算法设计论文模板案例.docVIP

滨江学院 学年论文 题 目 针对UBQP问题的量子文化基因算法 院 系_______滨江学院________ 专 业_______电子工程系______ 学生姓名_______王雍文_________ 学 号_______20122309021__________ 指导教师_______马杰良__________ 职 称_______副教授_______ 二Ｏ 一 六 年 一月四 日 目 录 1 引 言 2 2 ** 算法简介 3 3 针对UBQP问题的量子文化基因算法（QEA-TS） 3 3.1算法思想 3 3.2算法流程 3 3.3算法过程描述 5 3.3.1输入权值矩阵 5 3.3.2 量子染色体初始化 5 3.3.3 染色体观测 5 3.3.4禁忌搜索 6 3.3.5评估适应度值 7 3.3.6 量子旋转门和更新 7 3.3.7算法终止条件 10 3.4 本章小结 11 4代码实现与结果分析 11 4.1代码实现 11 4.2运行结果分析与比较 12 4.2.1参数设置 12 4.2.2运行结果分析与比较 12 5 小 结 14 针对UBQP问题的量子文化基因算法 1 引 言 无约束0-1二次规划问题（Unconstrained Binary Quadratic Problem，UBQP）是一类选取合适的二进制决策变量，使得二次目标函数值极大化的优化问题，该问题用数学表达式可以写成 UBQP： （1）0或者1），即需要求的解。 这是一个典型的NP（Non-deterministic Polynomial）难题，它有许多方面的应用，如计算机辅助设计，社会心理学，交通管理，金融分析，机器调度等等。同时，UBQP问题是组合优化问题的一种通用模型，大多数组合优化问题都能够转化成该问题后进行求解，如图着色问题，多维背包问题，最大团问题，集合分割问题等等。同时UBQP问题是一个多峰值函数问题，在它的函数图像中具有很多山峰一样的极值点。 对这一问题，学者们提出了多种求解的算法，这些算法大致可以归结为两大类：完整算法和启发式算法。早期较成功的完整算法有分支定界法和分支切割法，这些算法在当变量个数超过100时，无法在一个合理的时间求得优化解。于是一些学者提出了求解此问题的启发式算法，如禁忌搜索算法[1]（Tabu Search，TS），模拟退火算法[2]（Simulated Annealing，SA），遗传算法[3]（Genetic Algorithm，GA），混合算法[4]（Memetic Algorithm，MA）等，这些算法在求解规模较大的问题时能够在可接受的时间求得问题的近似优化解。 禁忌搜索已在许多组合优化问题上被证明是一种非常高效的搜索算法。但是，同其他局部搜索算法一样，禁忌搜索也难以避免落入局部最优值的“陷阱”。针对这个缺陷，需要设计一种有效的跳坑策略使其逃离该局部最优值区域，找到更高优度的解。另一方面，量子进化算法[5]（Quantum Evolution Algorithm，QEAQEA具有较快的收敛速度和较强的全局搜索能力。 基于以上的全局算法和局部算法的研究，本文中引入了文化基因算法[6]——全局框架与局部框架结合——的概念，以量子进化算法（QEA）作为全局搜索框架，以禁忌搜索算法（TS）作为局部搜索框架，将这两种算法有机结合，形成量子文化基因算法，文中称该算法为QEA-TS。它的优势在于将量子进化算法的种群多样性和禁忌搜索算法较强的局部搜索性能充分发挥了出来，并且还针对QEA在多峰值函数问题中容易陷入局部最优的缺陷对量子旋转门更新策略进行了改进，提出了一种新的更新思路，即靠近当前最优解过程中适当保持距离的策略，下文将对此详细介绍。 在评估本算法的效率和质量时，本文中针对3个较难的指标实例包括2500（包含10组实例）,3000（包含5组实例）,4000（包含5组实例）规模测试实例，本文将对这些实例进行测试并与以往的文献中的最好的结果进行比较。 2 ** 算法简介 简要介绍该算法的基本思想，算法基本流程，以及特点等 3 针对UBQP问题的量子文化基因算法（QEA-TS） 3.1算法思想 针对UBQP问题本文引入了文化基因算法和量子进化的概念，在前文基础知识介绍中曾经提到，文化基因算法是全局搜索和局部搜索的结合体，它是一种框架，一个笼统的概念；另一方面量子进化算法