本發(fā)明屬于計(jì)算機(jī)科學(xué)和智能交通系統(tǒng)
技術(shù)領(lǐng)域：
，具體涉及一種城市交通路網(wǎng)實(shí)時(shí)動(dòng)態(tài)多路口路徑導(dǎo)航量子搜索方法。
背景技術(shù)：
：大中城市交通路網(wǎng)日益擁堵，因擁堵產(chǎn)生的時(shí)間成本、管理成本和經(jīng)濟(jì)成本越來越大，交通擁堵增加了居民出行時(shí)間，影響了人們的工作效率和生活質(zhì)量，制約了城市發(fā)展，增加了能源消耗和尾氣排放，加劇了環(huán)境污染，解決城市交通路網(wǎng)的擁堵問題利國利民。然而城市交通路網(wǎng)格局已難以改變，道路資源有限，高效的路徑導(dǎo)航和合理的道路資源分配成為解決城市路網(wǎng)擁堵的主要途徑。路徑導(dǎo)航可以分為靜態(tài)路徑導(dǎo)航和動(dòng)態(tài)路徑導(dǎo)航，靜態(tài)路徑導(dǎo)航指的是以物理地理信息和交通規(guī)則等條件為約束來尋求最短路徑，動(dòng)態(tài)路徑導(dǎo)航是在靜態(tài)路徑導(dǎo)航的基礎(chǔ)上，結(jié)合實(shí)時(shí)的交通信息對預(yù)先規(guī)劃好的最優(yōu)行車路線進(jìn)行適時(shí)的調(diào)整直至到達(dá)目的地最終得到最優(yōu)路徑。目前，投入市場應(yīng)用的成熟路徑導(dǎo)航系統(tǒng)大多基于靜態(tài)的路徑導(dǎo)航，主要有Dijkstra算法、Lee算法、Floyd算法、盲目搜索、A*啟發(fā)式算法等，然而面對存在眾多不穩(wěn)定因素的交通現(xiàn)實(shí)，用戶并不滿足于現(xiàn)有的系統(tǒng)。靜態(tài)的路徑導(dǎo)航雖然可以迅速找到單個(gè)車輛的最優(yōu)路徑，但由于缺乏車輛間協(xié)調(diào)很難避免道路局部擁堵和其他局部資源相對閑置，并且發(fā)生交通事故和交通堵塞時(shí),靜態(tài)路徑導(dǎo)航不能實(shí)時(shí)根據(jù)路況信息及時(shí)改變路線。因此為車輛提供實(shí)時(shí)動(dòng)態(tài)的路徑導(dǎo)航對緩解道路交通擁堵至關(guān)重要。車輛動(dòng)態(tài)路徑導(dǎo)航基于歷史的、當(dāng)前的交通信息數(shù)據(jù)對未來交通流量進(jìn)行預(yù)測,并用于及時(shí)調(diào)整和更新最佳行車路線,從而有效減少道路阻塞和交通事故。動(dòng)態(tài)路徑導(dǎo)航中交通預(yù)測的重要性逐漸凸顯，越來越多的研究學(xué)者們應(yīng)用卡爾曼濾波方法、時(shí)間序列方法、神經(jīng)網(wǎng)絡(luò)法、Markov預(yù)測及灰色預(yù)測理論等對交通信息預(yù)測進(jìn)行了深入研究。雖然隨著網(wǎng)絡(luò)的蓬勃發(fā)展，為車輛提供實(shí)時(shí)的路徑導(dǎo)航信息已不難做到，但簡單的動(dòng)態(tài)實(shí)時(shí)預(yù)測流模型限制了實(shí)時(shí)預(yù)測模型的準(zhǔn)確性，致使對實(shí)時(shí)的交通緊急狀況的處理能力較差，而復(fù)雜的動(dòng)態(tài)實(shí)時(shí)預(yù)測模型考慮因素眾多，計(jì)算復(fù)雜度隨路網(wǎng)規(guī)模增大呈指數(shù)級增加，因此目前的動(dòng)態(tài)路徑導(dǎo)航尚不成熟，多數(shù)停留在理論階段。動(dòng)態(tài)實(shí)時(shí)預(yù)測模型的準(zhǔn)確性和復(fù)雜性的矛盾限制了動(dòng)態(tài)路徑導(dǎo)航的發(fā)展。技術(shù)實(shí)現(xiàn)要素：為了解決上述技術(shù)問題，本發(fā)明提供了一種城市交通路網(wǎng)實(shí)時(shí)動(dòng)態(tài)多路口路徑導(dǎo)航量子搜索方法，通過綜合考慮影響交通的各種因素并量化這些因素以此評估路徑導(dǎo)航方案得到能有效緩解交通擁堵的導(dǎo)航方案，并使得城市交通路網(wǎng)道路資源利用率最大化。本發(fā)明所采用的技術(shù)方案是：一種城市交通路網(wǎng)實(shí)時(shí)動(dòng)態(tài)多路口路徑導(dǎo)航量子搜索方法，將真實(shí)路網(wǎng)映射成模型圖R(B,E)，其中B表示路口節(jié)點(diǎn)集合，Bi(i＝1,2,...,r)表示單個(gè)路口節(jié)點(diǎn)，r是總路口數(shù)，E表示帶方向的路段集合；假設(shè)該路網(wǎng)中有n輛車，任一輛車w都有當(dāng)前起始點(diǎn)Ps和目的地終點(diǎn)Pd，則該車的某條可行路徑用連續(xù)相鄰路口節(jié)點(diǎn)表示為{Ps,...,Pi,...,Pd}；每輛車均選擇一條可行路徑，所有車的行駛路徑形成一個(gè)可行路徑集合FPSn，即一個(gè)路徑導(dǎo)航方案；其特征在于，所述方法包括以下步驟：步驟1：根據(jù)車輛數(shù)n、起止點(diǎn)信息及每輛車的可選路徑，初始化車輛集{v1,v2,...,vn}及可選路徑集其中vi表示第i輛車，表示第i輛車的一條可選路徑；步驟2：對車輛及其可選路徑0,1,...,bi進(jìn)行量子編碼{|0>,|1>,...,|2n×h-1>}，確定量子態(tài)可完全表示所有的路徑導(dǎo)航方案；其中bi表示第i輛車的可選路徑數(shù)，h表示對可選路徑編碼需要的最少二進(jìn)制位數(shù)；步驟3：根據(jù)路況信息確定各影響因素的獨(dú)立乘法因子αi,βj，確定效用值計(jì)算函數(shù)U(x)；其中每種路徑導(dǎo)航方案對應(yīng)自變量x值；步驟4：制備路徑導(dǎo)航方案的等權(quán)疊加態(tài)|x>，計(jì)算每個(gè)路徑導(dǎo)航方案x對應(yīng)的效用值|U(x)|，得到效用值函數(shù)的等權(quán)疊加態(tài)|U(x)>；步驟5：確定效用值的經(jīng)驗(yàn)值k，對效用值函數(shù)的等權(quán)疊加態(tài)|U(x)>進(jìn)行量子搜索，搜索出滿足要求的效用值|Us>；步驟6：輸出滿足要求的效用值Us及對應(yīng)的路徑導(dǎo)航方案，對每輛車進(jìn)行路徑導(dǎo)航。作為優(yōu)選，步驟3中所述效用值函數(shù)U(x)為：U(x)＝Fr(x)×(α1×Rs(x)+α2×Sl(x)+α3×Ls(x)+α4×Os(x)+α5×Fd(x))-(β1×Ta(x)+β2×Tc(x)+β3×De(x)+β4×Oc(x)+β5×Tl(x))其中Fr(x)表示路段是否可抵達(dá)，取1表示可達(dá)，取0表示不可達(dá)；Rs(x)表示路段狀況，取值[0，1]；Sl(x)表示速度限制，取值[0，1]；Ls(x)表示路段照明狀況，取值[0，1]；Os(x)表示司機(jī)對系統(tǒng)推薦的順從程度，取值[0，1]；Fd(x)表示司機(jī)對路段的熟悉程度，取值[0，1]；Ta(x)表示突發(fā)的交通事故或臨時(shí)管制等帶來的道路影響，取值[0，1]；Tc(x)表示所選路徑耗費(fèi)的時(shí)間代價(jià)，取值[0，∞]；De(x)表示所選路徑耗費(fèi)的距離代價(jià)，取值[0，∞]；Oc(x)表示所選路徑耗費(fèi)的油量代價(jià)，取值[0，∞]；Tl(x)表示交通燈的影響，取值[0，1]；αi(i＝1,2,...,5)、βi(i＝1,2,...,5)分別表示各影響因素對應(yīng)的獨(dú)立乘法因子。作為優(yōu)選，步驟4的具體實(shí)現(xiàn)包括以下子步驟：步驟4.1：利用Hadamard門制備初始自變量路徑導(dǎo)航方案的量子等權(quán)疊加態(tài)其中N表示量子態(tài)總數(shù)；步驟4.2：設(shè)計(jì)函數(shù)對應(yīng)的幺正變換線路UU(x)及可用于實(shí)現(xiàn)函數(shù)計(jì)算的輔助量子比特|z>；步驟4.3：輸入路徑導(dǎo)航方案的等權(quán)疊加態(tài)，并行計(jì)算函數(shù)U(x)：UU(x)|x>|z>=|x>|z⊕U(x)>;]]>步驟4.4：得到效用值函數(shù)的等權(quán)疊加態(tài)|U(x)>。作為優(yōu)選，步驟5的具體實(shí)現(xiàn)包括以下子步驟：步驟5.1：給出用于確定目標(biāo)態(tài)的諭示函數(shù)f(y)，并設(shè)置對應(yīng)的量子線路；f(y)={1,ify≥k0,else;]]>效用值函數(shù)的等權(quán)疊加態(tài)|U(x)>經(jīng)過諭示函數(shù)判別之后，函數(shù)值f(x)為1的態(tài)為目標(biāo)態(tài)；步驟5.2：將目標(biāo)態(tài)累加，得出目標(biāo)態(tài)數(shù)m并計(jì)算綜合效用值目標(biāo)態(tài)|Ua>；|Ua>=1mΣi=0m-1|ai>;]]>其中，ai表示目標(biāo)態(tài)，|ai>表示目標(biāo)態(tài)的量子形式；步驟5.3：根據(jù)|Ua>確定諭示詢問O，確定O變換；O＝I-2|Ua><Ua|；其中I表示與|Ua>量子位數(shù)相同的等權(quán)疊加態(tài)，<Ua|表示|Ua>的共軛矢量；步驟5.4：根據(jù)等權(quán)疊加態(tài)確定D變換；其中，是所有基本狀態(tài)的等權(quán)疊加態(tài)，H表示Hadamard變換，用來制備等權(quán)疊加態(tài)，表示制備n×h位的等權(quán)疊加態(tài)；N表示量子態(tài)總數(shù)，|i>表示第i個(gè)量子態(tài)；步驟5.5：由O變換和D變換確定一次G變換G＝DO；步驟5.6：對效用值函數(shù)的等權(quán)疊加態(tài)|U(x)>進(jìn)行次的G變換，round表示最接近的整數(shù)；步驟5.7：觀測輸出的效用值態(tài)|Uout>及與之對應(yīng)的路徑導(dǎo)航方案|xout>，在時(shí)限內(nèi)搜索出滿足要求的效用值|Us>；步驟5.8：輸出效用值態(tài)|Us>對應(yīng)的路徑導(dǎo)航方案xs中為每輛車選中的導(dǎo)航路徑。作為優(yōu)選，步驟5.7的具體實(shí)現(xiàn)包括以下子步驟：步驟5.7.1：對G變換完成后的輸出進(jìn)行觀測，獲取效用值Uout和當(dāng)前搜索已用時(shí)ts；步驟5.7.2：如果ts<tmax，則執(zhí)行下述步驟5.7.3，其中tmax表示能保證路徑導(dǎo)航實(shí)時(shí)性的最大導(dǎo)航時(shí)間間隔；否則，執(zhí)行下述步驟5.7.5；步驟5.7.3：如果Uout<k，則ts＝ts+tc，并回轉(zhuǎn)執(zhí)行所述步驟5.7.2，其中tc表示執(zhí)行一次RGQS方法所需要的時(shí)間；否則，執(zhí)行下述步驟5.7.4；步驟5.7.4：若果Uout<km，則k＝Uout，ts＝ts+tc，并回轉(zhuǎn)執(zhí)行所述步驟5.7.2，其中km表示根據(jù)經(jīng)驗(yàn)設(shè)定的理想效用值；否則，執(zhí)行下述步驟5.7.5；步驟5.7.5：Us＝Uout，輸出Us。本發(fā)明構(gòu)造了一個(gè)城市交通路網(wǎng)的實(shí)時(shí)動(dòng)態(tài)多路口交通模型，將城市交通的各種影響因素整合為效用值用來評估路徑導(dǎo)航方案的優(yōu)劣；引入量子計(jì)算和量子搜索解決效用值的實(shí)時(shí)計(jì)算和搜索問題，在初始的道路條件確定后，運(yùn)用本發(fā)明提供的算法能實(shí)時(shí)進(jìn)行計(jì)算和搜索得到合適的效用值以及相應(yīng)的合適的路徑導(dǎo)航方案，為所有車輛提供路徑導(dǎo)航，使得整個(gè)城市的交通有效緩解并使得城市道路交通資源利用率最大化。附圖說明圖1是本發(fā)明實(shí)施例的真實(shí)路網(wǎng)與模型映射圖。圖2是本發(fā)明實(shí)施例的RGQS方法流程圖。圖3是本發(fā)明實(shí)施例的UVCQC算法流程圖。圖4是本發(fā)明實(shí)施例的UVCQC算法量子并行計(jì)算過程示意圖。圖5是本發(fā)明實(shí)施例的RNUQS算法示意圖。圖6是本發(fā)明實(shí)施例的RNUQS算法中一次G變換和次G變換的幾何示意圖。具體實(shí)施方式為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實(shí)施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。為了有效緩解交通擁堵，同時(shí)為行駛車輛提供實(shí)時(shí)的路徑導(dǎo)航，本發(fā)明提出一種城市交通路網(wǎng)實(shí)時(shí)動(dòng)態(tài)多路口路徑導(dǎo)航量子搜索方法。該方法針對城市路網(wǎng)中多路口的大量車輛進(jìn)行路徑效用值的計(jì)算，需要考慮的因素非常多，不僅包括司機(jī)對道路的客觀屬性及主觀偏好，還需要考慮到路線選擇對應(yīng)的耗費(fèi)成本，以及道路上可能出現(xiàn)的突發(fā)事件等不確定因素。使用量子計(jì)算和量子搜索對影響因素和路徑導(dǎo)航方案進(jìn)行實(shí)時(shí)計(jì)算和搜索，得到合適的效用值及對應(yīng)的路徑導(dǎo)航方案，在滿足行駛車輛個(gè)體利益的同時(shí)，實(shí)現(xiàn)整個(gè)城市路網(wǎng)道路資源利用率的最大化。本發(fā)明將真實(shí)路網(wǎng)(如圖1(a))映射成模型圖R(B,E)(如圖1(b))，B是節(jié)點(diǎn)，E是節(jié)點(diǎn)間帶方向的矢量箭頭，R是由B和E組成的圖。圖1(a)中的路口依次映射為圖1(b)中的節(jié)點(diǎn)B1,B2,...,B12，圖1(a)中的路段映射為圖1(b)帶方向的矢量箭頭，圖1(a)中的真實(shí)路網(wǎng)映射為圖1(b)中的圖R。每個(gè)節(jié)點(diǎn)B表示圖1(a)中的一個(gè)路口，節(jié)點(diǎn)Bi(i＝1,2,...,r)表示第i個(gè)路口，其中r是總路口數(shù)，每個(gè)矢量箭頭E表示一個(gè)路段。假設(shè)該路網(wǎng)中有n輛車，任一輛車w都有當(dāng)前起始點(diǎn)Ps和目的地終點(diǎn)Pd，則該車的某條可行路徑可以用連續(xù)相鄰路口表示為{Ps,...,Pi,...,Pd}。每輛車均選擇一條可行路徑，所有車的行駛路徑形成一個(gè)可行路徑集合FPSn,即一個(gè)路徑導(dǎo)航方案。由于車輛數(shù)以及每輛車可行路徑數(shù)均很多，故路徑導(dǎo)航方案的數(shù)量巨大，本發(fā)明需要解決的問題即可轉(zhuǎn)化為搜索最佳路徑，即求出最佳的FPSn。在真實(shí)的路網(wǎng)中由于路況不斷變化，因此路徑導(dǎo)航方案的搜索過程必須在一定的時(shí)間段內(nèi)實(shí)時(shí)更新，才能保證路徑導(dǎo)航方案的有效性，因此必須保證在有限的時(shí)間內(nèi)搜索出最佳路徑并實(shí)時(shí)地更新。本發(fā)明用效用值U評價(jià)路徑導(dǎo)航方案的優(yōu)劣，影響效用值大小的因素有許多，既包括不變因素，如車道數(shù)、路段速度限制、紅綠燈時(shí)長、司機(jī)對推薦導(dǎo)航方案的順從程度等，也包括隨時(shí)間不斷變化的因素，如可選路徑的距離、耗時(shí)、路況等，不變的因素本發(fā)明整合為偏好值P，變化的因素整合為成本值C，效用值的計(jì)算公式如式(1)所示。U＝P-C(1)效用值U是評價(jià)路徑導(dǎo)航方案優(yōu)劣的重要指標(biāo)，即當(dāng)路徑導(dǎo)航方案確定時(shí)，U值也是確定的，并且U值越大，路徑導(dǎo)航方案越好。由公式(1)知，U值取決于偏好值P和成本值C，偏好值的影響因素如表1所示，成本值的影響因素如表2所示，當(dāng)路徑導(dǎo)航方案確定時(shí)，U值由表1和表2中的因素決定。表1偏好值P的影響因素及參數(shù)定義表2成本值C的影響因素及參數(shù)定義表1和表2中各種因素對于效用值U的影響程度是不同的，因此計(jì)算U值的過程中，每種因素將根據(jù)城市規(guī)模和路徑導(dǎo)航目標(biāo)賦予相應(yīng)的權(quán)值。偏好值P是確定性的因素，表1定義了影響偏好值的因素，任一車輛確定了起始地和目的地后，偏好值是確定的。由此，某路段的偏好值P計(jì)算公式如式(2)所示。P＝Fr×(α1×Rs+α2×Sl+α3×Ls+α4×Os+α5×Fd)(2)其中αi(i＝1,2,...,5)分別是各影響因素對應(yīng)的獨(dú)立乘法因子，其值與城市規(guī)模、決策目標(biāo)的設(shè)定有關(guān)，乘法因子數(shù)值越大，該因素越重要，對效用值U的影響越大，在同一個(gè)交通路網(wǎng)中，所有的因子值是確定的。在任一條可選路徑中，各路段的偏好值累加即為該路徑的偏好值，偏好值越大，表示該路徑越優(yōu)。對于每條道路而言，偏好值P的大小是確定的，成本值C的大小不僅與選擇的路徑本身有關(guān)，還要考慮車輛之間的相互影響，表2定義了成本值的影響因素。在一輛車確定了路徑之后，Ta、De和Tl的值可以相應(yīng)計(jì)算，但油量成本Oc由時(shí)間成本Tc、距離成本De以及行駛速度綜合決定，而時(shí)間成本Tc的值卻不容易獲得和計(jì)算，由于花費(fèi)的時(shí)間不僅受路徑長度影響，還有路徑中各路段的擁堵程度影響，路段上的車輛數(shù)與道路的擁堵系數(shù)有著直接的關(guān)系，道路的擁堵系數(shù)與道路的平均行駛速度呈反相關(guān)。對于某個(gè)特定的路段，可以通過正在運(yùn)行的車輛數(shù)目估算出通過該路段的平均行駛速度，本發(fā)明用交通擁堵系數(shù)γ表示道路的擁堵狀況，車輛在道路上的平均行駛速度與交通擁堵系數(shù)息息相關(guān)，路段實(shí)際車輛數(shù)為n，閾值容量是H，擁堵容量是L，則擁堵系數(shù)γ的計(jì)算如式(3)所示。γ=1,n<HnH,H≤n<LLH+enL,n≥L---(3)]]>時(shí)間成本Tc確定之后，油量成本Oc和成本值C也可計(jì)算得到。當(dāng)所有車輛的可行路徑確定后，任一條路徑的成本值C可如式(4)計(jì)算得到。C＝β1×Ta+β2×Tc+β3×De+β4×Oc+β5×Tl(4)其中，βi(i＝1,2,...,5)是影響成本值C的各影響因素的獨(dú)立乘法因子，其值與城市規(guī)模、決策目標(biāo)設(shè)定有關(guān)，它們的大小分別代表了各影響因素對成本值C的影響程度，也代表了其重要性程度。當(dāng)某路徑成本值C越小，該路徑越優(yōu)，所有車輛的成本值累加即為最終的該路徑導(dǎo)航方案的成本值。效用值U可以衡量一個(gè)路徑導(dǎo)航方案的優(yōu)劣，高效用值也是一個(gè)交通系統(tǒng)良好運(yùn)行的重要特征。當(dāng)所有車輛的行駛路徑(即一種路徑導(dǎo)航方案)確定時(shí)，即可以計(jì)算其效用值，車輛的平均效用值代表了車輛路徑導(dǎo)航方案的優(yōu)劣，效用值越高，導(dǎo)航方案越好，交通狀況越好。當(dāng)所有可能導(dǎo)航方案的效用值U獲得后，選擇出最佳效用值Umax的路徑導(dǎo)航方案進(jìn)行車輛誘導(dǎo)，實(shí)現(xiàn)了最佳的交通導(dǎo)航。然而對一個(gè)大型城市路網(wǎng)而言，所有可能的路徑導(dǎo)航方案數(shù)是巨大的，使用普通的計(jì)算機(jī)進(jìn)行計(jì)算搜索時(shí)，由于計(jì)算速度和搜索速度的限制，無法實(shí)現(xiàn)整個(gè)路網(wǎng)車輛調(diào)度的實(shí)時(shí)性。在有限時(shí)間內(nèi)搜索出最佳導(dǎo)航方案才具有實(shí)際應(yīng)用價(jià)值。因此，本發(fā)明提出一種城市交通路網(wǎng)實(shí)時(shí)動(dòng)態(tài)多路口路徑導(dǎo)航量子搜索方法RGQS，如圖2所示，RGQS方法流程請見表3；RGQS方法由UVCQC算法和RUNQS算法構(gòu)成。量子計(jì)算機(jī)的并行能力以及量子搜索算法的搜索能力突破了計(jì)算速度和搜索速度的限制，實(shí)現(xiàn)了整個(gè)路網(wǎng)路徑導(dǎo)航的實(shí)時(shí)性。表3RGQS方法流程若路網(wǎng)中共n輛車，編號(hào)分別為V1,V2,...,Vn，任一輛車Vi均有自身的起點(diǎn)和終點(diǎn)，起點(diǎn)和終點(diǎn)之間可選的路徑有一條或若干條，這些路徑均為系統(tǒng)為司機(jī)選擇的滿足司機(jī)要求的路徑，設(shè)這n輛車的可選路徑數(shù)分別為b1,b2,...,bn，路徑用路口集合表示，Vi,j表示第i輛車的第j條路徑，一個(gè)路徑導(dǎo)航方案就是為每輛車提取一條路徑的集合，如集合(其中，ai(i＝1,2,...,n)表示第i輛車中的任一條可選路徑)即為一種路徑導(dǎo)航方案。路徑導(dǎo)航方案與其效用值一一對應(yīng)，路徑導(dǎo)航方案為自變量x，效用值U為函數(shù)，其函數(shù)關(guān)系表示如式(5)所示。U(x)＝P(x)-C(x)(5)；其中，自變量x取值范圍為x在計(jì)算機(jī)中的形式用比特位0和1表示，每個(gè)x的取值唯一代表一個(gè)路徑導(dǎo)航方案，為了更清晰的表示，路徑導(dǎo)航方案x的二進(jìn)制位需表示出每輛車所選的路徑，那么每輛車的可選路徑均需一定數(shù)目的二進(jìn)制位來表示，取滿足該式max{b1,b2,...,bn}≤2h最小h值來對x進(jìn)行編碼，每輛車的路徑數(shù)需要h位二進(jìn)制表示，共需n×h位二進(jìn)制來表示路徑導(dǎo)航方案數(shù)，如車輛數(shù)規(guī)模為1000，每輛車的路徑用3位編碼，則需3000位表示一種路徑導(dǎo)航方案，存儲(chǔ)這些方案需要的空間為23000個(gè)比特。經(jīng)典計(jì)算機(jī)無法存儲(chǔ)，更無法計(jì)算。而量子計(jì)算機(jī)在數(shù)據(jù)存儲(chǔ)和并行運(yùn)算上擁有著卓越的性能，由于疊加態(tài)的存在，3000量子比特可以存儲(chǔ)的數(shù)據(jù)理論上是23000比特，相對于經(jīng)典計(jì)算機(jī)而言，量子計(jì)算機(jī)的存儲(chǔ)能力幾乎沒有上限，因此可以解決路徑導(dǎo)航方案的存儲(chǔ)問題，而量子計(jì)算機(jī)最優(yōu)越的性能在于對連續(xù)變量真正意義上的并行計(jì)算(對所有自變量同時(shí)操作，運(yùn)行一次得到所有函數(shù)值)。因此可以解決效用值的并行計(jì)算問題。量子計(jì)算機(jī)中存儲(chǔ)的基本單位是態(tài)，經(jīng)典計(jì)算機(jī)中只有0和1兩種態(tài)，而在量子計(jì)算機(jī)中存在疊加態(tài)，即存在可以既非0也非1的疊加態(tài)，因此在經(jīng)典計(jì)算機(jī)中一個(gè)3000位的二進(jìn)制僅能表示一種路徑導(dǎo)航方案xi，而在量子計(jì)算機(jī)中3000量子比特可以表示23000種路徑導(dǎo)航方案，只要該量子態(tài)未被觀測，可以認(rèn)為這23000種路徑導(dǎo)航方案同時(shí)被存儲(chǔ)，量子計(jì)算機(jī)非常適合對這些連續(xù)變量的存儲(chǔ)，并且每種路徑導(dǎo)航方案都以同樣的概率存在，這個(gè)概率在量子力學(xué)中用概率幅σ表示，某個(gè)路徑導(dǎo)航方案概率幅的平方σ2等于該路徑導(dǎo)航方案可以被輸出的概率(在輸出端被觀測到的概率)。本發(fā)明用自變量x表示路徑導(dǎo)航方案，函數(shù)U(x)表示該導(dǎo)航方案的效用值，在量子計(jì)算機(jī)中，兩者均用量子態(tài)表示，分別用兩個(gè)寄存器存儲(chǔ)，自變量x初始化如式(6)所示。|x>=12n×h(|0>+|1>+|2>+...+|2n×h-1>)---(6)]]>如圖3所示，路徑導(dǎo)航方案由車輛數(shù)n和車輛的起點(diǎn)終點(diǎn)信息決定，可以用二進(jìn)制編碼表示出所有路徑導(dǎo)航方案，導(dǎo)航方案的總數(shù)小于等于2n×h，令S＝2n×h，因此用S個(gè)量子態(tài)可以完全表示所有的路徑導(dǎo)航方案。自變量x的等權(quán)疊加態(tài)(即所有的路徑導(dǎo)航方案)是量子計(jì)算的輸入，式(6)中表示路徑導(dǎo)航方案存在的概率幅σ(其平方σ2表示對應(yīng)路徑導(dǎo)航方案的概率),S個(gè)態(tài)分別表示N個(gè)路徑導(dǎo)航方案x取值，其中S＝N，所有路徑導(dǎo)航方案在疊加態(tài)中的存在概率均為式(6)中的量子態(tài)為簡寫形式，比如態(tài)|0>實(shí)際是所有態(tài)的總位數(shù)均為n×h位，n表示車輛數(shù)，其中每輛車可選擇的路徑均用h位二進(jìn)制表示，如第i個(gè)h位全0表示第i輛車所選的路徑為第一條(編號(hào)為0)，這S個(gè)量子態(tài)全面表示了所有的路徑導(dǎo)航方案，路徑導(dǎo)航方案的存儲(chǔ)和輸入均可以有效的解決。UVCQC算法中函數(shù)U(x)的計(jì)算如式(7)所示。U(x)=Fr(x)×(α1×Rs(x)+α2×S1(x)+α3×Ls(x)+α4×Os(x)+α5×Fd(x))-(β1×Ta(x)+β2×Tc(x)+β3×De(x)+β4×Oc(x)+β5×T1(x))---(7)]]>進(jìn)行不同的量子計(jì)算需要不同的量子線路，量子線路需根據(jù)函數(shù)確定，在量子計(jì)算機(jī)中運(yùn)算函數(shù)時(shí)必須使用幺正變換Uf，下標(biāo)f指的是某函數(shù)，不同的幺正變換使用不同的量子線路，量子計(jì)算機(jī)中還需要借助一個(gè)輔助量子比特|z>來實(shí)現(xiàn)幺正變換并獲得函數(shù)，具體計(jì)算過程如式(8)所示。Uf|x>|z>=|x>|z⊕f(x)>---(8)]]>在這個(gè)變換中，對于一個(gè)特定的輸出，輸入是唯一的。如圖3所示，確定了效用值函數(shù)U(x)后，需根據(jù)U(x)設(shè)定合適的量子線路和輔助量子比特實(shí)現(xiàn)幺正變換，每個(gè)態(tài)即自變量x對應(yīng)一個(gè)效用函數(shù)值U(x)，所有的自變量同時(shí)執(zhí)行同樣的操作，并行完成效用值的計(jì)算，由量子力學(xué)的性質(zhì)可以得到其計(jì)算過程如式(9)所示。UU(x)|x>|z>=|x>|z⊕U(x)>---(9);]]>在量子計(jì)算特定的線路中運(yùn)行一次的結(jié)果如式(10)所示。圖4是UVCQC算法量子并行計(jì)算一次的過程。1S(|0>|U(0)>+|1>|U(1)>+...+|S-1>|U(S-1)>)---(10);]]>所有的U值存儲(chǔ)在另一個(gè)寄存器中，假設(shè)在自變量一端觀測到|i>，那么存儲(chǔ)U值的寄存器也坍縮為|U(i)>，觀測到i后，存儲(chǔ)U值的寄存器觀測到的值是U(i)的概率為1，反過來也是一樣。通過以上分析，可以得到UVCQC算法流程如表4所示。表4UVCQC算法前述解決了效用值U各影響因素的獲取和計(jì)算，然而量子計(jì)算機(jī)雖然可以進(jìn)行并行計(jì)算，但是結(jié)果的提取卻并不容易，而且一定是單輸出的，即量子計(jì)算機(jī)可以計(jì)算出所有導(dǎo)航方案的效用值，但是在輸出端觀測時(shí)一定會(huì)坍縮，最終可以獲得輸出的效用值只有一個(gè)。而對于城市路網(wǎng)路徑導(dǎo)航問題只需要獲得一種最佳的路徑導(dǎo)航方案，因此只需要獲得與之相應(yīng)的一個(gè)效用值(最佳效用值)即可。前述得到了海量無序的效用值，而目前量子計(jì)算機(jī)對海量無序的數(shù)據(jù)進(jìn)行搜索已經(jīng)有了高效的算法，即量子搜索算法。但量子搜索算法只能解決已經(jīng)確定目標(biāo)態(tài)(目標(biāo)態(tài)指的是需要搜索的態(tài)，此處指最佳效用值對應(yīng)的態(tài))的情況，并且無法百分之百搜索成功，為了適應(yīng)實(shí)際問題的解決，本發(fā)明提出一種路網(wǎng)效用值量子搜索算法RNUQS，目的是從前述得到的效用值函數(shù)的量子疊加態(tài)|U(x)>中搜索到符合要求的效用值，并得到對應(yīng)的路徑導(dǎo)航方案。前述獲得效用值的等權(quán)疊加態(tài)，路徑導(dǎo)航問題轉(zhuǎn)化為一個(gè)最優(yōu)結(jié)果搜索問題，搜索的集合為{|U>}＝{|U(0)>,|U(1)>,...,|U(N-1)>}，效用值態(tài)的個(gè)數(shù)是S，目標(biāo)態(tài)(即需要輸出的態(tài))是Umax(最大的效用值)，目標(biāo)態(tài)是未知的，因此不能直接通過量子搜索算法獲得最大的效用值和與之對應(yīng)的路徑導(dǎo)航方案，本發(fā)明提出一種RNUQS算法。在真實(shí)路網(wǎng)中，不會(huì)產(chǎn)生擁堵的最小效用值可以認(rèn)為是一個(gè)固定的經(jīng)驗(yàn)值k，那么大于經(jīng)驗(yàn)值k的效用值均可以作為結(jié)果輸出，假設(shè)大于經(jīng)驗(yàn)值k的效用值個(gè)數(shù)為m，那么這m中的任何一個(gè)均滿足輸出條件。目標(biāo)態(tài)個(gè)數(shù)為m，RNUQS算法中用來確定目標(biāo)態(tài)的函數(shù)稱為諭示函數(shù)，令y＝U(x)，RNUQS采用的諭示函數(shù)如式(11)所示。f(y)=1,ify≥k0,else---(11)]]>效用值函數(shù)態(tài)|U(x)>經(jīng)過諭示函數(shù)判別之后，函數(shù)值f(x)為1的態(tài)為目標(biāo)態(tài)，m個(gè)目標(biāo)態(tài)隨之被鎖定，RNUQS算法通過態(tài)對應(yīng)的函數(shù)值是否為1判斷該態(tài)是否是目標(biāo)態(tài)，RNUQS算法能夠通過提升目標(biāo)態(tài)的概率幅得到正確的輸出。在搜索過程中用諭示函數(shù)檢驗(yàn)每個(gè)效用值是否為目標(biāo)態(tài)，然后通過Grover變換擴(kuò)大目標(biāo)態(tài)的概率幅提高目標(biāo)效用值態(tài)輸出的概率，如圖5所示，圖中G表示Grover變換，下面的闡述中簡稱G變換，進(jìn)行一次G變換即是進(jìn)行一次特定的量子迭代，經(jīng)過一定代數(shù)的G變換后，目標(biāo)效用值態(tài)的概率增長到一定程度，最終以接近1的概率輸出，從而獲得合適的目標(biāo)效用值態(tài)。其中，G＝DO，O表示諭示詢問，假設(shè)|Ua>是目標(biāo)態(tài)，經(jīng)過諭示詢問后將執(zhí)行幺正變換I-2|Ua><Ua|，如果為非目標(biāo)態(tài)將不執(zhí)行此操作，所以O(shè)的計(jì)算如式(12)所示。O＝I-2|Ua><Ua|(12)D的計(jì)算如式(13)所示。其中是所有基本狀態(tài)的等權(quán)疊加態(tài)，H表示Hadamard變換(用Hadamard門實(shí)現(xiàn))，用來制備等權(quán)疊加態(tài)，表示制備n×h位的等權(quán)疊加態(tài)。初始的等權(quán)疊加態(tài)每次經(jīng)過G變換后目標(biāo)效用值態(tài)的概率幅增加一點(diǎn)，非目標(biāo)效用值態(tài)則減少一點(diǎn)，經(jīng)過一定迭代次數(shù)的G變換后，目標(biāo)效用值態(tài)的輸出概率接近1，此時(shí)即可在輸出端觀測，得到合適的效用值。為了更好地理解一次G變換所起的作用，一次G變換可看作量子態(tài)在二維空間的量子變換，分為兩步，分別是O變換和D變換。如圖6(a)是一次G變換的幾何示意圖，圖6(b)是進(jìn)行次G變換的幾何示意圖，|Ua>是目標(biāo)態(tài)，當(dāng)前疊加態(tài)在目標(biāo)態(tài)上的投影表示該疊加態(tài)中目標(biāo)態(tài)的輸出概率幅，每經(jīng)過一次G變換，原始態(tài)向目標(biāo)態(tài)轉(zhuǎn)動(dòng)2θ角度，如圖6(a)所示，次G變換的過程如圖6(b)所示，圖6(a)中角度α是任意銳角，圖6(a)和6(b)的角度θ相等()。圖6(a)中，是初始的等權(quán)疊加態(tài)，|Ut>表示任意當(dāng)前態(tài)，所有的G變換都是對|Ut>進(jìn)行變換，|Ua>表示所有的目標(biāo)態(tài)的和，其計(jì)算過程如式(14)所示。|Ua>=1mΣi=0m-1|ai>---(14)]]>ai表示目標(biāo)態(tài)，表示|Ua>的正交態(tài)，與|Ua>垂直，|Ut>與的夾角設(shè)為α，與的夾角為θ，等權(quán)疊加態(tài)在目標(biāo)態(tài)|Ua>上的投影(概率幅)為意義是在等權(quán)疊加態(tài)下觀測到目標(biāo)態(tài)的概率是sin2θ＝m/N，當(dāng)前態(tài)是|Ut>，經(jīng)過一次G變換，當(dāng)前態(tài)變換為O|Ut>，|Ut>與O|Ut>關(guān)于對稱，O|Ut>再經(jīng)過一次D變換，變換為G|Ut>，O|Ut>與G|Ut>關(guān)于對稱，根據(jù)角度關(guān)系不難計(jì)算，G|Ut>與|Ut>的夾角為2θ，與α無關(guān)，每經(jīng)過一次G變換，當(dāng)前態(tài)逆時(shí)針旋轉(zhuǎn)角度2θ。由于效用值態(tài)|U>初始處于等權(quán)疊加態(tài)，經(jīng)過i次G變換后，與的夾角變?yōu)?2i+1)θ，為了使目標(biāo)態(tài)以接近1的概率輸出，應(yīng)使(2i+1)θ≈1，其中計(jì)算得round表示最接近的整數(shù)，因此只需進(jìn)行i次變換即可搜索到合適的目標(biāo)效用值，所需的時(shí)間復(fù)雜度僅為從i值的計(jì)算可以看出，由于i只能取整數(shù)，最終能得到目標(biāo)態(tài)的概率只是非常接近1，因此有輸出出錯(cuò)的可能，在實(shí)際的路徑導(dǎo)航中，錯(cuò)誤是不被允許的。針對這一問題，本發(fā)明提出一種量子檢錯(cuò)策略(QuantumErrorDetectionStrategy,QEDS)，QEDS策略流程如表5所示。經(jīng)驗(yàn)值k僅能保證有一個(gè)較合適的輸出，但輸出無法保證足夠優(yōu)化，在實(shí)際情況中可以設(shè)定一個(gè)理想的經(jīng)驗(yàn)值km，進(jìn)行多次搜索，在滿足實(shí)時(shí)性的最大時(shí)限tmax的前提下，盡可能多次的搜索，設(shè)搜索一次用時(shí)為tc，當(dāng)前已經(jīng)花費(fèi)時(shí)間為ts(初始為0)。表5QEDS策略由此，本發(fā)明提出的RNUQS算法流程如表6所示。表6RNUQS算法應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。應(yīng)當(dāng)理解的是，上述針對較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對本發(fā)明專利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā)明的請求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。當(dāng)前第1頁1 2 3