一种基于量子染色体的遗传算法

将进化理论和量子理论结合,提出一种基于量子计算概念和理论的量子遗传算法．算法借鉴量子比特的叠加性。采用量子编码来表征染色体,能够表示出许多可能的线性叠加状态．模拟量子坍塌的随机观察可带来丰富的种群,量子染色体的进化也能够简单方便地引导进化．因此,它比传统遗传算法具有更好的种群多样性。更快的收敛速度和全局寻优的能力．从理论上证明了它的全局收敛性,仿真计算也表明了此算法的优越性．     

量子遗传算法在Web服务选择中的应用

为了提高Web服务选择效率,首先提出了一种树形结构组合服务服务质量计算模型,采用二叉树表示组合服务中的任务(抽象服务)及依赖关系,自底向上逐层汇聚服务质量属性,通过树形结构避免了大量的重复计算,减少了组合服务服务质量的计算时间．然后提出了一种基于量子遗传算法的服务选择方法,采用二维多量子比特编码染色体,并附加标志位表示多路径信息,用量子旋转门实现个体的进化．对比实验结果表明,相对于传统遗传算法,基于量子遗传算法的服务选择方法能在更短的时间内得到更好的解．     

利用量子遗传算法实现RNA二级结构预测

由于基于最小自由能模型的传统算法复杂度高且搜索效率低,故利用量子遗传算法提出了一种新的核糖核酸二级结构的预测算法．该算法将种群信息加载到量子比特上完成初始化,通过量子酉变换(量子逻辑门)实现种群的更新与演化,借助于量子计算的并行性优势使得核糖核酸二级结构预测所需种群规模相对经典遗传算法大为减少,同时还具有更强的搜索预测能力．基于国际核糖核酸标准数据库提供的序列进行了量子模拟实验计算,结果表明,在种群规模为经典遗传算法20%的条件下,该算法预测准确率仍优于经典遗传算法,且所需的进化轮数也得到了明显降低．     

量子启发式进化算法的排课问题应用

针对复杂的高校排课问题,应用量子启发式遗传进化算法(QEA)建立数学模型,提出并实现了高校自动排课算法。该算法采用传统遗传算法(GA)的基本框架,摒弃了GA中的选择、交叉、变异等遗传算子,充分利用量子比特的叠加性、并行性和纠缠性,通过量子旋转门更新遗传基因来获得下一代染色体。实验表明,该算法与传统的遗传算法相比更为高效,能更快地得到最优解。     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法。利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点。最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络。     

量子遗传算法在目标分配上的应用

量子遗传算法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.目标分配问题是一种典型的NP难问题,传统的方法在求解此问题时很容易陷入局部最优.本文利用量子遗传算有效地解决了目标分配最优化的问题,数值模拟表明量子遗传算法在该类问题中具有效性和可行性.     

基于实数编码和目标函数梯度的量子遗传算法

提出了一种基于实数编码和目标函数梯度信息的量子遗传算法．该方法用量子比特构成染色体,用实数对量子比特进行编码,用量子旋转门进行染色体更新,用量子非门进行染色体变异．对旋转门的旋转角方向的选择,给出了简易快捷的方法；对旋转角大小的选择,结合了目标函数的梯度信息．该方法将每一量子位看作上下两个并列的基因,每条染色体包含两条并列的基因链,每条基因链代表一个优化解．在染色体数目相同时,可使搜索空间加倍．以函数极值问题和神经网络权值优化问题为例,验证了该方法的有效性．     

基于内分泌激素调节机制的量子进化算法

针对传统量子进化算法用于搜索某些适应度函数时稳定性和精确性差的问题,在计算量子旋转角时引入内分泌激素调节规律,使得量子旋转角根据种群进化代数及个体适应度值自适应调整,提出了一种基于内分泌激素调节机制的量子进化算法.并用于Schaffer函数寻优和三维人脑图像分割.仿真实验结果表明,该算法不仅保留了传统量子进化算法收敛速...     

融合蜂群行为的量子进化算法

为提高量子进化算法的收敛精度和收敛速度,以人工蜂群算法为基本进化框架,提出一种融合蜂群行为的量子进化算法. 将采用相位编码的量子进化种群划分为量子开采种群、量子跟随种群以及量子侦察种群,在每个种群内模拟蜜蜂觅食行为寻优,其中量子开采种群采用混沌扰动搜索,量子跟随种群采用柯西变异操作进化. 同时对所有种群个体采用量子染色体的两步旋转更新方法,并进行自适应的动态变异操作. 利用基准测试函数进行仿真,与相关方法对比分析可知,所提出的算法在大部分的函数上都表现出较好的性能,能有效提高全局收敛性能.     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

地球物理资料非线性反演方法讲座（八）——量子遗传算法

虽然线性反演理论目前已经相当成熟,但由于其方法本身比较依赖初始模型,而且容易陷人局部极小,在实际应用中常常显得“力不从心”。量子遗传算法QGA（Quantum Genetic Algorithm）以量子理论为基础,通过量子位编码和量子旋转门更新种群来寻找全局最优,加快了搜索速度,具有更强的全局寻优能力。通过对量子遗传算法内在机理的分析表明,QGA的寻优质量和效果明显优于传统遗传算法。     

量子通信网络中高斯信道的研究

从量子Fokker-Plank方程出发,在量子通信网络中构造出一种可行的量子高斯信道。变换Fokker-Plank方程的解并代入互信息公式经过一系列的复杂运算,得到相干态表象中的量子动力学互信息方程,在此基础上,提出具有可行性的量子态并行传播方案。该方案将光子加密态的系数看成信号,将传递在量子高斯信道中的信息进行编码后输入,然后通过提取和解码光子加密态的系数得到输出端信息。利用携带量子信息的谐振子编码态在量子高斯信道中进行传递,与经典高斯信道相比具有量子并行性的优点。     

量子比特的门操作与共形映照

一个双态量子体系即量子比特。在忽略一个位相因子的情况下,可以将量子比特表示在Riemann复球面上,即量子比特的Bloch球表示。采用球极射影,可以将量子比特的Bloch球表示等同于扩充复平面的复数表示。考虑一位量子比特的门操作,将幺正变换与复平面上一类特殊的共形映照相联系。研究表明,量子比特的门操作与共形映照有着密切的关系。     

量子群Uq（C3）及其不可约模的Gr?bner-Shirshov基

为了研究量子群Uq ( C3)及其有限维不可约模的Gr?bner-Shirshov基,基于赋值图C3的Auslander-Reiten理论和表示的Gr?bner-Shirshov基理论,运用Ringel-Hall代数方法,构造了量子群Uq ( C3)的Gr?bner-Shirshov基,进而用双自由模及钻石-合成引理,给出量子群Uq ( C3)的有限维不可约模的Gr?bner-Shirshov基。     

对单模光场与二能级原子相互作用系统量子场熵演化的再研究

利用全量子理论,研究了单模光场与二能级原子相互作用系统的量子场熵演化规律．利用MATLAB进行数值计算,讨论了光场的平均光子数〈n〉、光场．原子之间的耦合系数g对量子场熵演化规律的影响,得到了相应的结论     

张量表示的量子隐形传态研究

通过定义通道参数矩阵X、测量矩阵Tα和传输变换矩阵σα,介绍一种量子隐形传态的张量表示和分析方法,并用此方法来重新表示量子隐形传输、量子网络控制隐形传输、量子概率隐形传输和量子双向隐形传输。量子隐形传态的这种张量表示方法揭示了量子通道和测量方法之间的内在联系,能给出实现隐形传态时选取量子通道的一般判据。该方法使隐形传态的表示简洁明了,处理多粒子态的隐形传态更有优势。     

多"原子-腔场"系统中的纠缠交换与纠缠保持

利用量子信息学的观点,将单个原子与单模光场相互作用的J-C模型推广到由M(M为任意正整数)对二能级原子与M个单模腔场分别独立相互作用的组合物理系统模型.通过求解该系统态矢量的演化矩阵分析原子与腔场相互作用的过程,并讨论系统中量子纠缠信息的交换与保持的机理.结果发现:无论原子纠缠态还是光场纠缠态,在一定条件下均可实现纠缠交换或纠缠保持;同时,利用原子与腔场的相互作用可制备不同形式的纠缠态.