文献综述--基于量子遗传算法的函数寻优算法设计

《文献综述--基于量子遗传算法的函数寻优算法设计》由会员分享，可在线阅读，更多相关《文献综述--基于量子遗传算法的函数寻优算法设计（7页珍藏版）》请在毕设资料网上搜索。

1、 毕业论文（设计）文献综述毕业论文（设计）文献综述 题 目： 基于量子遗传算法的函数寻优算法设计 学 院： 数理与信息学院 学生姓名： 专 业： 计算机科学与技术 班 级： 指导教师： 起止日期： 2014 年 11 月 28 日至 2015 年 1 月 16 日 2015 年 1 月 15 日 文献综述文献综述 一、前言一、前言 量子遗传算法（Quantum Genetic Algorithm，QGA）1是量子计算（Quantum Computing， QC）2与遗传算法(Genetic Algorithm，GA )3相结合的产物。 量子计算中采用量子态4作为基本的信息单元，利用量子态的叠加

2、、纠缠和干涉等特性， 可以解决经典计算中的NP问题。如1994年Shor提出第一个量子算法，求解大数质因子分解的 经典计算难题，该算法可用于公开秘钥系统RSA5；1996年Crover提出随机数据库搜索的量子 算法，在量子计算机上可实现对未加整理的数据库N量级的加速搜索6。 遗传算法是处理复杂优化问题的一种方法，其基本思想是模拟生物进化的优胜劣汰规则 与染色体的交换机制，通过选择、交叉、变异三种基本操作寻找最优个体。 二、二、遗传算法遗传算法概述概述 遗传算法通过模仿生物的选择、交叉、变异操作，并遵循优胜劣汰的准则及个体染色体 的互相交叉这些特点处理问题的一种方法。遗传算法通过目标函数进行全局

3、自适应的概率搜 索操作 7，可以解决传统算法不能解决的难题，它与优化规则、问题的特性没有任何关系。由 于它有着较好的适用性和鲁棒特性 8，因此它具有诱人的研究和应用前景。然而，若遗传算法 中的选择、交叉及变异的操作方式选取不当，那么算法将会在迭代次数、收敛速度方面受到 影响，且容易产生局部极值的现象。 三、三、量子遗传算法量子遗传算法概概述述 量子遗传算法就是基于量子计算原理 9,10的一种遗传算法，将量子的态矢量表达引入了遗 传编码 11，利用量子逻辑门12实现染色体的演化，实现了比常规遗传算法更好的效果。 量子遗传算法建立在量子的态矢量表示的基础之上，将量子比特的概率幅 13表示应用于 染

4、色体的编码，使得一条染色体可以表达多个态的叠加，并利用量子逻辑门实现染色体的更 新操作，具有种群规模小而不影响算法性能、同时兼有“勘探”和“开采”的能力、收敛速 度快和全局寻优能力强的特点 13。此算法已在多种优化问题中有所应用14 四四、量子比特编码量子比特编码相关概述相关概述 在量子遗传算法中使用的编码方式是基于量子比特的编码。最小信息单儿元一个量子位 一一量子比特。一个量子比特的状态可以取 0 或 1，其状态可以表示为|=|0+|1,式中： ， 为代表相应状态出现概率的两个复数（| 2+|2=1） ；|2，|2 分别为量子比特处于状 态 0 和状态 1 的概率。所以量子位可以同时包含|0

5、和|1两种状态的信息，一般地，用 n 个 量子位就可以同时表示 2 n 个状态 15 五五、量子门更新相关概述量子门更新相关概述 在量子计算中，通过对量子位状态进行一系列的酉变换来实现某些逻辑变换功能。因此， 在一定时间间隔内实现逻辑变换的量子装置，称其为量子门。量子们是在物理上实现量子计 算的基础。量子门的更新操作是优化过程中最重要的单元，传统量子遗传算法基本包含量子 旋转门更新。其旋转的大小、方向根据事先设计的调整策略而确定 16。 六六、量子交叉概述量子交叉概述 量子遗传算法中最能体现个体结构信息的是其进化目标，即个体当前最优确定解以及对应 的适应度值。因此，考虑互换个体进化目标以实现个

6、体间信息的交换，从而实现量子交叉的 目的。其基本操作就是在个体之间暂时交换最优确定解和最优适应度值，个体接受交叉操作 后，它的进化方向将受到其他个体的影响，从而获取新的进化信息。 七七、退火算法概述退火算法概述 模拟退火（simulated annealing ,SA）算法的思想最早是由Metropolis等提出的。其出 发是基于物理中固体物质的退火过程与一般的组合优化问题之间的相似性。模拟退火法是一 种通用的优化算法，其物理退火过程由以下三部分组成： （1）加温过程。其目的是增强粒子的热运动，使其偏离平衡位置。当温度足够高的时候， 固体将融为液体，从而消除系统原先存在的非均匀状态。 （2）等温过程。对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总 是朝自由减少的方向进行的，当自由能减少到最小