浅析遗传量子算法与遗传算法在函数极值问题中的比较法.pdfVIP

20o8年 2月 吉林师范大学学报(自然科学版) № ．1 第1期 Journal of Jilin Normal University(Natural Science Edition) Feb．20o8 浅析遗传量子算法与遗传算法 在函数极值问题中的比较法 丛 飚 ，陈卓然2 (1．吉林师范大学计算机学院，吉林四平136000； 2．吉林师范大学博达学院计算机与信息科学系，吉林四平136000) 摘 要：遗传算法是一种模拟生物进化的算法．它被广泛利用在信号处理、模式识别、人工生命等领域．遗传量 子算法是将量子计算和遗传算法相结合算法．采用量子位染色体的表示形式．该算法具有量子计算的量子位和 量子位的迭加特性，同时加入了量子旋转门干涉策略，使得进化染色体更好的呈现多样特性．实验表明，遗传量 子算法在解决一般函数极值问题中，比遗传算法更具有优势． 关键词：遗传算法；量子计算；遗传量子算法；量子位 中国分类号-TP31 文献标识码：A 文章编号：10oO_l瓣 (2o08)o1．0034-04 0 引言 遗传算法(Genetic Algorithms，简称GA)就是模拟生物的进化算法，遗传算法作为生物进化思想在工程 计算中的实现，目前被广泛应用在工程优化、信号处理、模式识别、管理决策、智能系统设计和人工生命等 领域．但是由于自然进化和生命现象的不可知性，传统的GA存在着比较明显的缺点就是：收敛速度慢和 未成熟收敛即陷入局部最优解． 而遗传量子算法GQA(Genetic Quant啪 Algorithm，简称GQA)是对遗传算法的一种改进方法，它把遗传 算法和量子计算相结合．将量子的叠加性和相干性引入到遗传编码，利用量子旋转门实现量子交叉以充分 利用所有染色体的信息，得到了比常规遗传算法更好的收敛性和寻优能力的效果．实验证明在解决一般函 数极值问题中，该算法取得了更加好的效果． 1 遗传算法 遗传算法(Genetic Algorithms，简称GA)就是模拟生物的进化算法，它是由美国Michigan大学John H． Holland教授创建的，并逐渐发展成～种迭代自适应启发式概率性搜索算法．…遗传算法模仿了生物从低 级到高级的进化过程，将进化操作同时应用到一个基因种群中，使种群中的每个个体自行繁衍，然后逐步 收敛到解空间中期望值最高的个体．通过种群一代又一代的繁殖和更替，遗传算法可以搜索到多个局部空 间的极限值． 遗传算法采纳了自然进化模型[ ，如选择、交叉、变异、迁移、邻域与局域等．基于遗传算法的过程如 下：计算开始时，一定数目的N个个体(父个体1、父个体2、父个体3……)即种群的随机初始化，并计算每 个个体的适应度函数，第一代d王即初始化就产生了．如果不满足优化准则，开始产生新一代的计算．为了产 生下一代，按照适应度选择个体，父代根据基因重组(交叉)而产生子代．所有的子代按照～定的概率变异． 然后子代的适应度又被重新计算，子代被插入到种群中将父代取而代之，构成新的一代(子个体l、子个体 2、子个体3……)这个过程循环执行，直到满足优化准则为止． 收稿日期：2007．10．13 基金项目：同家自然科学摹金项日 第一作者简介：丛 飚(~974-)，男，吉林师范大学计算帆学院讲师，硕士．研究方向：计算机髑形学方向 · -- — — 34 —-—— 2 遗传量子算法 2．1 量子计算 量子计算采用量子态编码，其存储量子信息的基本单元是称为量子位(qubit)的量子双态系统．一个量 子位除了可以处于0态和1态之外，还可以处于它们的迭加态．为了便于表示和运算，用符号l )来表示量 子态，l )是一个列向量；它的共轭转置(conjugate昀璐p0se)用( l表示，( l是一个行向量．一个量子位的 叠加态可用二维Hilbert空间(二维复向量空间)的单位向量l )来描述．【3J在这个空间里，l )可写成：l ) =a l十+b l一式中l十和l一是量子位的基本态，它们正交；a和b为概率振幅(probability ampli— tude)，它们是复数；l a l 和l b l 分别表示l )为l十)态和l一)态的概率，且l口l