基于Bloch球面搜索的混沌量子免疫算法

目前大多数量子智能优化算法的个体均采用基于平面单位圆描述的量子比特编码,由于量子比特只有一个可调参数,量子特性没有得到充分体现,从而限制了优化能力的进一步提高。针对这一问题提出一种基于Bloch球面搜索的混沌量子免疫算法。该方法采用Bloch球面描述的量子比特对抗体进行编码,用泡利矩阵建立旋转轴,用量子比特在Bloch球面上的绕轴旋转实现优良抗体的克隆,通过在旋转角度中引入混沌变量动态改变转角大小实现局部搜索;用Hadamard门实现较差抗体的变异,实现全局搜索。仿真结果表明,提出的方法在搜索能力和优化效率两方面均比其他量子智能优化算法有所提高。     

基于Bloch球面旋转的量子自组织网络聚类算法

为提高自组织网络的聚类能力,提出一种基于Bloch球面旋转的量子自组织网络聚类算法.通过使样本数据作为量子比特相位,将样本映射为Bloch球面上的量子比特,将竞争层权值映射为Bloch球面上随机分布的量子比特;通过计算样本和权值的球面距离最小值,确定获胜节点;通过使获胜节点及其邻域节点在Bloch球面上向着样本旋转来调整这些权值,直到算法收敛.该方法的明显优势在于有较高的聚类精度.以鸢尾属植物样本聚类为例,实验结果表明,提出的方法明显优于传统自组织网络、K-均值聚类等算法.     

量子遗传算法及在模糊控制器参数优化中的应用

提出了一种基于实数编码的量子遗传算法。该方法用量子比特构成染色体,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。针对量子旋转门的旋转角方向的选择,提出了一种简易快捷的新方法。基于适应度函数的梯度信息,构造了旋转角大小的计算公式。该方法将每一量子位的两个概率幅,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,可显著加速优化进程,提高获得全局最优解的概率。模糊控制器参数优化问题的仿真结果表明,该方法在搜索能力方面明显优于普通量子遗传算法。     

有效的混合量子遗传算法

提出了一种可控旋转门操作及新的算法终止条件.可控旋转门操作使得几率幅值不仅可以收敛到0或1,还可以收敛到ε(1-ε),有利于算法跳出局部最优;而新的终止条件是利用种群的聚拢因子和量子位收敛因子而设定,使得终止参数γ尽可能地少受几率幅值干扰,更好地控制所得好解与其运行时间的关系.另外,把单纯形法作为局部搜索策略,利用其强方向性,使得算法效率有较大提高.最后的理论分析证明了新算法的全局收敛性,而数值实验在相应指标性能的对比上再次表明该算法有较快的收敛速度和较高的收敛精度.     

基于量子遗传算法的滤波器参数优化

针对传统模拟滤波器设计对于较为复杂的目标需求往往精度与效率均较差的问题,提出一种基于量子遗传算法(quantum genetic algorithm,QGA)的模拟滤波器优化设计方法。量子遗传算法是量子计算理论与进化理论相结合的产物,同传统遗传算法(classical genetic algorithm,CGA)相比具有种群多样性好、收敛速度快和全局寻优能力强的特点。引入QGA算法对滤波器参数进行寻优。通过采用自适应的量子旋转角调整策略并引入量子交叉、变异及群体灾变操作,提高了算法的搜索效率,降低了算法出现早熟的可能性。实例计算表明了算法在该类问题中的有效性和可行性。     

基于量子门组单元的神经网络及其应用

以通用量子门组(即相移门和受控非门)作为基本的计算单元,构造出全新的量子神经元模型,并由此组成前馈型结构网络.仿真结果表明,就文中算例而言,该量子神经网络的计算性能优于传统的神经网络.     

和声量子遗传算法在图像配准中的应用

针对图像配准中的优化问题,利用量子遗传算法全局寻优能力强以及和声算法的微调特性,提出了一种新的和声量子遗传算法（harmony search quantum genetic algorithm, HSQGA）。并将其应用到航拍图像配准当中。仿真结果证明了该算法比原有的和声算法和量子遗传算法在图像配准参数优化过程中具有更好的优化性能。此外,利用两个标准基本测试函数对新算法进行了测试,结果表明在一定的迭代次数内,该算法对一些复杂的优化问题也能精确寻优。     

一种基于相位比较的量子遗传算法

针对量子遗传算法不适于连续函数优化的问题,提出了一种改进的量子遗传算法。该算法直接将量子染色体与当前最优解相比较来确定旋转门的旋转角,种群中各个体以不同速率向最优解进化以同时实现全局搜索与局部搜索,引入变异操作以防止算法早熟收敛。对该算法及其全局收敛性进行了分析后,将其用于函数极值求解与PID控制器的参数优化,并与遗传算法和量子遗传算法进行比较。仿真结果表明该算法具有较好的寻优性能。     

量子计算及其在信号与信息处理中的应用

介绍了量子计算的发展历史、现状和前景。讨论了量子计算的基本原理。列举了两种典型的量子算法 ,并结合信号与信息处理领域中所遇到的问题 ,指出了量子计算在该领域中的应用前景。最后介绍了目前国内外在量子计算方面的进展情况     

基于量子遗传算法的正规模糊神经网络控制器设计

针对模糊神经网络控制器通常涉及的参数较多,反传播算法难于收敛的问题,提出了一种优化设计正规化模糊神经网络控制器的量子遗传算法。该方法用量子比特构成染色体,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,将量子位的概率幅看作两个并列的基因,因此每条染色体包含两条并列的基因链,在染色体数目相同时,可提高获得全局最优解的概率。对控制器参数随机编码建立初始群体,利用量子遗传算法进行参数优化。实验结果表明该方法是有效的。     

基于遗传禁忌混合搜索算法的设备布局研究

针对设备布局影响制造系统的总体功效的问题,但同时遗传算法在实际应用中,出现早熟现象,爬山能力弱,等一系列缺点提出遗传禁忌混合搜索算法,该算法将遗传算法和禁忌搜索相结合,遗传算法的交叉算子中增加记忆功能,避免迂回搜索,以禁忌搜索作为遗传算法的变异算子。通过实例计算,证明遗传禁忌混合搜索算法是一种行之有效的算法,对解决设备布局这类组合优化问题具有实用价值。     

基于量子遗传算法的港口目标瞄准点选择

使用多枚巡航导弹攻击港口目标时,瞄准点选择非常关键,传统方法所用模型较为简单、算法较为耗时。为此,根据港口子目标幅员特性,构建矩形化子目标,并按离差最大思想赋予威胁指数。从毁伤效果出发,以毁伤下界为限,构建港口目标威胁消除模型。将量子理论引入遗传算法,构建量子遗传融合算法,并用其求解瞄准点分布。仿真结果表明,得出的瞄准点具有较高可靠性,验证了模型的有效性,所用算法能在短时间内找出最优解,提高了解的收敛速度。     

基于免疫规划的单亲遗传算法研究及其应用

在分析了单亲遗传算法的优越性与存在不足的基础上,借鉴生物免疫概念与理论,提出了一种新的单亲遗传算法——基于免疫规划的单亲遗传算法。该算法的核心在于使用最优保留策略前提下,合理地构造了非均匀算子和免疫算子。理论分析和仿真结果表明,该算法不仅能够有效地保持群体多样性,而且减轻了遗传算法的后期波动现象,同时收敛速度明显提高。     

广义最小生成树的遗传算法求解及应用

介绍了最小生成树的概念,分析了最小生成树在实际应用中的局限性。引入了节点的度的定义,据此提出了广义最小生成树的概念。采用遗传算法来求解最小生成树,并针对普通遗传算法求解该问题的不足,提出了自调整的变异算子和限制父代个体数目的混合选择策略。通过一个有线电视网络的建模与仿真,表明了广义最小生成树模型的适用性。分别采用普通遗传算法和改进后的遗传算法进行求解,并将结果进行比较,证明了改进后的遗传算法的有效性。     

一种新的免疫遗传算法及其在TSP问题中的应用

基于生物免疫理论,提出了一种新的免疫遗传算法,在遗传算法的基础上引入了新的免疫算子,这些算子包括接种疫苗、各基因座多样性调整及免疫选择。结合TSP问题,提出了通过计算基因座信息熵来得到群体多样性的方法及多样性判断、调整方案,提取疫苗及接种的方法及免疫选择机制,讨论了控制参数在进化过程中的作用。理论分析及对75座城市TSP问题的仿真结果表明,该算法能有效避免遗传算法的不成熟收敛,提高收敛的快速性和准确性。     

Learning algorithm and application of quantum BP neural networks based on universal quantum gates

A quantum BP neural networks model with learning algorithm is proposed. First, based on the universality of single qubit rotation gate and two-qubit controlled-NOT gate, a quantum neuron model is constructed, which is composed of input, phase rotation, aggregation, reversal rotation and output. In this model, the input is described by qubits, and the output is given by the probability of the state in which （1） is observed. The phase rotation and the reversal rotation are performed by the universal quantum gates. Secondly, the quantum BP neural networks model is constructed, in which the output layer and the hide layer are quantum neurons. With the application of the gradient descent algorithm, a learning algorithm of the model is proposed, and the continuity of the model is proved. It is shown that this model and algorithm are superior to the conventional BP networks in three aspects： convergence speed, convergence rate and robustness, by two application examples of pattern recognition and function approximation.     

Forecasting time series with genetic programming based on least square method

Although time series are frequently nonlinear in reality, people tend to use linear models to fit them under some assumptJLons unnecessarily in accordance with the truth, which unsurprisingly leads to unsatisfactory performance. This paper proposes a forecast method： Genetic programming based on least square method （GP-LSM）. Inheriting the advantages of genetic algorithm （GA）, without relying on the particular distribution of the data, this method can improve the prediction accuracy because of its ability of fitting nonlinear models, and raise the convergence speed benefitting from the least square method （LSM）. In order to verify the vMidity of this method, the authors compare this method with seasonal auto regression integrated moving average （SARIMA） and back propagation artificial neural networks （BP-ANN）. The results of empirical analysis show that forecast accuracy and direction prediction accuracy of GP-LSM are obviously better than those of the others.     

一种混沌遗传算法及其在测试生成中的应用

针对标准遗传算法存在的早熟与收敛速度较慢等问题,提出了一种新的混沌遗传算法,该算法利用混沌序列的随机性、遍历性及规律性等特性来控制交叉与变异操作,可有效克服早熟收敛。介绍了一种组合电路测试生成的神经网络模型,以该模型为基础,对所提出的混沌遗传算法在测试生成中的应用进行了详细研究。实验结果表明,所提出的方法能有效克服标准遗传算法中的局部收敛问题,加快了测试生成过程。