一种改进的量子遗传算法及其应用
基于改进量子遗传算法的输电网规划方法
基于改进量子遗传算法的输电网规划方法王春丽;赵书强;李勇【摘要】量子遗传算法是基于量子计算原理的概率优化方法,改进了动态调整量子旋转门策略,并结合量子交叉和量子变异操作,使算法具有更快的收敛速度和全局寻优能力.输电网规划是复杂的大规模非线性组合优化问题,提出了一种基于改进量子遗传算法的输电网规划模型.算例表明,该方法能够快速有效地获得全局经济最优的输电网规划方案.【期刊名称】《电力科学与工程》【年(卷),期】2010(026)011【总页数】4页(P10-13)【关键词】输电网规划;量子遗传算法;量子旋转门;量子交叉;量子变异【作者】王春丽;赵书强;李勇【作者单位】绍兴电力局,浙江,绍兴,312000;华北电力大学,电气与电子工程学院,河北,保定,071003;绍兴电力局,浙江,绍兴,312000【正文语种】中文【中图分类】TM715输电网规划是一个非常复杂的组合优化问题,具有非线性、离散性、多峰、多目标及目标函数不可微等特点,当问题规模增大时,无法完成对解空间的充分搜索,从而难于求得全局最优解[1]。
采用传统的启发式方法,如逐步扩展法、逐步倒推法可得到一个较好的可行解,但并不能保证是最优的。
近年来发展的人工智能算法,如遗传算法[2]、模拟退火法[3]、蚁群算法[4]、粒子群算法[5]等,为求解输电网规划问题提供了新的思路,能够在一定程度上克服传统优化算法的缺陷,保证了最优解的获得,但其处在发展阶段,仍然存在着一些不足之处,如寻优速度慢、运算时间长和局部收敛等。
量子遗传算法是将量子计算与进化算法相结合,使用量子技术中的概念以提高进化算法编码的多样性,从而加快计算速度,保证优化的全局收敛性,但同样也存在“早熟”和易陷入局部最优解的缺点。
本文改进了算法的动态调整量子旋转门策略,并结合输电网规划的特点,对规划模型进行了求解和验证。
AjitNarayanan和 Mark Moore1996年提出了量子遗传算法的概念,它是一种量子计算理论与遗传算法相结合的概率搜索优化算法：用量子位编码表示染色体,用量子门作用和量子门更新完成进化搜索。
改进的量子遗传算法及其在WMSN覆盖优化中的应用
ＳＧ Ｑ Ａ算法使用量子比特来表示一个基因位。量子比
砺 究 与 开黢
特的表示如式（） １所示， 其中， ∈Ｃ 且满足ｌ ＝ ： ， ＋ １ ｌ
的影响力 ， 促进了优秀信息的传播 ， 并在客观上加速了算
法的收敛， 但另一方面， 所有染色体都向同一个体演化， 那
些带有合理信息的其他染色体很可能 由于暂时的适应度
时， 一个最优染色体来指导群体的 以 进化， 破坏了染色体
的多样性 ， 使得算法很容易收敛到局部最优解。本文分析
了这种方法的不足， 改进了Ｑ Ａ的信息交流方式， Ｇ 进而提
出了一种基于精英组的量子遗传算法 （ ｉ ｒ ｐｂｓ ｅｔ ｇ ｕ ａｅ ｌ ｏ ｅ ｄ
搜索算法 ， 在数据挖掘、 机器学习、 图像处理、 网络优化等
作的过程如式（ ） ４所示：
３ 基 于精 英 组 的量 子 遗 传 算 法
１＝ ｆ ’
・
：
（） ３
３１ 设计思想 ．
从前面的分析可以知道， 每次进化只使用一个染色体
（
比特。式（ ） ４ 中的 ０ 是量子旋转的角度。
２３ 算法流程 ．
］㈩
来指导整个种群是不合适的． 这会导致其他染色体所带有 的合理信息不能在种群中保留， 从而破坏了染色体的多样 多个染色体来指导群体的进化， 这样既可以保证染色体的 多样性， 算法也不容易收敛到局部解。Ｅ Ｇ Ｑ Ａ的信息传播
次将量子计算的相关概念引入到遗传算法的框架中， 提出
了量子 遗传 算法 （ｕｎ ｍ ｇｎｔ ｇｒｈ Ｑ Ａ ７ ｑａｔ ｅｅｃａｏｔ Ｇ ） １ ｕ ｉ ｌ ｉｍ， 。 Ｑ Ａ算法对 Ｇ Ｇ Ａ算法的编码方式与演化操作都进行了改
改进量子遗传算法及其在系统辨识中的应用
改进量子遗传算法及其在系统辨识中的应用
张婷;韩璞;贾昊
【期刊名称】《计算机仿真》
【年(卷),期】2016(033)010
【摘要】针对量子遗传算法二进制编码和单链搜索带来的算法效率低问题,采用了一种双链量子遗传算法.上述算法以实数编码代替二进制编码,双链搜索代替单链搜索,利用目标函数的梯度信息对量子旋转角的大小进行确定从而进行进化.上述措施大大提高了算法的搜索效率.将上述算法应用于具有无限冲激响应滤波器的辨识,证明了算法的适用性和有效性.
【总页数】5页(P386-390)
【作者】张婷;韩璞;贾昊
【作者单位】华北电力大学河北省发电过程仿真与优化控制工程技术研究中心,河北保定071003;华北电力大学河北省发电过程仿真与优化控制工程技术研究中心,河北保定071003;华北电力大学河北省发电过程仿真与优化控制工程技术研究中心,河北保定071003
【正文语种】中文
【中图分类】TP387
【相关文献】
1.改进的多目标量子遗传算法在南水北调东线工程江苏段水资源优化调度中的应用[J], 方国华;郭玉雪;闻昕;黄显峰
2.改进量子遗传算法在光谱分配中的应用 [J], 于合谣
3.改进的双链量子遗传算法在图像去噪中的应用 [J], 国强;孙宇枭
4.改进量子遗传算法在图像匹配算法中的研究与应用 [J], 徐梅
5.一种改进量子遗传算法在地空反辐射混编群兵力配置优化中的应用 [J], 季军亮; 汪民乐; 商长安; 高嘉乐
因版权原因，仅展示原文概要，查看原文内容请购买。
Ch6遗传算法的改进-量子遗传算法
Ch6 遗传算法的改进-量子遗传算法6.1遗传算法的基本函数[Chrom,Lind,BaseV]=crtbp(Nind,Lind,base)objV=[1;2;3;4;5;10;9;8;7;6]; %十个个体的目标函数值FintV=ranking(objV); %根据目标函数计算各个体的适应度SelCh=select('sus',Chrom,FitV); %根据适应度FitV对现有群体Chrom进行复制NewChrom=recombin(REC_F,Chrom,RecOpt,SUBPOP)REC_F：值为recdis、xovsp，二种不同交叉方式Chrom：待交叉的种群，即染色体的集合RecOpt：交叉概率，缺省时或NAN，取默认值NewChrom=mut(OldChrom,Pm,BaseV)Pm：为变异概率，缺省为0.7/Lind(染色体的长度).baseV：染色体个体元素的变异的基本字符，缺省时为二进制编码Chrom=reins(Chrom,SelCh) % 重插入采用以上算法产生群体，计算适应度，根据适应度进行选择、交叉、变异，再计算适应度等不断循环进化，最后得到需要的解，这是经典遗传算法，尽管可以解决TSP问题，可以解决求最小值或最大值问题，也可以改善BP神经网络的性能，但也存在系列问题。
6.2量子计算Quantum Computing美国著名物理学家Feynman，于1982年提出按照量子力学原理，建造新型计算机。
1985年，牛津大学Deutsch利用量子态的相干叠加性，实现并行的量子计算。
1992年，Deutsch在量子力学基础上，提出了D-J算法。
1994年，Peter Shor利用量子力学叠加性与纠缠态提出，大数因式分解的Shor算法，其计算效率远超过经典算法。
100位十进制RSA PKI 非对称密加密ed=q mod (n) 1995年，Grover算法，可以解决NP问题。
改进量子遗传算法在无人机航迹规划中的应用
改进的量子遗传算法及其在测试数据生成中的应用
ｐｏａ ｉｔ ａ ｐｉ ｄ ｆ ｕ ｎｕ ｉ ．Ｉ Ｇ ａ ｐ ｌ ｄｉ ｏｔ ｔ ａ ｅ ｅ ｔ ｎ ｈ ｘ ｅｉｅｔ ｏ ｒｅｂｓ ｒ ｒｍ ｒｂｂｌｙ ｍ ｌｕ ｅｏ ｑ ａｔｍ ｂ ｓ Ｑ Ａｗ ｓａｐｉ ｔ ｅ ｔ ｇｎｒ ｉ ．Ｔ ｅｅｐ ｒ ｎｓ ｎｔ ｅ ａｉ ｐｏ ａ ｓ ｉ ｔ ｔ ｅ ｎ ｓｄ ａ ａｏ ｍ ｈ ｃ ｇ
ｅ ｏｕ ｉｎ ｓ ｃ ｎ ， ｔｅ ｉ ａ ｉ ｄ ｖｄ ａｓ ｖ ｌｔ ； ｅ ｏ ｄ ｏ ｈ ｂ ｎ ｒ ｎ ｉ ｉ ｕ ｌ ｙ ｗｅｅ ｒ ｍｕ ａｅ ａｔ ｒ ｔｔｄ ｆｅ ｍｅ ｓ ｒ ｍｅ ｔ ｉｓｅ ｄ ｆ ｔ ｅ ｔａ ｉ ｏ ａ ｘ ｈ ｎ ｅ ｆ ｔ ｅ ａ ｕ ｅ ｎ ， ｎ ｔａ ｏ ｈ ｒ ｄｔ ｎ ｌ ｃ ａ ｇ ｏ ｈ ｉ ｅ
Ｚ Ｕ Ｑ Ｉ Ｎ ｈ － ａ ，Ｚ Ｏ Ｘ ｅｆｎ ＨＯ ｉ，Ｊ Ｇ Ｓ ｕｊ ｎ ＨＡ ｕ － ｇ Ａ ｕ ｅ
（ ｃｏｌｆＣ ｍ ｕｅ Ｓｉ ｃ ｎ ｅｈｏｏｙ ｈｎ ｎｖｒｔ ｎｎ ｎ ｅｈ ｏ ｇ Ｘ ｚｏ Ｓｈｏ ｏ ｏ ｐ ｔ ｃ ｎｅａ ｄＴｃｎ ｌ ，Ｃ ｉａＵ ｉ ｓｙｏ Ｍｉｉｇａｄ Ｔｃｎｌ ｙ ｕｈ ｕ ｒ ｅ ｇ ｅｉ ｆ ｏ Ｍ２ １ ，Ｃ ｉ ） ２ １ １６ ｈｎ ａ
的方 向进化 ， 同时有效地避免 了早 熟现 象 ， 能以更快的速 度搜 索到 目标解。
关键词 ： 量子遗传算 法； 测试数据生成 ； 取反 指导更新 ； 二进 制变异 ； 快速收敛
中图分类 号：Ｔ ３ １５ Ｐ １ ．２ 文献标 志码 ： Ａ
Ｉ ｐ ｏ ｅ ｕａ ｔ ｍ ｅ ｅ ｃ ａ ｇ ｒｔ ｍ ｎ ｔ ｐ ｉ ａ ｏ ｎ ｔ ｓ ｔ ｅ ｒ ｔｏ ｍ ｒ ｖ ｄ ｑ ｎ ｕ ｇ ｎ ｔ ｌ ｏ ｉｈ ａ ｄ ｉｓ ａ ｐｌｃ ｔ ｎ ｉ ｅ ｔｄａ ａ ｇ ｎｅ ａ ｎ ｉ ｉ ｉ
改进的量子遗传算法及应用_黄力明
,
2
= 100
2 1
2 2
+1
1
2
求解，采用不同量子旋转门调
整策略的量子进化算法运行情况如图 2 至图 5 以及表 2 所示。 说明：算法 qea1 采用本文提出的量子旋转门调整策略， 算法 qea2 采用文献 [4] 中提出的量子旋转门调整策略，算法 qea3 采用文献 [3] 中提出的量子旋转门调整策略， 算法 qea4 采 用文献 [5] 中 IQGA 的量子旋转门调整策略。
=0 0 0 +1 0 0 ±1 ±1 ±1
量子旋转门调整策略有多种方案[3-5]， 其核心思想是： 使当 前解收敛到一个具有更高适应度的染色体。对文献 [3-5] 中的 量子旋转门调整策略进行分析研究，发现文献中量子旋转门 调整策略存在容易出现早熟现象， 算法易收敛于局部极值点； 速度太慢， 甚至会处于停滞状态。其主要原因是： 染色体和当 前最优染色体处于一些特定状态时，染色体中量子比特位并 没有确保向当前最优染色体的量子比特位靠近，由此产生的 新染色体有可能远离当前最优染色体， 影响算法的收敛。 针对以上问题，本文对量子旋转门调整策略进行改进。 改进后的量子旋转门调整策略的核心思想是：确保在任何状 态下以较大的概率使当前解收敛到一个具有更高适应度的染 “0” ， 无论 色体 ( 最优解染色体 )。如果最优解染色体的第 位为 “0” 还是 “1” ，应向顺时针或逆时针方 当前解染色体的第 位是 向移动， 使∣ i∣变大， 同时∣ i∣变小， 以增加取 “0” 的概率 P0 (P0 = ∣ i∣2)， 减小取 “1” 的概率 P1(P1 = ∣ i∣2)； 如果最优解染 “1” ， 无论当前解染色体的第 位是 “0” 还是 “1” ， 色体的第 位为 同时∣ i∣变小， 应向顺时针或逆时针方向移动， 使∣ i∣变大， 以增加取 “1” 的概率 P1(P1 = ∣ i∣2)， 减小取 “0” 的概率 P0(P0 = 这样， 既以较大的概率确保当前解收敛到最优解， 也 ∣ i∣2)。 以一定的概率保持种群的多样性， 保证进化的顺利进行。 图 1 是旋转变异示意图， 当前解染色体的第 位在最优解 染色体的第 位指导下顺时针旋转使 为
A063基于改进量子遗传算法的输电网规划方法
Pli ≤ Pli Bθ = P Pgi ≤ Pgi ≤ Pgi
∑P = ∑P
dj
li
gi
0 ≤ nli ≤ N l im ax
xi
0 0 0 0 1 1 1 1 注：
bi
0 0 1 1 0 0 1 1
f ( xi )
≥ f (bi )
F T F T F T F T
S (α i , βi ) ∆θi
其中 θ 为量子门的旋转角，取值为： θ = k • f (α i , βi ) ，式中，k 是一个与算法收敛速度 有关的系数， k 必须取值合理，若太大，算法搜 索的网格就很大，容易出现早熟现象，即收敛于 局部极值点；反之，若太小，算法搜索的网格就
很小，速度太慢，甚至会停滞状态。将 k 定义为 一个与进化代数有关的变量，以便自适应的调整 搜索网格的大小。
其中 t 为迭代次数，max t 是一个根据优化问 题复杂性而定的一个常数。
２. 量子遗传算法的改进策略
2.1 动态调整旋转角机制 由于旋转变异角 θ 的幅度影响收敛速度，但 是若幅值度太大，又会导致早熟[6]。故本文采用 动态调整量子门旋转角 θ 大小，即在算法运行初 期和当前个体与最优个体较远时，搜索的网格较 大，从而增加了算法的收敛速度；在算法运行末 期和当前个体与最优个体接近时，搜索的网格较 小，从而实现了精度搜索，有利于寻得最优解。 IQGA 采用量子旋转门更新策略完成种群的 更新操作，量子旋转门的旋转角度的确定方法如 表 1 所示。旋转角 θi 的取值： θi = S (α i , βi )∆θi 本节提出 de lta 的一种具体实现形式： f − f 'min n de lta = K • π (1 − ) min MAXN + 1 f min − f 式中： n 为当前的进化代数，MAXN 为终止 代数， K 为 0 到 1 之间的常数， f min 为目标最小 值，若目标最小值未知，则选取已计算出的最小 值替代 f min ； f 为当前个体计算出的目标值， f 'min 为当前种群中的最小值。
量子计算中的遗传算法与优化问题研究
量子计算中的遗传算法与优化问题研究量子计算是一种基于量子力学原理的计算方法，具有在某些特定问题上具有超越传统计算机的能力。
而遗传算法是一种模拟自然进化过程的优化算法，通过模拟生物进化的过程来寻找问题的最优解。
本文将探讨量子计算中的遗传算法与优化问题的研究。
首先，我们来了解一下量子计算的基本原理。
传统计算机使用的是二进制位（比特）来存储和处理信息，而量子计算机使用的是量子位（量子比特或qubit）。
量子位可以同时处于多种状态，这是量子力学中的叠加原理。
通过对量子位的叠加和纠缠操作，量子计算机可以进行并行计算，从而在某些问题上具有超越传统计算机的能力。
遗传算法是一种模拟生物进化过程的优化算法。
它通过模拟自然界中的遗传、变异和选择过程来逐步优化问题的解。
遗传算法的基本步骤包括初始化种群、选择适应度高的个体、进行交叉和变异操作、更新种群，并不断迭代直到找到满意的解。
在量子计算中，遗传算法可以被用来解决优化问题。
优化问题是在给定的约束条件下，寻找问题的最优解。
例如，在物流领域中，我们希望找到一条最短路径来连接多个地点；在机器学习中，我们希望找到一组最优参数来最小化损失函数。
这些问题都可以被转化为优化问题，并通过遗传算法来求解。
量子计算中的遗传算法与传统的遗传算法有所不同。
传统的遗传算法使用的是经典的二进制编码，而量子计算中的遗传算法使用的是量子位编码。
量子位编码可以同时表示多个解，从而加快了搜索的速度。
同时，量子计算中的遗传算法还可以利用量子纠缠和量子叠加的特性，通过量子操作来加速搜索过程。
除了使用量子位编码，量子计算中的遗传算法还可以利用量子操作来进行优化。
量子计算中的优化问题可以被转化为哈密顿量的最小化问题。
通过设计适当的哈密顿量，并利用量子操作进行演化，可以在量子计算中快速找到问题的最优解。
然而，量子计算中的遗传算法也面临一些挑战。
首先，量子计算机的硬件实现仍然面临很多困难，例如量子比特的稳定性和纠错能力。
改进量子遗传算法在无功优化中的应用
（Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｉ ｒ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ，Ｓ ｈ ａ ｎ ｄ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｊ ｉ ｎ ａ ｎ ２ ５ ０ ０ ６ １ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂｓ ｔ ｒ ａ ｃ ｔ ： Ｓ ｔ ａ ｔ ｉ ｃ ｖ ｏ ｌ ｔ ａ ｇ ｅ ｓ ｔ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｉ ｎ ｄ ｅ ｘ ｉ ｓ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｉ ｎ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｒ ｅ ａ ｃ ｔ ｉ ｖ ｅ ｐ ｏ ｗｅ ｒ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ
ｔ ｉ ｏ ｎ ｌ ａ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ，ｂ ｕ ｔ ｔ ｈ ｅ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｓ ｐ ｅ ｅ ｄ ａ ｎ ｄ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｑ ｕａ ｎ — ｒ ｕｍ ｇ ａ ｔ ｅ ａ ｎ ｇ ｌ ｅ ｉ ｎ ｃ ｏ ｎ ｖ ｅ ｎ ｔ ｉ ｏ ｎ ａ ｌ ｑ ｕａ ｎ ｔ ｕ ｍ ｌｇ ａ ｏ ｉｔ ｒ ｈ ｍ ａ ｎ ｄ ｔ ｈｅ ｉｎ ｆ ａ ｌ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｓ ａ ｆ ｆ ｅ ｃ ｔ ｅ ｄ ｂ ｙ ｉ ｔ ． Ｉ ｎ ｔ ｈｉ ｓ ｐ ａ ｐ ｅ ｒ ，ａ ｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｑ ｕ ａ ｎｔ ｕｍ ｒ ｏ ｔ ａ ｔ ｉ ｏ ｎ ｇ ａ ｔ ｅ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｉ ｓ ｐｒ ｏ ｐ ｏ ｓ ｅ ｄ ｗｈｉ ｃ ｈ ｃ ａ ｎ ａ ｄ ａ ｐｔ ｉ ｖ ｅ ｌ ｙ ｃ ｏ ｍｐ ｕ ｔ ｅ
《基于改进量子遗传算法的多目标轧制规程优化》范文
《基于改进量子遗传算法的多目标轧制规程优化》篇一一、引言轧制规程是钢铁冶金行业中影响轧材性能、成本和生产效率的重要因素。
因此，轧制规程的优化研究具有重大意义。
随着科学技术的进步，传统优化方法已难以满足复杂多变的轧制工艺要求。
近年来，基于量子计算的优化算法因其高效性及强大的全局搜索能力，在多目标优化问题上展现出巨大潜力。
本文提出了一种基于改进量子遗传算法的多目标轧制规程优化方法，旨在提高轧制效率、降低生产成本并提升轧材性能。
二、量子遗传算法概述量子遗传算法是量子计算与遗传算法相结合的产物，其利用量子计算的并行性和遗传算法的优化能力，在解决复杂优化问题上具有显著优势。
该算法通过量子位表示解空间中的解，利用量子门的操作实现解的更新和优化，最终找到全局最优解。
三、多目标轧制规程优化问题描述多目标轧制规程优化问题涉及到多个目标函数，包括轧制效率、成本、轧材性能等。
这些目标之间往往存在冲突，需要综合考虑并寻找最佳平衡点。
传统方法难以同时满足多个目标要求，而改进的量子遗传算法可以有效地解决这一问题。
四、基于改进量子遗传算法的多目标轧制规程优化方法（一）算法改进本文针对传统量子遗传算法的不足，进行了以下改进：1. 引入了自适应量子门操作，提高了算法的灵活性和搜索效率；2. 采用了多目标决策分析技术，使得算法能够同时考虑多个目标函数；3. 引入了局部搜索策略，进一步优化解的质量。
（二）算法实施步骤1. 初始化量子种群，每个个体表示一种轧制规程；2. 计算每个个体的目标函数值，包括轧制效率、成本和轧材性能等；3. 根据目标函数值更新量子门操作和量子位的状态；4. 进行局部搜索，进一步优化解的质量；5. 重复步骤2-4，直到满足终止条件（如达到最大迭代次数或解的质量达到预设要求）。
五、实验与结果分析（一）实验设计为验证改进量子遗传算法在多目标轧制规程优化中的应用效果，本文设计了多组实验。
实验中，我们采用了不同的轧制工艺参数和目标函数设置，以检验算法的通用性和有效性。
一种改进的量子遗传算法研究
中图分类 号 ： Ｐ ８ Ｔ １ 文 献标志 码 ：Ａ
Ａｎ Ｉ ｒ ｖ ｄ Ｑｕ ｎ ｕ Ｇｅ ｅｉ Ａ ｇ ｒｔｍ ｍｐ ｏ ｅ ａ ｔｍ ｎ ｔ ｌｏ ｉ ｃ ｈ
Ｗ ＡＮ Ｚ ｕ ｏ ｇ Ｇ ｈ ｒｎ ，ＹＡＮＧ Ｂ ，Ｌ３Ｘｉｇ ｈ ｏ，ＣＵ ｗ ｏ Ｉ ｎ ｃ ａ ＩＤｕ ｕ
ｄ ｎ ｍ ｃａｊｓ ｎ ｎ ｃ ｃ ｆ ｕ ｎ ｍ ｒ ａｉ ｎ ｌ， ｈ ｒｂ ｋｎ ｐ ｒｔ ａ ｚ ｅｃｍ ｉａ ｙ ａ ｉ ｄｕｔ ｔ ｄｔ ｔ ｓｏ ａ ｔ ｏ ｔ ｎａｇｅ ｗ ｅｅｙｍａｉｇｏ ｅａ ｒ ｅｌ ｅｔ ｏ ｂｎ — ｍｅ ａ ａ ｉ ｑ ｕ ｔ ｏ ｏｒ ｉ ｈ
ｃ ｌ ｕ ａｉｎ ｓ ｌ ｔ ｎ ａ ｃ ｒ ｃ ｎ ｅ ｋ ｎ ｏ ｆ ｃｅ ｃ ｎ ｏ ｃ ｎ ｉ ｅ ａｉ ｎ ａｃ ｌｔ ｏｕ ｉ ｃ ｕ ａ ｙ ａ ｄ ｓ ｅ ｉ ｇ ｆｒ ｅｆ ｉｎ ｙ ｉ ｔ ｏ ｓｄ ｒ ｔ ．Ａ ｓ ｔ ｉ ａ ｅ ｉｃ ｓｅ ｈ ｏ ｏ ｉ ｏ ｌｏ， ｈ ｓ ｐ ｐ ｒｄ ｓ ｕ ｓ ｓｔ ｅ
ｗ ｔ ｎａｒｔ ｎｌ ａｃｌｔ ｎｃｓ ｎｔｅｅ ｄ Ｉ Ｇ ｓｄｔ ｔｓ ｓｖｒ ｅ ｃ ｄｓ ｎ ａｄｂ ｓ ｎ— ｉ ｉ ｉ ａ ｃ ｕａ ｏ ｏｔ ｎ ， Ｑ Ａ ｉ ｕｅ ｔ ｅｅａ ｓｌ ｔ ｔ ｄ ｒ ａｅｆ ｃ ｈ ａ ｏ ｌ ｉ ．Ｉ ｈ ｓ ｏｅ ｌ ｅｅ ａ ｕ ｔ ｎ ．Ｔｔｅｂ ｓ ａｅａｅｖｌｅａ ｄｃｎ ｉ ｓ ｈ ｔ ｕ ｓｎ ｉａ ｔ Ｑ Ａ ｃ ｎｏ ｔ ｎ ｈ ｅｔ ｏ ｉ ， ｈ ｅｔ ｖ ｒｇ ａ ｎ ｏ — ｏ ｅｅ ｅ ｉ ｅｈ ａ ｕｏ ｕ
１５ ４
一
一种改进的量子遗传算法及其应用
基于量子计算原理的遗传算法 ，于 ２ 纪末提 出…，并成功 ０世 求解了组合优化问题 。 由于量子 比特染色体能够表征叠加态 ， 与传统 Ｇ Ａ相 比， ＧＡ具 有更好 的种群 多样性 和全局寻优能 Ｑ 力 ，因而受到 国内外诸 多学者 的关注 。文献［］ ２引入多宇 宙概 念 ，提出了多宇宙并行量子遗传算法 ，提高 了算法效率 。文 献［】 出了一种基于角度编码染色体 的量子遗传算法 ，算法 ３提 在 存 储 性 能 和 时 间 性 能 上 获 得 了 提 高 。 文 献 【—】 对 量 子 旋 ４６针 转 门进行 了研 究 ，通过 采用动态 策略调整量子门旋转角 ，利 用可控旋转 门操作 及新 的算法终止条件等措施 ，一定程度上 提高 了种群 的多样性 ，并加快 了算法的收敛。文献［—］ ７９对双 链量子遗传算法进行 了研 究及 改进 ，通 过引入常数 因子变换
１ 概 述
量 子 遗 传 算 法 （ ｕ ｎｕ ｎｔ ｌｏｉ ｍ， Ｇ 是 一 种 Ｑ ａｔｍ Ｇｅｅｉ Ａｇ ｒ ｈ Ｑ Ａ） ｃ ｔ
快 了算法 的收敛 速 度 。同时 ，提 出一 种新 的寻优 策 略 ，从 ３条链 的角度分别观测 初始种群 ，使改进算法搜索空间 由单 Ｂｏ ｈ球面扩展为 ３ ｌｃ ｌｃ Ｂｏ ｈ球面 ，并将所得到 的最优解作为全 局最优解 。仿真结果表 明，改进措施 提高了种群的多样性以 及算法的搜索能力 。
ａ ｄ ｅ ｐ ｎ ｓ ｔ ｅ ｓ ａ ｃ ｐ ｃ ｒ ｍ ｎ ｐ ｅ ｅ ｔ ｈ ｅ — ｐ ｅ ｅ ａ ｃ ｒ ｎ ｏ ｔ ｅ ｃ ａ ａ ｔ ｒｓ ｉ ｓ ｏ ｈ ｅ ｈａｎｓ ｎ ｘ ａ ｄ ｈ ｅ ｒ ｈ ｓ ａ ｅ ｆｏ ｏ ｅ ｓ ｈ ｒ ｏ ｔ ｒ ｅ ｓ ｈ ｒ ｃ ｏ ｄｉ ｇ ｔ ｈ ｈ ｒ ｃ ｅ ｉｔｃ ｆ ｔ ｒ ｅ ｃ ｉ ．Ｗ ｉｈ ｔ ｅ ａ ｌ ａｉ ｎ ｏ ｕｎ ｔ ｎ ｔ ｈ ｐｐ ｉ ｔｏ ｆ ｆ ｃ ｉ ｃ ｏ ｅ ｔｅ ｐ ｉ ｉａ ｉ ｎ ｏ ｌ — ａ ｉ ｂ ｅ ，ｓ ｍｕ ａ ｉ ｎ ｒ ｓ ｌｓ ｈ ｗ ｈａ ｈ ｍｐ ｏ ｅ ｌ ｏ ｉ ｘ ｒ ｍｅ ｏ ｔ ｚ ｔ ｆ ｍｕ ｔ ｖ ｒａ ｌｓ ｉ ｌ ｔ ｅ ｕ ｔ ｍ ｏ ｉ ｏ ｓ ｏ ｔ ｔ ｔ ｅ ｉ ｒ ｖ ｄ ａ ｇ ｒｔ ｈｍ ｓ ｌ ｗｅ ｅ ｅ ａ ｉ ｎ ｉ ｈ ｒ ｅ ｆｃ ｅ ｃ ，ｄ ｖ ｒ ｅ ｈａ ｏ ｒ ｇ ｎ ｒ ｔ ，ｈ ｇ ｅ ｆｉ ｉｎ ｙ ｉ ｅ ｓ ｏ ｐ ｐ ｌ ｔ ｎｓ ａ ｄ ｉ ｒ ｅ ｔ ｈ ｍｐ ｏｖ ｍｅ ｔ ｓｅ ｃ ｅ ｔ ｏ ｕ ａｉ ， ｎ ｔ ｏｖ ｓ ｔ ｅ ｉ ｒ ｅ ｎ ｆ ｉ ｎ ． ｏ ｐ ｈａ ｔ ｉ ｉ
改进量子遗传算法在PID参数整定中应用
万方数据
第１０期
曾 成．等：改进量子遗传算法在ＰＩＤ参数整定中应用
＠
对象ⅣＧｏ（ｓ）＿ｅ－－０５，／（ｓ＋１）２ 仿真结果如表１所示。 图３为控制对象Ｉ～Ⅳ的单位阶跃响应曲线（图 中．Ａ为系统的阶跃响应幅值）。由表ｌ和图３可以看 出．采用量子遗传算法整定的ＰＩＤ控制器具有良好的 控制效果．与其他算法整定的ＰＩＤ控制器相比。它响 应速度较快。调节时间和上升时间较短．几乎没有超 调．稳态误差为０。
１Ｖ ＱＤＰＳＯ［ｚ１ ２．４８００ ０．８１３０ １．４０００
ＱＧＡ ２．７３４４ ０．７８４２ １．５４３０
５．６５ ４．３８
０ ４．７０ ３．０３ ２．９２
１．２
２．０６ ２．７５ １．９４ ５．３６ ２．７８ ３．７９
吨０．６
０
ｔ／ｓ
…一ＧＡ，——ＰＳＯ，～一ＱＧＡ
（ａ）对象Ｉ
１．２
≮０．６
在量子遗传算法中采用量子比特的概率幅（ａ，ＪＢ） 来编码染色体．以一个量子比特来存储和表达一个 基因。该基因可以为“０”态。或“１”态，或它们的任意 叠加态．即此时该基因所表达的不再是某一确定的 信息。而是包含所有可能的信息．对该基因的任一操 作也会同时作用于所有可能的信息。由于采用量子 比特编码使得一个染色体可以同时表达多个态的 叠加，使得量子遗传算法比经典遗传算法拥有更好 的多样性特征。采用量子比特编码也可以获得较好 的收敛性，随着１ ａ｛：或１口ｌ：趋于。或ｌ，量子比特 编码的染色体将收敛到一个单一态．
ｖ０１．２９ Ｎｏ．１０
＠ ０ｎ ２００９
改进量子遗传算法在ＰＩＤ参数整定中应用
曾成，赵锡均 （中国工程物理研究院电子工程研究所，四川绵阳６２１９００）
摘要：参数整定是ＰＩＤ控制器设计的关键，针对ＰＩＤ控制器参数整定问题．提出一种基于改进量子遗传算
一种改进的双链量子遗传算法及其应用
（ 大庆 石油 学院 计 算机与 信息技 术学 院 ，黑龙 江 大庆 １ ３ １ ） ６ ３ ８
摘
要 ：针 对 目前双链 量子遗 传算 法 中保持 种群 多样性 和 改善 优化 效 率 问题提 出 了三种 改进 方 法。通 过在 量
子 比特概 率幅 三 角函数 表 达式 中引入 常数 因子 ， 使搜 索过程 在 多个周期上 同时进 行 ， 以改善 算 法的优 化 效率 ； 提
第２ ７卷第 ６期
２１ ０ ０年 ６月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅｓ ｐ ｉ ｔ ｓ ａ ｃ ｆＣ ｍｐ ｔ ｒ ｃ ｏ
Ｖ０ ． Ｎｏ ６ １ ２７ ．
Ｊｎ ２ １ ｕ ． ００
一
种 改进 的双链 量 子遗传 算 法及 其应 用
Ｉ ｒ ｖ ｄ ｑ ａ ｔ ｍ ｅ ｅ ｉ ｌ ｏ ｉｈ ｗｉ ｏ ｂ ｅ ｃ ａ ｎ ｎ ｔ ｐ ｌｃ ｔ ｎ ｍｐ ｏ ｅ ｕ ｎ ｕ ｇ ｎ ｔｃ ａ ｇ ｒｔ ｍ ｔ ｄ ｕ ｌ ｈ ｉ ｓ ａ ｄ ｉｓ ａ ｐ ｉ ａ ｉ ｈ ｏ
ＸＵ Ｓｈ ｏ ｈ ａ — ｕａ，ＸＵ Ｃｈｅ ｎ，Ｈ ＡＯ ｎｇ，Ｗ ＡＮＧ ｎ Ｘｉ Ｙｉ ｇ，ＬＩＰａ ｃ ｎ—ｈｉ
ｓｎｇｅ ｂ ｔｑ ｎｕｍ ｄ ｍａ ｄ ｇ ｔ ｓｅ ｈａ ｅ ｈｅ ｄ ｖ ｒ ｉ ｆｐｏ ｌｔｏ ｉ ｌ ｉ ｕａ ｔ Ｈａ ａ ｒ ａ ｅ ｎ ｎｃ ｄ ｔ ｉ ｅｓｔ ｏ ｐｕ ａｉｎ． Ｔｈ ｒ ｌ ｙ ｉｄｙ，ｅ ｈ ｎｃ ｄ ｔ ｅ ａ ａ ｔ ｂｌｔ ｆｔｅ ｐ ｏ ｏ ｅ ｎ ａ ｅ ｈ ｄ ｐ ａ ｉｉｙ ｏ ｈ ｒ ｐ ｓ ｄ ａ ｇ ｒｔ ｌｏ ｉｈｍ ｙ ｒ ｄ ｓｇ ｉ ｈ ｔ ｐ ｆ ｎ ｔｏ ｆｒｔ ｔ ｎ ａ ｇｅ ｏ ａ ｔ ｍ ｏａ ｉｎ ｇ ｔ ，ａ ｄ ｔ ｓａ ｓ ｖ ｉ ｅ ｈ ｓ ｉｌｔｏ ｌ ｂ ｅ ｅ ｉ ｎｎｇｔ ｅ ｓｅ ｕ ｃ ｉｎ ｏ ｏａｉ ｎ ｌ ｆｑｕ ｎ ｕ ｒ ｔｔｏ ａｅｓ ｎ ｈｉ ｌｏ ａ ｏ ｄ ｄ ｔ ｅ ｏ ｃｌａｉ ｎ ｅ－ ｏ ｆ ｃｉｅｙ． Ｆ ｎ ｌｙ，ｗｉｈ ａ ｐｌｃ ｔｏ ｆｆ ｎ ｔｏ ｘｒ ｍｕ ｏ ｔｍｉａｉ ｎ ｗｉｈ ｍｕ ｔ— ａｉ ｂｅ ｅ ｔｖ ｌ ｉ ａｌ ｔ ｐ ｉａ ｉｎ ｏ ｕ ｃ ｉｎ ｅ ｔｅ ｍ ｐ ｉ ｚ ｔｏ ｔ ｌｉｖ ｒａ ｌｓ，ｔｅ ｓｍｕ ａｉｎ ｒ ｓ ｌｓｓ ｏ ｔ ａ ｈ ｈ ｉ ｌｔｏ ｅ ｕ ｔ ｈ ｗ ｈ ｔｔｅ
改进量子遗传算法应用于测试数据自动生成的研究季海婧
1
引
言
人
［2 ］
利用遗传算法来产生测试数据， 来满足数据流覆盖标
软件测试的本质就是验证测试的结果是否符合预期的结 果， 并据此结果来调整和评估被测程序 ． 一般来说， 现在大多 数的测试数据是凭借手工的方法生成的 ． 但是这种手工测试 的方法费用昂贵， 效率低下， 并且也难以保障软件质量 ． 因此 采用自动化测试提高软件测试的水平和效率至关重要 ． 然而 测试数据自动生成作为软件自动化测试的核心部分， 还远不 尽如人意． 在软件测试过程中， 动态测试占的比例很大， 是软 件测试的重要环节． 动态测试的关键又是测试用例的生成问 题． 因此， 提高测试数据生成的自动化程度是提高整个测试过 程自动化程度的关键所在 ． 作为一种高效的智能寻优算法， 遗传算法（ GA） 在解决大 空间、 多峰等问题时显示了其独一无二的优点 ． Korel
Abstract ： In order to improve the efficiency of the automatic test case generation，this paper proposes an improved quantum genetic algorithm （ IQGA） ，for the automatic test data generation． In the algorithm，chromosome is encoded by the angle，which decreases the storage space greatly； And the new dynamic rotation angle of strategy makes that the good test data can be good heritable in the process of test data generation，and promotes population convergence； Hadamard door mutation strategy improves population diversity to enlarge the search path． The typical triangle category problem is used as verification procedure in this paper，and the experiment results show that the improved quantum genetic algorithm has the advantages of short time，less test data and high coverage，and automatic test case generation are more efficient than traditional quantum genetic algorithm and genetic algorithm． Key words： quantum genetic algorithm（ QGA） ； genetic algorithm（ GA） ； automatic test case generation； Hadamard door； software testing
遗传算法的一些改进及其应用共3篇
遗传算法的一些改进及其应用共3篇遗传算法的一些改进及其应用1遗传算法 (Genetic Algorithm) 是一种优化算法，它通过模拟生物进化过程来寻找最优解。
遗传算法最初由 J. Holland 在 1975 年提出，是模仿自然界生物的进化过程，利用选择、交叉和变异等基本遗传操作，搜索解空间中的最优解。
遗传算法优点在于能够处理复杂的非线性、多模优化问题，但在实际应用过程中存在一些问题，为了解决这些问题，对遗传算法进行了许多改进，下面介绍其中几种改进方法和应用。
改进一：精英选择策略在传统的遗传算法中，每次进行选择操作时都是随机选择个体进行交配，这导致一些较优秀的个体有可能被淘汰，因此提出了精英选择策略，即在每次进化过程中一定比例地选择适应度最好的个体，避免较好的个体被淘汰。
改进二：基因突变概率自适应策略在遗传算法中，变异操作可以增加个体的多样性，但是变异概率设置不当，可能会导致算法早熟收敛或者长时间停留在局部最优解。
为了避免这种情况，提出基因突变概率自适应策略，即根据当前代的适应度情况自适应计算变异概率，使变异概率既不过大，也不过小。
改进三：群体多样性保持策略为了保证遗传算法群体多样性，提出了数种策略：保持多样性的染色体种群操作，通过引进外来个体以增加多样性，以及通过避免重复染色体来保持多样性等方法。
应用一：函数优化函数优化是运用遗传算法的主要应用之一，它的目标是通过最小化目标函数，寻求函数的最小值或最大值。
应用遗传算法的一个优势在于它能够优化非凸性函数，而其他传统优化算法在优化过程中会陷入局部最优解。
应用二：机器学习机器学习需要寻找一个最佳的模型，而遗传算法可以用于选择合适的特征和参数，从而构建最佳的模型。
此外，遗传算法还可以用于优化神经网络的结构和权重，以提高神经网络的分类和预测性能。
应用三：工程优化遗传算法在工程中也有广泛的应用，如在电子电路设计中，可以通过遗传算法来寻找尽可能优秀的元器件匹配，从而达到最佳的电路性能。
量子遗传算法及其改进与应用
量子遗传算法及其改进与应用作者：于合谣刘蕊蕊冀鹏飞来源：《时代金融》2017年第21期【摘要】文章在介绍基本量子遗传算法（QGA）的原理、方法和基本流程的基础上，主要归纳总结了最近几年QGA的改进，包括理论基础的编码扩展、算子的创新和量子门旋转角度、复杂高维函数优化、混合算法等，以及新的应用研究成果，以及在不同领域的一些应用，进而提出了QGA未来的发展方向。
【关键词】遗传算法量子遗传算法量子门人脸识别一、引言量子遗传算法（Quantum Genetic Algorithm），简称QGA，结合了量子计算的并行运算和遗传算法的种群多样性等优势，具有较高的全局搜索效率和种群多样性[1]。
在遗传算法中，通过对适应度函数的研究，可以提升遗传算法的优化效果[1]。
Narayanan等人[2]最先提出量子衍生遗传算法（QIGA）的概念；紧接着Han等人[3]提出真正意义上的基于量子比特和量子态叠加特性的量子遗传算法（QGA），并应用到解决背包问题，实现了比常规遗传算法更好的效果。
目前，量子遗传算法的研究已经取得了一些研究成果，文献[4]总结了2011年以前对量子遗传算法的研究进展情况。
二、量子遗传算法QGAQGA算法：基于量子位的表示方法和量子力学的态叠加原理，QGA的具体算法如下：第一，初始化，包含n个个体的种群，其中Ptj（j=1，2，…，n）为种群中第t代的一个个体，且有，其中m为量子位数目，即量子染色体的长度。
在开始时，所有αi，βi（i=1，2，…，m）都取。
第二，根据P（t）中概率幅的取值情况构造出R（t），，其中是长度为m的二进制串。
第三，用适应值评价函数对R（t）中的每个个体进行评价，并保留次代中的最优个体。
若获得满意解，则算法终止，否则，转入第四继续进行。
第四，使用恰当的量子门U（t）更新P（t）。
第五，遗传代数t=t+1，算法转至第二继续进行。
三、量子遗传算法QGA的改进目前，对量子遗传算法的研究主要集中在染色体编码方式和参数更新方面，其本质仍是单纯的引入量子计算的基本原理。
一种改进的量子进化算法及其在乡村邮路问题的应用
一种改进的量子进化算法及其在乡村邮路问题的应用包得海;李跃光;华庆一;买桂英【摘要】Aiming at the deficiency of basic quantum evolution algorithms (QEA) being easy to fall into local optimal solution, an improved quantum evolution algorithm is proposed in this paper. The algorithm is attested in combination with village postman problem. Test result demonstrates that the improved algorithm has ameliorated the global search capacity and population diversity compared with basic QEA,it indicates that the algorithm is effective to solve the village postman problem.%针对基本量子进化算法易陷于局部最优解的缺陷,提出一种改进的量子进化算法(QEA).结合乡村邮路问题,对算法进行了测试,结果表明,改进算法在全局寻优能力和种群多样性方面比基本量子进化算法有所改进,是求解乡村邮路问题的一种有效算法.【期刊名称】《计算机应用与软件》【年(卷),期】2011(028)002【总页数】3页(P103-105)【关键词】量子进化算法;中国邮路问题;哈密顿圈【作者】包得海;李跃光;华庆一;买桂英【作者单位】甘肃民族师范学院计算机与科学系,甘肃,合作,747000;甘肃民族师范学院计算机与科学系,甘肃,合作,747000;西北大学信息科学与技术学院,陕西,西安,710069;甘肃民族师范学院计算机与科学系,甘肃,合作,747000【正文语种】中文0 引言1962年管梅谷教授首先提出中国邮路问题(简称CPP)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ Ｍｅ ｄ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｓ ｕ ｐ ｐ ｏ ｒ ｔ Ｍａ ｎ ａ ｇ ｅ ｍｅ ｎ ｔ Ｃ ｅ ｎ ｔ ｅ ｒ ， Ｔ ｈ ｅ ３ ０ ２ Ｈｏ ｓ ｐ ｉ ｔ ａ ｌ ｏ ｆ Ｐ Ｌ Ａ， Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ３ ９ ， Ｃ ｈ ｉ ｎ ａ ）
第３ ９卷 第 ５期
、 ， ０ １ － ３ ９ Ｎ ｏ． ５
计
算
机
工
程
２ ０ １ ３年 ５月
Ｍａ ｖ ２ ０１ ３
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
・
人工智 能及识 别技术 ・
一
文章 缩号，１ ｏ ０ ０ —８ ４ ２ ８ （ ２ ０ ｌ ３ ） ０ ５ — ｏ ｌ ９ ６ ＿ － ＿ ｏ ４ 文献标识码ｔ Ａ
Ｇｅ ｎ ｅ ｔ ｉ ｃ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ（ Ｑ Ｇ Ａ）ｂ ａ ｓ ｅ ｄ ｏ ｎ ｑ ｕ ｂ ｉ ｔ ｓ ｍｅ ａ ｓ ｕ ｒ ｅ ｉ ｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｔ ｏ ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｉ ｎ ｕ ｏ ｕ ｓ ｓ ｐ ａ ｃ ｅ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ． Ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｉ ｓ ｐ ｒ ｏ ｂ ｌ ｅ ｍ， ａ ｌ ｌ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｑ ＧＡ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ． Ｉ ｎ ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， ｔ ｈ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｍｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ ｉ ｓ ｂ ｕ ｉ ｌ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｂ ｌ ｏ ｃ ｈ ｓ ｐ ｈ ｅ ｒ ｅ ． Ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｖ ｉ ｄ ｕ ａ ｌ ｓ ａ ｒ ｅ
中圈分类号ｌ Ｔ Ｐ １ ８
种 改进 的量 子 遗 传 算法及 其应 用
杨树欣， 詹宁波，田林怀
（ 解放军第 ３ ０ ２医院医学工程保障管理 中心 ，北京 １ ０ ０ ０ ３ ９ ）
摘
要 ：基于量子位测 量的二进制量子遗传算法 ，在用于连续 问题优化 时，频繁 的解码运算会降低优化效率。为解决该问
ｒ ｏ ｔ ａ ｔ ｉ ｏ ｎ ｃ ａ ｒ ｌ ｍａ ｋ ｅ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｑ ｕ ｂ ｉ ｔ ｓ ａ ｐ ｐ ｒ ｏ ｘ ｉ ｍａ ｔ ｅ ｈｅ ｔ ｔ ａ ｒ ｇ ｅ ｔ ｑ ｕ ｂ ｉ ｔ ｓ ａ ｌ ｏ ｎ ｇ ｗｉ ｔ ｈ ｔ ｈ ｅ ｂ ｉ ｇ ｇ ｅ ｓ ｔ ｃ ｉ ｒ ｃ ｌ ｅ ｏ ｎ ｔ ｈ ｅ Ｂｌ ｏ ｃ ｈ ｓ ｐ ｈ ｅ ｒ ｅ ． Ｅｘ ａ ｍｐ ｌ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ
［ Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ］Ｄｕ ｅ ｔ ｏ ｆ ｒ ｅ ｑ ｕ ｅ ｎ ｔ ｄ ｅ ｃ ｏ ｄ ｉ ｎ ｇ ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｓ ， ｔ ｈ ｅ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ ｏ ｆ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｓ ｅ ｖ ｅ ｒ ｅ ｌ ｙ ｒ ｅ ｄ ｕ ｃ ｅ ｄ ｗ ｈ ｅ ｎ ｔ ｈ ｅ ｂ ｉ ｎ ａ ｒ ｙ Ｑ ｕ ａ ｎ ｔ ｕ ｍ
Ａｎ Ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｑｕ ａ ｎ ｔ ｕ ｍ Ｇｅ ｎ ｅ ｔ ｉ ｃ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ａ ｎ ｄ Ｉ ｔ ｓ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ
ＹＡＮＧ Ｓ ｈ ｕ — ｘ ｉ ｎ ． ＺＨＡＮ Ｎｉ ｎ ｇ － ｂ ｏ ， Ｔ Ｉ ＡＮ Ｌｉ ｎ — ｈ ｕ ａ ｉ
ｑ ｕ ｂ ｉ ｔ ｓ ｉ ｎ Ｂｌ ｏ ｃ ｈ ｓ ｐ ｈ ｅ ｒ ｅ ． Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ａ ｖ ｏ ｉ ｄ ｐ ｒ ｅ ｍａ ｔ ｕ ｒ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ， ｔ ｈ ｅ ｍｕ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｉ ｎ ｄ ｉ ｖ ｉ ｄ ｕ ａ ｌ ｓ ｉ ｓ ａ ｃ ｈ ｉ ｅ ｖ ｅ ｄ ｗｉ ｔ ｈ Ｈａ ｄ ａ ｍａ ｒ ｄ ｇ ａ ｔ ｅ ｓ ． Ｓ ｕ ｃ ｈ
ｅ ｘ ｐ ｒ ｅ ｓ ｓ ｅ ｄ ｗｉ ｔ ｈ ｑ ｕ ｂ ｉ ｔ ｓ ， ｔ ｈ ｅ ａ ｘ ｉ ｓ ｏ ｆ ｒ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｉ ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｗｉ ｔ ｈ Ｐ ａ ｕ ｌ ｉ ｍａ ｔ ｒ ｉ ｘ ， ａ ｎ ｄ ｔ ｈ ｅ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｓ ｅ ａ ｒ ｃ ｈ ｉ ｓ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｄ ｗｉ ｔ ｈ ｔ ｈ ｅ ｒ ｏ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ
题 ，提出一种改进 的量子遗传算法 。基于 Ｂ ｌ ｏ ｃ ｈ球面建立搜索机制 ，使用量子位描述 个体 ，采 用泡利矩阵建立旋转轴 ，通 过量子位在 Ｂ ｌ ｏ ｃ ｈ球面上 的绕轴旋转实现进化搜索 ，利 用 Ｈａ ｄ ａ ｍａ ｒ ｄ门实现个体变异 ，以避 免早熟收敛 ，使 当前量子位沿着 Ｂ ｌ ｏ ｃ ｈ球面上的大 圆逼近 目标量子位 。实例结果表 明，该算法在经历大约 ２ ６ 步迭代后 ，绝对误差积分指标值 最小为 ４ ． １ ２ ２ ， 优化能力优于基于量子位 Ｂ ｌ ｏ ｃ ｈ坐标 的量子遗传算法和带精英保 留策 略的遗传算法 。 关健词 ：量子遗传算法 ；全 局搜索 ；Ｂ ｌ ｏ ｃ ｈ球面搜索 ；变异处理 ；旋转矩阵