量子进化策略

本文将进化策略和量子理论相结合,提出一种新的学习算法-量子进化策略(Quantum Evolutionary Strategies)算法.它是一种基于量子计算的概念和理论(诸如量子比特和量子叠加态)的进化策略算法,在这一算法中,采用量子编码来表征染色体,使用量子变异实现染色体的进化.由于量子变异中融入了当前最优解的信息,同时采用“全干扰交叉”操作克服早熟现象的发生,因此它比传统进化策略具有更快的收敛速度和全局寻优的能力.本文不仅从理论上证明了它的全局收敛性,而且仿真计算也表明了此算法的优越性.     

量子遗传进化算法的收敛性研究

量子遗传算法建立在量子的态矢量表达基础上,染色体的编码用量子比特的几率幅表示,使得一条染色体表达多个态的叠加,再利用量子门实现染色体更新操作,从而达到目标的优化求解.它具有种群规模小而不影响算法性能,收敛速度快和全局优化能力强等特点.但是遗传算法的随机性不好把握,收敛方向不好控制,针对遗传算法的种种问题,通过多种方法来对收敛性进行研究.     

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.     

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。     

一种基于ABC的量子神经网络训练算法

传统的量子神经网络的训练方法容易使得算法陷入局部极小值,将Artificial Bee Colony(ABC)算法引入到原训练算法中,并且对人工蜂群算法进行改进.利用改进后的人工蜂群算法来优化传统量子神经网络,使优化后的量子神经网络具有结构简单、参数少、收敛速度快和可跳出局部极小值等优点.实验结果表明,相比原训练算法该优化算法提高了量子神经网络收敛解的精度.     

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.     

一种有效的基于并行量子进化算法的图像边缘检测方法

本文基于费用函数最小化方法,提出一种混合并行量子进化算法用于文本图像的边缘检测。量子进化算法是一种基于量予计算的概念和理论(诸如量子比特和量子叠加态)的进化算法,它采用了量子编码来表征染色体,由于量子比特的概率表示,能够表示出解的线性叠加状态。此外,量子进化算法具有收敛快和好的全局搜索特性,因此它比传统的进化算法更适于并行结构的实现。我们将这一算法和局部搜索算法相结合,用于图像的边缘检测问题,得到了令人满意的检测效果,并对噪声有较好的抑制作用。     

基于GHZ态的三个量子位秘密共享方案

提出了利用五个粒子纠缠GHZ态作为量子信道来完成三个粒子纠缠态的隐形传态,从而实现三个量子位的秘密共享方案,并对方案进行安全性分析。该方案充分利用GHZ态五个粒子间的相关性,通过一次Bell基测量和三次单粒子测量,并通过相应的幺正变换即可实现Alice和Charlie之间三个量子位的秘密共享。与相关文献相比,在没有增加粒子数的前提下,提高了量子位的传输,为量子密钥共享传递更多量子位提供了理论基础。     

具有能级稳定过程的MQHOA优化算法

在量子模型下将优化问题转化为求解约束态的基态波函数问题,通过泰勒近似采用谐振子势阱对目标函数进行逼近,类比量子谐振子的波函数图像提出了一种改进的多尺度量子谐振子优化算法。算法包括3个基本迭代收敛过程：能级稳定过程、能级降低过程和尺度降低过程,算法的收敛过程与物理模型基本吻合。改进算法将主观控制参数减少为1个,同时参照量子模型定义了算法的波函数和零点能。实验结果表明,改进算法的复杂函数优化性能优于多种常见优化算法,对于Ackley、Griewank、Sphere、Sum Squares、Zakharov等高维标准测试函数均能以100%的概率获得全局最优解。     

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。     

基于改进量子遗传算法的图像锐化研究

针对量子遗传在锐化图像出现的缺点,提出改进方法。对量子采用自适应量子旋转门步长调整策略,不同代染色体的进化操作采用不同的旋转角步长,同代的染色体仍用同一旋转角步长进行更新,通过比较每个量子染色体的汉明距离调节其自身的进化速度;将量子染色体更新,将比较适合的染色体解在目标数值范围内判定为级别较高的染色体;对量子交叉操作采用对角线交叉方式;对图像锐化给出了算法步骤。实验仿真表明本算法在锐化边缘和抑制噪声上明显优于其他锐化方法,并且图像的边缘也得到了很好的增强。     

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。     

一种解决组合优化问题的量子遗传算法QGA

本文在量子变异的基础上,提出了一种解决组合优化问题的量子遗传算法QGA,它融合了遗传量子算法GQA和经典遗传算法的优点,只用一个个体就可在很短的时间内搜索到最优解,并针对一个典型的组合优化问题——0/1背包问题进行了对比实验,实验结果表明本文所提出的量子遗传算法QGA优于传统遗传算法和遗传量子算法GQA.     

基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization,QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization,QPSO）的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.     

一种指数型变步长仿射投影算法

可变平滑因子的变步长仿射投影算法需要根据投影误差范数的变化确定＂触发点＂,并切换平滑因子,实现较为复杂。为此这里提出了一种改进的指数型变步长仿射投影算法。该方法直接将投影误差的范数通过指数函数映射得到平滑因子,有效降低了实现复杂度。仿真结果表明该算法的均方偏差性能优于变步长仿射投影算法和常规的仿射投影算法。     

基于量子计算模型的混合进化算法及其性能分析

 提出了基于量子动力学机制的混合进化算法,该算法依据小生境机制将初始个体划分为实数编码染色体的子群,种群内部采用自适应算子搜索局域的最优解,种群之间则采用基于量子动力学机制的协同进化.混沌系统生成的初始染色体序列实际上并不完全随机,因此我们提出非对称区间产生混沌染色体序列并能生成更多的优秀个体.为解决二进制算法所不能避免的精度与效率的冲突,本文采用十进制编码染色体.利用量子动力学机制的高度分布并行性,本模型能更好的适应复杂的动态环境.我们不仅证明了算法的收敛性而且分析了提高算法性能的策略,仿真实验也验证了该算法的优越性.     

基于量子通信的电力业务调度算法

量子通信能够有效提高电力业务传输的可靠性与安全性,但由于量子密钥成码率低,难以满足重要电力业务的加密需求,因此,需要一种队列调度算法对量子通信中的待加密电力业务进行合理调度。提出了一种改进的加权公平队列（weighted fair queuing,WFQ）算法LD-WFQ,算法通过估计待加密数据分组的预计耗时,优先处理即将超时的待加密数据分组,在保持高优先级业务量子加密时延达标率的基础上,有效降低了低优先级业务的量子加密超时率。与WFQ算法进行仿真对比,结果证明了LD-WFQ算法的优越性。     

网络异常检测中一种隶属度函数优化的新方法

对遗传算法的特性进行了研究,在其基础上引入了隔离小生境技术和自适应机制,提出一种改进算法.改进后的算法更接近于实际的进化行为.能够提高优化性能.以网络流量为数据的异常检测实验仿真表明,改进的算法比传统的遗传算法更有效,能够提高异常检测的性能.