基于信息熵的量子免疫遗传算法

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.     

求解带约束投资组合模型的量子粒子群算法

针对量子粒子群算法(QPSO)在迭代后期出现种群多样性缺失和容易陷入局部最优的问题,提出了一种基于交叉操作的改进算法;在改进算法中,考虑了粒子的历史最优位置和次优位置,用以扩大粒子的搜索范围;同时,将遗传算法的交叉操作运用到位置的更新中,以增加种群的多样性,进而提高算法的收敛性;在性能测试中,将改进算法与原始的量子粒子群算法、基于差分进化的QPSO和基于黑洞探索的QPSO在收敛精度和鲁棒性方面进行了比较;最后,运用改进算法对一类具有投资数量限制的投资组合问题进行了求解,并与遗传算法、粒子群算法和标准的量子粒子群算法的寻优结果进行了对比。     

基于IQGA的船舶电力系统故障定位方法

为了快速精准定位船舶电力系统故障，争取宝贵的船舶电力抢修时间，提出一种改进的量子遗传算法（improved quantum genetic algorithm,IQGA）。首先,搭建船舶电力系统的数学模型，把故障定位问题转化为求目标函数最优问题；接着，将量子计算引入遗传算法（genetic algorithm,GA）中，采用双链量子比特编码方式，改进量子旋转门的角度更新策略;最后，加入量子非门实现染色体变异操作，增强算法收敛性能。仿真实验结果表明，改进量子遗传算法能够精准定位故障区段，并且较传统算法有着更为显著的收敛性能。     

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.     

基于量子免疫克隆BP算法的软件缺陷预测模型

针对现有的软件缺陷预测模型中所存在的不足,将量子免疫克隆算法和BP神经网络算法结合,应用到软件缺陷预测中,设计了基于量子免疫克隆BP算法的软件缺陷预测模型(SDPM-QICBP).在该模型中,将量子计算引入到传统进化算法中,特别是在计算量子旋转门的角度时,将传统的查表计算方式与Logistic映射公式相结合,设计了新的量子旋转角的计算公式.模型采用量子免疫克隆算法(QIC)对标准BP神经网络的阈值和权值优化改进,并基于相关数据集进行实验分析.仿真实验的结果表明,和标准BP神经网络算法和朴素贝叶斯算法(NB)相比,该模型准确度和精确度均较高,且迭代次数减少.     

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。     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向.将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型.仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能.     

一种基于免疫变异算子的改进型量子遗传算法

基于量子遗传算法进化方向随机性大、易早熟等缺点提出了一种改进的量子遗传算法.该方法采用了自适应染色体长度和旋转角度,提高了优化效率;引入了免疫算子,淘汰繁殖率低的个体,并通过操作染色体编码实现量子变异,以增强种群中基因多样性,避免算法陷入局部最优.对若干基准测试函数进行实验,结果表明相对于标准量子遗传算法,该算法在收敛速度、精度、稳定性以及克服早熟能力方面都有了显著的提高.     

基于量子算法的MIMO-OFDM信号检测研究

信号的最优检测在常规条件下是-NP难解问题,针对RBF(径向基函数)神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,文中提出了新型的量子智能算法,并应用于MIMO-OFDM系统信号检测中:算法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,在遗传算法优化神经网络时采用量子计算操作.由于QGA(量子遗...     

一种基于量子遗传算法的多播路由算法

提出了一种基于量子遗传算法QGA（quantum genetic algorithm）解决多播QoS（quality of service）路由问题的算法．介绍了量子遗传算法的基本原理，给出了算法实现的方法和具体流程，并进行了量子遗传算法在多播路由选择优化方面的仿真实验，证明了量子遗传算法优于常规遗传算法．     

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。     

量子进化算法和免疫算法的比较研究

量子进化算法和免疫算法都是解决优化问题的强有力算法,.在分析了量子进化算法搜索的特点和免疫算法的机理基础上,对它们进行了比较,阐明了了二者的不同特点,并通过仿真实例总结出它们在求解多峰值函数优化问题上各自的优缺点.     

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。     

多目标优化量子免疫算法求解基站选址问题

为了解决带容量约束WCDMA网络的基站选址问题,提出了一个基于多目标优化量子免疫算法的基站选址优化方案.设计了基站选址问题的数学模型,给出了多目标优化量子免疫算法框架,并进行了实验验证.实验结果表明：算法方案能以较小的基站建设代价满足覆盖要求,具有较好应用价值.     

量子Fourier变换在实现Deutsch-Jozsa算法中的应用

提出利用量子Fourier变换解决Deutsch-Jozsa算法问题的观点.结合量子Fourier变换和Deutsch-Jozsa算法的量子电路,找到一种利用量子Fourier变换解决Deutsch-Jozsa算法新的量子电路,并考察该量子电路中各个线路的量子状态,结合算法对该量子线路的状态进行研究.结果表明:利用量子Fourier变换解决Deutsch问题,能够有效地提高运算速度,节省运算时间.     

Grover算法量子处理架构的设计与模拟

针对混合架构经典-量子算法的量子算法处理单元,设计基于Grover算法的量子处理架构.将一种用于量子计算仿真的量子程序设计语言引入Grover量子搜索算法中,并在Linux操作系统中进行执行与模拟.结果表明:所提架构可以提高量子搜索算法的执行性能;利用反馈调节可以有效地实现量子搜索算法的最佳性能.     

一种新量子遗传算法及应用

基于量子位测量的二进制量子遗传算法,在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率。针对这一问题,提出了一种基于量子位相位编码的量子遗传算法。该方法直接采用量子位的相位对染色体进行编码,采用量子旋转门实现染色体上相位的更新,采用Pauli-Z门实现染色体的变异。在该方法中,由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于普通量子遗传算法和标准遗传算法。     

用量子蚁群算法求解大规模旅行商问题

针对旅行商问题(TSP),提出了一种新的混合量子优化算法——量子蚁群算法.量子蚁群算法采用量子比特的概率幅表示蚂蚁的当前位置,采用量子旋转门更新蚂蚁的位置,选取国际通用的TSP实例库中多个实例进行测试.仿真实验表明,该算法具有很好的精确度和鲁棒性,可使搜索空间加倍,比传统的蚁群算法具有更好的种群多样性.     

量子人工鱼群算法

融合量子计算与智能优化的新型高效优化算法层出不穷,成为现在优化算法研究的主流.为此,将量子计算引入到人工鱼群算法中,提出一种新型的量子进化算法———量子人工鱼群算法.该算法用量子计算的方法重新描述了人工鱼的行为,用量子比特对人工鱼进行编码,用量子旋转门实现人工鱼的更新操作,用量子非门进行人工鱼变异,从而实现了目标的优化求解.并分别以函数极值和TSP问题为例进行了仿真,验证了算法的有效性.     

混合量子算法在旅行商问题中的应用研究

针对旅行商问题(TSP)的特点提出了一种新的解码方式,结合了进化计算(EA)和微粒群算法(PSO)的思想,构造了独特的混合量子算法(HQA).为进一步提高算法的性能,构造了改进混合量子算法(IHQA).IHQA在更新个体时能够指导惯性权重进行动态变化,决定个体在下一代被吸引或扩散.经测试证明,两种混合算法均表现出强大的寻优能力,IHQA效率更高.