一种新型量子粒子群算法.docVIP

一种新型量子粒子群算法 　　摘要： 本文提出一种基于量子的连续粒子群算法(Quantum Continuous Particle Swarm Optimization - QCPSO)，使用量子比特编码粒子，模拟量子粒子坍塌的随机观察方法以生成种群，运用量子旋转门来产生新的种群，引入自适应变异算子保证种群多样性。性能测试表明，对于高维优化问题，本文提出的QCPSO比经典粒子群算法(PSO)和经典量子粒子群算法(AQPSO)具有更高的精度。 　　Abstract： In this paper，a novel algorithm，called the Quantum Continuous Particle Swarm Optimization algorithm - QCPSO，is proposed, based on the combination of the quantum theory with the evolutionary theory． By adopting the qubit particle as the representation，QCPSO can represent a linear superposition of solutions and bring diverse individuals by imitating the quantum collapse to random observation the new populations. The evolution of quantum particles can also pilot the evolution with better diversity than the classical particle swarm optimization method by adopting adaptive mutation．The performance test indicates that the QCPSO possesses better global search capacity than the basic PSO and QPSO when confronting high dimension problems. 　　关键词： 粒子群；量子理论；比特；自适应变异 　　Key words： PSO；quantum theory；bit；adaptive mutation 　　中图分类号：TP39 文献标识码：A文章编号：1006-4311（2011）01-0181-02 　　 　　0引言 　　粒子群优化算法是由Kennedy和Eberhart等于1995年提出的一种基于种群搜索的自适应进化计算技术[1-2]。算法最初受到飞鸟和鱼类集群活动的规律性启发，利用群体智能建立了一个简化模型，用组织社会行为代替了进化算法的自然选择机制，通过种群间个体协作来实现对问题最优解的搜索。 　　量子计算特点主要体现在量子态的叠加（Superposition）、纠缠（Entanglement ）以及干涉（Interference）等性质上，许多计算上的优势如量子并行（Quantum Parallelism）等皆由此而产生。近年来很多学者基于此提出了一些基于量子理论的进化算法。它以量子计算的一些概念和理论为基础，用量子位编码来表示染色体，用量子门作用和量子门更新来完成进化搜索，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。文献[3-4]分别提出了量子遗传算法、遗传量子算法和并行量子遗传算法，并用来求解组合优化问题，结果表明，遗传量子算法的性能大大优于传统遗传算法，但该算法不适于用来求解连续函数的优化问题，特别是多峰连续函数优化问题。受此启发，本文将量子编码和量子坍塌等性质与粒子群进化思想融合，提出一种基于量子理论的连续粒子群算法(QCPSO)，并对该算法进行参数影响分析和性能测试。 　　1量子粒子群算法(QCPSO) 　　和经典的PSO算法不同，QCPSO是将经典PSO算法与量子理论相结合，基于量子计算的概念和理论，使用量子比特编码粒子，由粒子的概率幅表示，一个量子粒子包含了多个基本粒子状态的信息。通过模拟量子粒子坍塌的随机观察可以带来更加丰富的种群，极大的丰富了种群的多样性。通过量子的叠加特性和量子变迁的理论，运用量子旋转门来产生新的种群。粒子的更新是根据粒子的相位变化以及和全局最优粒子、粒子历史最优的相位差来进行的。具体算法描述如下： 　　1.1 粒子编码粒子位采用量子比特表示，称为量子位，量子位具有两个基本态,分别是??Z0态和??Z1态，在任意时刻，量子位的状态可以是