量子克隆遗传算法.pdfVIP

子克隆遗传算法1 1 1 李阳阳 ，焦李成 1 西安电子科技大学电子工程学院，西安(710071) E-mail: lyy_ 111@ 摘 要：遗传算法是解决优化问题的一种有效方法。但在实际应用中也存在着收敛速度慢， 早熟等问题，使得其结果极不稳定。本文将遗传算法和量子理论相结合并利用免疫系统中所 特有的克隆算子，针对 0/1 背包问题，提出了一种改进的进化算法——量子克隆 传算法 (QCA)。它能有效的避免早熟，且具有收敛速度快的特点。 键词： 传算法 量子克隆遗传算法 0/1 背包 中图分类号：TN957 1. 言 进化计算是一种仿生计算，依照达尔文的自然选择和孟德尔的遗传变异理论，生物的进 化是通过繁殖、变异、竞争、选择来实现的，进化算法就是建立在上述生物模型基础上的随 [1] 机搜索技术。我们所熟悉的遗传算法(Genetic Algorithms) ，它通过模拟达尔文的“优胜劣 汰，适者生存”的原理鼓励好的个体，通过模拟孟德尔的遗传变异理论在进化过程中保持好 [2][3] 的个体，同时寻找更好的个体，由此来模仿一切生 与智能的产生与进化过程 。理论上 已经证明：进化算法能从概率的意义上以随机的方式寻求到问题的最优解；但在实际应用当 中随着问题的复杂和海量的数据量，也出现了一些不尽人意的情况，主要表现在：计算后期 解的多样性差即易造成早熟，收敛速度慢等缺点。因此，为克服上述缺点关键是构造性能良 好的进化算法。 量子力学是20 世纪物理学最惊心动魄的发现之一，量子计算是物理理论与计算机的成 功结合，在量子体系中，一位的信息位不在是经典的1 比特， 是由两个本征态的任意叠加 态所构成即称之为量子比特位(qubit)，例如一个n 位二进制的串在量子体系中就可同时表示 2n 个信息, 量子计算机对每个叠加分量(本征态)实现的变换相当于一种经典计算,所有这 些经典计算同时完成,并按一定的概率振幅叠加起来,给出量子计算的结果,这种计算称之为 [4] 量子并行计算 。正是量子的并行性使得原来传统计算机无法解决的复杂问题以惊人的速度 得以解决,但在量子计算机尚未构成的情况下，为了充分利用量子计算的高效并行性，本文 [5] 借用了量子计算中的量子编码，继承了免疫克隆策略 中的克隆算子将二者相结合，提出了 量子克隆遗传算法，并将其应用于0/1 被包问题上，与传统进化算法相比较,它具有收敛速 度快、寻优能力强的特点。 1本课题得到高等学校博士学科点专项科研基金（项目编号：20030701013 ）资助。 - 1 - 2. 基本概念 2.1 量子比特 我们知道，经典计算机的存储单元是比特，它只有两种状态，或者为0，或者为 1。 量子计算机最基本的存储单元是量子比特(qubit)，它是任何一个有二维Hilbert 态空间的量 [4] 子体系，它的态空间有两个基，记为|0〉和|1〉 。与经典计算机中的比特不同的是，量子 比特的态可以为任意叠加的态：a |0 〉+ b |1 〉，其中a 和b 为满足归一化条件 2 2 |a | +| b | =1 的任意复数，且称之为概率幅，其平方表示在任何基态出现的概率。由此 可得到：如果有n 位的量子位，可同时表示2n 个状态(即2n 个信息)，因 在对量子比特计 算时，一次