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。     

Steiner最小树问题的量子蚁群算法

Steiner最小树问题是组合优化中一个经典的NP难题,本文在蚁群算法的基础上结合量子计算提出一种求解欧氏Steiner最小树问题的量子蚁群算法.将量子比特、量子逻辑门以及Grover量子算法引入到蚁群算法中去,有效提高了算法的全局搜索能力,搜索速度也有显著的提高.一系列数据实例计算与比较表明,量子蚁群算法较蚁群算法在Steiner最小树问题的求解上具有更好的性能.     

一种量子磷虾群融合算法及其应用

针对磷虾群算法和量子进化算法的缺陷,提出了一种量子磷虾群融合算法(quantum krill herd fusion algorithm,QKH)。该算法通过采用双链实数编码量子磷虾位置,加快收敛速度,避免量子观测的随机性和复杂性;通过利用动态调整的量子磷虾群旋转门更新磷虾位置,提升收敛精度,提高量子旋转相位的确定效率;通过改进的量子全干扰交叉策略,避免算法陷入局部最优,提升优化效率。通过经典测试函数验证了所提算法的优势。建立了QKH-BPNN空调负荷预测模型,仿真结果表明：该模型具有更好的准确性和稳定性。     

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。     

基于量子卫星"墨子号"的量子测距过程仿真实验研究

对星地量子测距过程中利用捕获跟踪瞄准(Acquisition tracking and pointing,ATP)系统进行纠缠光子对收发和利用符合计数原理计算纠缠光子对到达时间差(Time difference of arrival,TDOA)的两个关键过程进行了仿真实验研究.根据"墨子号"量子卫星真实的6个轨道参数,...     

基于遗传模拟退火法的量子细胞自动机电路仿真

有机结合具有概率突跳特性的模拟退火和群体并行搜索的遗传算法的遗传模拟退火算法是一种有效搜索全局极值的算法，通过对算法操作和参数的合适设置，将其推广到量子细胞自动机电路的仿真。基于对量子细胞自动机基本逻辑电路的仿真结果验证了该算法的有效性，其性能明显优于Macussi等人提出的基于量子细胞自动机的模拟退火法。     

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.     

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     

一种新量子进化算法及其在函数优化中的应用

基于量子计算理论和进化理论,提出了一种新的量子进化算法-基于实数编码的量子进化算法(RQEA).不同于传统进化算法的单点编码和量子进化算法的量子比特编码,算法以实数矩形区域来表示基因,一条染色体携带多个个体信息.利用量子态叠加和相干机理,通过叠加、变异及自学习来完成进化过程.实验表明,该算法在函数优化上具有优异的性能.     

函数优化的量子蚂蚁算法

借鉴蚁群算法的进化思想,提出一种求解连续空间优化问题的量子蚂蚁算法.该算法主要包括全局搜索、局部搜索和信息素强度更新规则.在全局搜索过程中,利用信息素强度和启发式函数确定蚂蚁移动方向.在局部搜索过程中,提出了基于Delta势阱的量子搜索,以改善寻优性能,加快收敛速率.通过实例验证表明了该算法的有效性.     

量子K最近邻算法

为减少经典K最近邻算法的时间复杂度,提出了量子K最近邻算法(QKNN)。介绍了QKNN算法的构造步骤,然后为减少量子计数子程序的运行时间,进一步将固定的K值修改为可变的k,形成改进的k可变的量子最近邻算法(QkvNN)。为弥补由于最近邻个数K变化带来的分类错误率上升的影响,在Boosting算法框架下,用三个由QkvNN算法训练的弱分类器,去构造了一个强分类器,从而提高单独运行QkvNN的分类精度。在此算法中,由于利用了量子计算的强大能力,使得经典K最近邻算法的时间复杂度从O(N)减小为O(N)。     

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。     

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。     

基于量子遗传和无迹粒子滤波的人体运动跟踪

提出一种人体运动跟踪算法,用于解决多关节人体运动跟踪问题.由于无迹粒子滤波存在样本贫化现象,因而对目标运动估计产生影响,尤其估计模型为复杂的马尔可夫链的时域问题的影响尤为严重.通过分析产生该现象的原因,在无迹粒子滤波中引入量子遗传算法:一方面,增加样本集的多样性而缓解样本贫化现象的影响;另一方面,改善其估计、跟踪能力并有效缩短了计算时间.实验结果表明,所提出算法很好地减轻了样本贫化现象对无迹粒子滤波的影响,并提高了多关节人体运动跟踪的准确性,跟踪结果令人满意.     

隐私保护的快速聚类算法

针对基于安全多方计算聚类算法的低效问题,提出了基于聚类特征树结构的隐私保护的层次k-means聚类算法.算法基于半诚信模型,在第三方内存中保留对各记录的索引信息及聚类特征树的当前层信息,减少了I/O次数和通信量,克服了难以适应多数据方和因过于信赖第三方导致隐私泄漏等缺陷.算法通过基于安全多方计算的标准化协议、距离计算协议和聚类中心计算协议,实现了数据的有效保护,综合层次和k-means聚类算法的优点,提高了计算精度和算法的可伸缩性.理论证明了算法的安全性和高效性,实验结果表明所提算法优于同类算法.     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

量子神经网络软测量模型及应用

提出了一种基于量子神经网络的软测量模型,组成该模型的量子神经元对信息的处理分为两阶段。第一阶段为宏观信息收集部分,产生控制量子比特;第二阶段为微观信息处理部分,根据控制量子比特,改变工作量子比特,即神经元的状态,整个过程模拟量子受控非门。以某石化厂乙烯收率为软测量对象,实验结果显示出,提出的量子神经网络软测量模型可以较好地跟踪乙烯收率的变化。     

二能级开放量子系统相干保持的最优控制策略

二能级量子系统在开放环境下的相干保持是量子器件实用化的关键.针对二能级开放量子系统的相干保持问题,首先将系统的主方程模型转化为实向量空间上的状态空间模型.然后借助经典最优控制的思想,提出了一种既保证系统控制能量最小,同时又最大程度的减小消相干的最优控制策略.最后就一个典型的二能级开放量子系统仿真实现其相干保持,仿真结果显示了该方案的优越性.