多宇宙并行量子遗传算法

提出了一种多宇宙并行量子遗传算法,并从理论上证明了算法的全局收敛性.算法中将所有的个体按照一定的拓扑结构分成一个个独立的子群体,称为宇宙;采用多状态基因量子比特编码方式来表达宇宙中的个体;采用通用的量子旋转门策略和动态调整旋转角机制对个体进行演化;采用量子非门实现量子变异以阻止早熟收敛;各宇宙独立演化,宇宙之间采用最佳移民和量子交叉操作来交换信息,提高算法的执行效率.将该算法与独立分量分析算法相结合,提出一种盲源分离新方法.仿真结果表明:新方法比采用常规遗传算法和量子遗传算法的盲源分离方法具有明显的高效性.     

改进的量子遗传算法及其在WMSN覆盖优化中的应用

对量子遗传算法进行了研究。量子遗传算法只使用一个最优染色体来指导种群的进化,极易陷入局部最优,本文对此进行了改进,提出使用多个精英染色体来指导整个种群的进化。讨论了精英染色体的产生、维护与作用,并在此基础之上提出了一种基于精英组的量子遗传算法(elite groupbased quantum genetic algorithm,EQGA)。最后,将EQGA应用到无线多媒体传感器网络的覆盖优化问题中。对比测试表明,EQGA求出的解比遗传算法和量子遗传算法求出的解都要好。     

基于集团竞争的遗传算法及其在多峰值优化中的应用

本文提出了基于集团竞争的遗传算法，采用了一种新的反向交叉算子，探讨并尝试给出控制参数的选择原则，将它们用于复杂的多峰值函数的优化问题中，实验证明其全局性好，收敛速度快。     

基于多宇宙并行量子遗传算法的非线性盲源分离算法研究

在系统分析非线性盲源分离模型和算法的基础上,提出了基于输出信号联合累积量的非线性盲 源分离算法,并提出采用多宇宙并行量子遗传算法的优化求解方法,仿真结果表明了算法的有效性。     

量子计算与遗传算法的融合及其在计算机通信网优化中的应用

该文将量子计算与遗传算法进行融合,其核心是在常规遗传算法中将量子的态矢量引入遗传编码,并自适应地进行量子旋转门的调整以实现染色体的演化,使算法具有更好的种群多样性和全局寻优能力。通过求解计算机通信网优化问题的实例,结果表明：新方法比采用常规遗传算法具有明显的高效性。     

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.     

量子干扰交叉遗传算法及其应用研究

针对遗传算法中传统交叉算子交叉效率低下等缺点,提出改进型全干扰量子交叉遗传算法.与基于位置信息的经典量子全干扰交叉模型不同,改进型交叉算子通过距离比较,能够获取质量更高的候选解.通过对旅行商问题(TSP)求解的对比实验表明,改进量子交叉遗传算法能有效平衡全局搜索和局部探索,具有更强的稳定性和寻优能力.     

基于小生境伪并行遗传算法的自主机器人路径优化

提出了一种新的遗传算法——小生境伪并行遗传算法(NPPGA)，用于对自主机器人运动路径进行优化。这种遗传算法是对小生境遗传算法和并行遗传算法的一个有效改进，该方法兼顾了对局部最优解和全局最优解的搜索，维持了群体的多样性，避免了早期收敛现象的发生；同时也增强了自然群体进化的并行性，加快了搜索进程。实验结果表明，该方法是有效可行的，通过合理选取选择、交叉、变异及小生境算子，能得到机器人路径规划最优解。     

先锋遗传算法在多峰值函数优化中的应用

本文对遗传算法应用于多峰值数值函数优化进行了研究,通过对算法的综合和改进,克服了传统遗传算法计算多峰值函数时容易出现的遗传漂移问题,实现了优化目的,证实了先锋遗传算法应用于此类问题的可行性和有效性.     

改进量子遗传算法在岛礁防空部署问题中的应用

为解决岛礁防空中防空武器部署的突出问题,文中针对岛礁防空作战任务特点,设计了岛礁防空区域,建立了岛礁防空武器部署模型,提出了一种基于免疫操作的自适应量子遗传算法的岛礁防空武器部署优化方法。该方法在标准量子遗传算法的基础上,通过采用自适应染色体长度和旋转门旋转角度、增加免疫操作等手段,提高了计算效率和稳定性。最后,通过具体案例,验证了该方法的可行性和优越性。     

一种单纯形遗传算法及其应用

本文深入分析了智能天线应用中广播波束成形权值反向求解的工程优化问题,引入单纯形算法对传统遗传算法进行改进并提出了一种新的单纯形遗传算法。通过具体应用验证,实现了较好自动求解权值的目的。同时,本算法也可在其他网络规划和网络优化等寻优问题中参考使用。     

求解连续空间优化问题的量子粒子群算法

为提高粒子群算法的搜索能力和优化效率并避免早熟收敛,将量子进化算法融合到粒子群算法中,提出一种求解连续空间优化问题的量子粒子群优化算法.用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;用量子非门实现变异,提高种群多样性.因每个量子位有两个概率幅,故每个粒子同时占据空间两个位置,在粒子数目相同时,能加速粒子的搜索进程.实验结果表明,本算法优于基本粒子群算法.     

基于遗传算法的量子可逆逻辑电路综合方法研究

量子可逆逻辑电路综合主要是研究在给定的量子门和量子电路的约束条件及限制下,找到最小或较小的量子代价实现所需量子逻辑功能的电路。把量子逻辑门的功能用矩阵的数学模型表示,用遗传算法作全局搜索工具,将遗传算法应用于量子可逆逻辑电路综合,是一种全新的可逆逻辑电路综合方法,实现了合成、优化同步进行。四阶量子电路实验已取得了很好的效果,并进一步分析了此方法在高阶量子电路综合问题上的应用前景。     

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.     

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。     

基于遗传算法的超宽带微带天线优化设计

将遗传算法应用于超宽带微带天线设计。建立了基于遗传算法和高频电磁仿真软件（HFSS）的优化工程。在此基础之上,优化设计出了一款超宽带微带天线。讨论了该优化工程的操作流程,并对天线特性进行了研究。研究结果表明：所设计天线在3.1~10.6 GHz频段内的回波损耗小于-10 dB,具有良好的超宽频带特性。     

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.     

求解多输入多输出检测新算法——遗传粒子群优化

设计两种基于粒子群优化算法（PSO）和基于遗传算法（GA）的多输入多输出（MIMO）系统检测算法。提出一种新的融合GA和PSO进化机制的遗传粒子群进化（GPSO）算法,并将其应用于MIMO系统检测问题求解。新算法改善了初始化种群,并将每一代粒子划为精英粒子、次优粒子和糟糕粒子三部分,对这三种粒子分别采用极值扰动、PSO进化和淘汰策略以改善算法的全局和局部搜索能力,从而加快算法的寻优速率和收敛速度。仿真结果表明：与基于PSO和基于GA的检测算法相比,GPSO的检测算法能够很大程度减少种群规模和迭代次数。而与最优的最大似然译码算法相比,GPSO检测算法能够在计算复杂度和误码性能之间获得很好的折中。