量子衍生差分进化算法的设计与实现

为提高差分进化算法的优化性能,从研究差分进化算法的实现机制入手,提出将差分策略与量子比特在Bloch球面的绕轴旋转相融合的新思想。个体采用基于Bloch球面描述的量子比特编码,采用差分策略计算当前个体上量子比特的旋转角度,采用向量积理论构造旋转轴,采用泡利矩阵构造旋转矩阵,以当前最优个体上相应量子比特为目标,在Bloch球面上沿旋转轴向目标比特旋转。采用Hadamard门实现个体变异。函数极小值优化的仿真结果表明,所提方法单步迭代的平均时间约为普通差分进化算法的13倍。当限定步数相同时,优化结果约为普通差分进化算法的0.3倍,当运行时间相同时,优化结果约为普通差分进化算法的0.4倍。从而表明所提算法计算效率降低,但寻优能力明显提高,整体优化性能优于原算法。      

一种基于Walsh变换的反馈过程神经网络模型及学习算法

提出了一种带有反馈输入的过程式神经元网络模型，模型为三层结构，其隐层和输出层均为过程神经元．输入层完成连续信号的输入，隐层完成输入信号的空间聚合和向输出层逐点映射，并将输出信号逐点反馈到输入层；输出层完成隐层输出信号的时、空聚合运算和系统输出．在对权函数实施Walsh变换的基础上给出了该模型的学习算法．仿真实验证明了模型和算法的有效性．     

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.     

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.     

量子衍生涡流搜索算法

涡流搜索是最近提出的新型优化算法, 具有操作简单且搜索能力强的突出优点, 但在后期容易陷入早熟收敛. 对比, 通过在该算法中引入量子计算, 提出一种量子衍生涡流搜索算法. 首先将涡流中心用量子比特编码; 然后将其在Bloch 球面上实施多次旋转得到多个个体, 将最优个体作为新的涡流中心, 完成一次迭代. 对新的涡流中心再次实施旋转, 直至满足终止条件. 标准函数极值优化的实验结果表明, 所提出的方法明显优于普通涡流搜索算法.

     

基于QPSO和极限学习的离散过程神经网络及学习算法

连续过程神经元网络在权函数正交基展开时, 基函数个数无法有效确定, 因此逼近精度不高. 针对该问题, 提出一种离散过程神经元网络, 使用三次样条数值积分处理离散样本和权值的时域聚合运算. 模型训练采用双链量子粒子群完成输入权值的全局寻优, 通过量子旋转门和非门完成种群进化. 局部使用极限学习, 通过Moore-Penrose广义逆计算输出权值. 以时间序列预测为例进行仿真实验, 结果验证了模型的有效性, 且训练收敛能力和逼近能力都有一定程度的提高.     

量子搜索及量子智能优化研究进展

为了提高智能优化算法的收敛速度及优化性能,目前国内外将量子计算机制和传统智能优化相融合,研究和提出了多种量子进化算法及量子群智能优化算法;为了进一步推动该领域的研究进展,系统地介绍了国内外提出的多种量子搜索及量子智能优化算法,其中包括量子搜索、量子衍生进化、量子神经网络三个方面内容;总结出目前改进量子搜索算法的主要机制和量子计算与传统智能计算的主要融合方式,并展望了量子搜索和量子智能优化有待进一步研究和需要解决的问题。     

基于量子蚁群优化的油田水淹层识别方法

为提高油田水淹层识别精度及识别效率,论文提出一种基于量子蚁群优化算法的识别方法。首先提出一种基于Bloch球面搜索的量子蚁群算法,然后根据样本数据建立非线性回归模型,最后采用量子蚁群算法优化模型参数。方法简单直观,物理概念清楚。以大庆油田实际水淹层数据进行仿真,结果表明该方法的正确识别率比BP神经网络有25%的提高。     

相位编码量子蚁群算法及在连续优化中的应用*

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题,提出一种适合连续优化的量子蚁群算法。该方法直接采用量子位的相位对蚂蚁编码。首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新描述蚂蚁位置的量子比特,完成蚂蚁移动,并采用Pauli-Z门实现蚂蚁的变异增加位置的多样性;最后根据移动后的新位置完成蚁群信息素强度和可见度的更新。由于优化过程统一在空间［0,2π］n进行,而与具体问题无关,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化和控制器参数优化为例,     

进化策略自主选择的改进混洗蛙跳算法

针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,本文提出一种基于进化策略自主选择的混洗蛙跳算法。算法中最差个体根据不同知识来源采取4种进化策略,每次迭代通过计算每种进化策略的立即价值、未来价值和综合奖励来决定最差个体的进化方式,并通过个体进化策略概率变异算法来提升寻优速度和避免陷入局部最优解。利用10个Benchmark函数对本文算法与8种进化算法进行性能比较。实验表明:所提的算法能较好地平衡全局探索能力和局部挖掘能力,可以用较少的迭代次数获取较优结果,具有很好的收敛速度和精度。