基于改进量子遗传算法的图像匹配算法研究

量子遗传算法是目前较成熟的全局优化算法,对于多目标的优化有独特的高效性和精确性。图像的匹配过程可以近似地看作在搜索目标函数图像相似性的最优解,而目标函数的变量则可用几何参数代替,因此对图像匹配算法的研究可以归结到量子遗传算法的全局寻优。然而,图像匹配中特征参数较多,维度较高,如果使用量子遗传算法(QGA)匹配,就会陷入局部寻优的状况,为了避免此现象的出现以及提高多维高峰环境下的匹配成功率,提出了改进的量子遗传算法,新算法在迭代中后期得到优秀解之时发挥作用,保留最优解,初始化其余个体。该方法一方面帮助算法跳出局部寻优,另一方面增加了群体多样性,进而提高了图像匹配的成功率以及效率。     

量子谐振子与量子系统的经典极限

以一维量子谐振子为例，经过分析，认为量子系统经典极限条件也可表示为h→0。     

浅谈量子遗传算法

量子遗传算法是20世纪90年代后期应量子计算而产生的一个新兴研究领域。本文在阐述量子遗传算法的基本思想的基础上,介绍了量子比特编码方法和量子门旋转操作,以及量子遗传算法求解问题的基本步骤和方法。     

Dimer与Trimer的量子统计力学

本文根据Dimer与Trimer的特性,提出一个非理想量子气体的模型,并求得玻色子系统三阶维里系数的近似表达式。对~4He系统进行了具体计算,结果与实验值相符。     

量子计算机与量子物理（2）

2．6量子力学的基本方程从一般的理论而言，量子力学中，许多物理问题可化为不同坐标系间的变换问题：当同坐标系之间相对作匀速直线运动时，应用绝伦兹变换，属于狭义相对论性的问题；当两坐标幕闻相对作加速运动或转动时，应用广义经标变换，属于广义相对论性的问题。在许多实际问题，相对论效应可近似地忽略，非相对论性的量子力学能与实验符合得很好（用此，凡是在非相对论性的量子力学与实验符合得很好的情况下，我们都采用薛定得方程初所有结果的非相对论性的极限。在有的错况下，采用密度矩阵表示，如对所谓赝统密闭讨论。但是在一般…     

量子测量与时空塌缩

在综述量了Ｚｅｎｏ效应和量子态超空间传送的同时，着重分析了它们与量子力学基本原则以及时空性质之间的关链，强调指出，量子测量将导致空间广延性的流淌性的停滞，而所述的三个奇妙量子现象下是这种时空塌缩的物理表现。     

量子计算及其应用

讨论量子计算机模型及其物理实现方案，量子计算过程，量子计算模型和量子并行算法，分析量子计算的指数级存储容量和指数加速特征，并简述量子计算和量子信息技术在保留通信、密码系统、数据库搜索等重要领域的应用。     

量子退相干与引力

虽然量子力学在描述微观世界方面取得了巨大的成功，但是该理论存在一些关键的概念上的凝难。至今关于这些疑难的的争论从未中继，所有这些疑难都可以追溯到将理论延伸到对宏观客体这时，叠加原理失效或量子态的退相干问题。     

基于绝热量子演化的量子状态转换方法

量子算法成功的标志体现为实现了正确的量子状态转换,这一过程主要通过适当的量子算符来实现。然而,事实证明寻找合适的量子算符是非常困难的。之前大多数研究主要采用机器学习的方法解决这一问题,这些算法与以酉量子操作为特征的量子电路模型有较大差距,也难以分析其在量子计算机上的实现。提出利用绝热量子演化实现量子状态的转换,与标准量子计算模型相比,量子状态的转换更加直接,也不用考虑算符的酉性,因此是在量子计算及量子通信中值得借鉴的量子状态转化方法。     

基于学习的并行免疫量子进化算法及收敛性

提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法,宇宙间采用基于学习机制的移民、模拟量子纠缠的种群交叉等信息交互方式,使得进化算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

采用群体统计学习的量子进化算法

针对传统量子进化算法采用精英个体作为吸引子,存在种群学习范围窄、优秀基因易丢失的缺陷,提出了一种采用群体统计学习的量子进化算法.该算法抛弃了传统量子进化算法中的精英保留策略,通过截断、比例、竞赛选择等方式对进化过程中优秀群体统计分析后构建整个种群的吸引子,避免了以单一个体为单位的学习方式,能较为全面地从整个优秀种群学习知识,并保留群体的优秀基因信息.同时,吸引子每代更新,避免了采用精英保留策略易陷入局部极值的问题.通过测试实验表明,提出的算法搜索精度和效率提高,收敛速度更快,算法综合性能提高.     

基于改进量子进化算法的图像水印算法

针对经典量子进化算法及其在图像水印算法中的应用有嵌入容量较小等问题,提出了一种基于改进量子进化算法的图像水印算法,对经典量子进化算法作了两方面的改进,一是将表示量子染色体的量子比特概率幅修改为量子角,并在此基础上对量子旋转门旋转策略作了相应的修改;二是子群优化,每个子群相对独立地执行量子进化算法.实验结果表明:改进后的算法不但简化了量子染色体的表达,还依靠子群优化达到了算法并行性优化的目的,嵌入点的选择与嵌入策略也使得算法有较大的嵌入容量,该算法产生的含水印图像有较高的视觉质量且鲁棒性好.     

基于量子进化算法的演化ANFIS模型及其应用

利用量子进化算法对自适应模糊推理系统进行建模,从而利用自适应模糊推理系统和量子进化算法的两方面的优点来对种群结构进行优化,从而达到优化整个模糊推理系统的目的。通过仿真实例,将结合量子进化算法与自适应模糊推理系统分别应用于单输入单输出的模糊系统、多输入单输出模糊系统和多峰非线性模糊推理系统中,通过训练数据和测试数据得出性能的寻优跟踪路径及误差曲线进行比较。实验数据对比表明,ANFIS的缺点是精度低,GA-ANFIS的缺点是训练时间过长,而QEA-ANFIS主要摒弃了ANFIS训练的精确度上述两个系统的明显缺陷,既提高了精度又缩短了训练时间。     

量子力学是经典统计力学的自然推广

本文将几何光学和经典统计力学的运动方程相比较之后，指出几何光学应与经典统计力学具有相似性，而不是与经典力学具有相似性。更进一步，本文将量子力学的经典极限与经典统计力学相比较之后，发现量子力学的经典极限是经典统计力学而不是经典力学，从而指出量子力学是经典统计力学的自然推广，而不是经典力学的自然推广。     

基于量子的免疫进化算法及收敛性

分析和探讨了量子计算的特点及免疫进化机制,并结合免疫系统的动力学模型和免疫细胞在自我进化中的亲和度成熟机理,提出了一种基于量子计算的免疫进化算法。该算法使用量子比特表达染色体,通过免疫克隆、记忆细胞产生和抗体相似性抑制等进化机制可最终找出最优解,它比传统的量子进化算法具有更好的种群多样性、更快的收敛速度和全局寻优能力。在此不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

基于改进量子进化算法的末端配送任务动态分配模型

大多数物流快递企业的配送业务末端会按照固定的配送服务区进行配送任务分配,无法针对变化频繁、分布不均的动态配送需求进行合理的配送资源设置,造成了各个末端配送节点工作负荷不均衡的现象,并进一步导致了配送调度管理混乱等问题。针对末端配送任务分配问题建立了一种考虑配送成本,资源利用率以及工作量配比差异的配送任务分配模型,对量子进化算法进行改进。对此问题求解,提出采用量子群稳定度作为算法退出判定条件,来避免算法的早退与无效迭代问题,并引入量子变异与淘汰机制,加强了算法对可行解的搜索能力。实验结果表明,与按配送区进行分配的方案相比,算法给出的方案有效缓解了配送任务分配不均的现象,同时也有效降低了总体配送成本。相关模型和算法可以根据动态的配送需求合理地分配各个末端网点的配送任务,有助于配送业务的下一步配送路径优化和科学调度。     

混合量子进化算法及其在多用户检测中的应用

将量子进化算法(QEA)和粒子群算法(PSO)互相结合,提出了两种混合量子进化算法.通过对多用户检测问题的求解表明,新的算法不仅操作更简单,而且全局搜索能力有了显著的提高.     

基于完全互补码与量子进化算法的数字水印方案

提出了一种基于完全互补码(CCC)和量子进化算法(QEA)相结合的数字水印方案,该方案在借鉴量子理论保证收敛较快的同时兼顾了种群多样性,从而克服早熟的发生.经实验结果验证可知:该方案具有快速、灵敏、健壮性以及计算复杂度低等优点,同时在收敛性和种群多样性之间求得平衡,达到了全局优化的效果.     

基于量子进化算法的批量生产问题

在现代制造业的供应链中,生产批量计划(Lot-sizing)问题是企业经济效益最大化的关键因素之一,其主要研究在给定批量产品的需求下,确定最佳的生产方案,使得制造成本、库存成本和调整成本的总和最小化或者利润最大化。近年来的群智算法如遗传算法和粒子群算法等为解决复杂的Lot-sizing问题提供了新途径,但是这些算法易陷入局部最优。为了获得全局,将量子算法融入经典进化遗传算法中,首先,运用量子理论中独特的概率幅和量子比特对计划产量的决策变量进行编码;然后在迭代过程中,通过动态调整量子旋转角度来控制基因的变异速度,保持最优个体的基因信息,以免陷入局部最优的陷阱。Lot-sizing问题的案例实证表明,与上述常见的群智粒子群算法相比,量子进化算法的求解精度更高、收敛速度更快,可以有效解决复杂多约束的Lot-sizing问题,提高企业的生产效率。