量子算法报告.docxVIP

量子算法 学院： 专业：智能科学与技术姓名： 学号： 引言 目前，国内外提出了大量的进化算法，如遗传算法、免疫算法、粒子群优 化算法、差异进化算法、量子算法等智能计算优化算法。其中，量子遗传算法是量子计算与遗传算法相结合的产物。最近这一领域的研究主要集中在两类模型上:一类是基于量子多宇宙特征的多宇宙量子衍生遗传算法(QuantumInspiredGeneticAlgorithm)，另一类是基于量子比特和量子叠加特性的遗传量子算法。前者的贡献在于将量子多宇宙的概念引入遗传算法，利用多个宇宙的并行搜索，增大搜索范围，利用宇宙之间的联合交叉，实现信息的交流，从而整体上提高了算法的搜索效率。但算法中的多宇宙是通过分别产生多个种群获得的，并没有利用量子态，因而仍属于常规遗传算法。后者将量子的态矢量表达引入遗传编码，利用量子旋转门实现染色体的演化，实现了比常规遗传算法更好的效果。但该算法主要用来解决0-1背包问题。不过，编码方案和量子旋转门的演化策略不具有通用性，尤其是由于所有个体都朝一个目标演化，如果没有交叉操作，极有可能陷入局部最优。 （二）算法介绍 2.1算法原理 量子遗传算法的提出基于量子理论的基本量子位和量子叠加态的概念。量子位或量子比特是量子计算中的最小信息单位，一个量子位可以有三种状态，即|0＞态、|1＞态、以及|0＞与|1＞之间的叠加态。因此任何一个量子比特的状态可以描述为|寸＞=a|0＞+引1＞,其中a、6称为量子位对应态的概率幅，且满足归一条件|a|2+|6|2=1 量子遗传算法中采用基于量子位的编码方式。一个量子位可由其概率幅定义aala2…am. 为［6］。同理，m个量子位可以定义为最阳…附，其中ai2+［pi2=1,i=1,2,…,m。这种描述的优点在于可以表达任意量子叠加态。 由于量子系统能够描述叠加态，因此基于量子位编码的进化算法，比传统算法具有更好的种群多样性，因为其一条染色体可以利用叠加态描述多个状态。当ai2和［pi2趋近于0或1时，多样性将逐渐消失，量子染色体会收敛到一个确定的状态。 2.2算法结构 量子遗传算法的伪代码如下： ProcedureQGA Begint=0InitializeQ(t)MakeP(t)byobservingQ(t)statesEvaluateP(t)StorethebestsolutionamongP(t)While(nottermination-condition)doBegint=t+1makep(t)byobservingQ(t)statesevaluateP(t)updateQ(t)usingquantumgateU(t)storethebestsolutionamongP(t)End End 与遗传算法相似，QGA也是一种概率搜索算法，拥有一个量子种群Q(t)=(qt、qt、色体，其定义为qt=菅：a2j6：62 =(qt、qt、色体，其定义为qt=菅：a2j6：62度，j=1，2，…，n。 具体步骤如下: 首先，将种群初始化(initializeQ(t))，即将全部n条染色体的2mn个概率幅都初始化为4，它表示在t=0代，每条染色体以相同的概率处于所有可能2状态的叠加态。其次，通过观察Q(t)的状态来生成二进制解集p(t)=x：X2…xn，每个解xt为一个长度为m的二进制串。然后，计算P(t)中每个解的适应度，存j储最优解。 在循环中，首先通过观察种群Q(t-1)的状态，获得二进制解集P(t)，计算每个解的适应度。之后，为了获得更加优良的染色体，通过将二进制解集P(t)与当前存储的最优解比较，用适当的量子门U(。更新种群Q(t)。量子门可根据实际问题具体设计，通常采用的量子门定义为U(e)=COS?-：%?，sinecose其中e是旋转角度。最后选择p(t)中的当前最优解，若该最优解优于目前存储的最优解，则用该最优解将其替换。 算法研究进展 1996年,Narayanan和Moore等人将量子多宇宙的概念最先引入遗传算法，提出了QuantumInspiredGeneticAlgorithm，并成功的用其解决了TSP问题，开创了量子计算与进化计算融合的研究方向。从算法机理上看，它与一种隔离小生境的遗传算法很相似，即利用多个种群的并行搜索，增大搜索范围，利用种群之间的联合交叉，实现种群之间的信息交流，将多个种群之间各自分散的搜索联系起来，从整体上提高了算法搜索的效率。 2000年，K.H.Han等人提出了一种量子遗传算法(QuantumGeneticAlgorithm,QGA),该方法将量子的态矢量引入遗传编码，利用量子的旋转门实现染色体基因的调整，使得该方法将来可以在量子计算机上执行，并且给出了一种基因调整策略。 2002年，K.H.Han在之前的基础上，引入了