briefly introduced before a novel algorithm is presented for the function optimum and PID problem. Through a comparison between the novel algorithm and the classical counterpart, it is shown that the quantum inspired genetic algorithm performs better on running speed and optimization capability.