一種基于量子機(jī)制的智能優(yōu)化算法
【專利摘要】本發(fā)明涉及一種基于量子機(jī)制的智能優(yōu)化算法。該算法將量子機(jī)制引入到進(jìn)化算法中，并根據(jù)實(shí)際問題的不同，將量子進(jìn)化算法同優(yōu)化算法組合，既保持了種群的多樣性，又加速了進(jìn)化算法的收斂速度，組合算法可以發(fā)揮兩個(gè)算法的優(yōu)點(diǎn)，使得算法的適應(yīng)性更強(qiáng)。
【專利說明】
-種基于量子機(jī)制的智能優(yōu)化算法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種基于量子機(jī)制的智能優(yōu)化算法。
【背景技術(shù)】
[0002] 智能優(yōu)化算法，如人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模擬退火、粒子群算法及其優(yōu)化策略 等，通過模擬或掲示某些自然現(xiàn)象或過程而得到發(fā)展，其內(nèi)容設(shè)及數(shù)學(xué)、物理學(xué)、生物進(jìn)化、 人工智能、神經(jīng)科學(xué)和統(tǒng)計(jì)力學(xué)等方面，為解決復(fù)雜問題提供了新的思路和手段。量子計(jì)算 利用了量子理論中有關(guān)量子態(tài)的疊加、糾纏和干設(shè)等特性，通過量子并行計(jì)算使得某些在 經(jīng)典計(jì)算機(jī)上計(jì)算復(fù)雜度很高的問題有可能降低其復(fù)雜度。由于量子計(jì)算機(jī)尚未實(shí)現(xiàn)，因 此如何在傳統(tǒng)計(jì)算機(jī)利用量子計(jì)算也是一個(gè)研究的熱點(diǎn)。本發(fā)明屬于智能優(yōu)化算法的一 種，利用量子機(jī)制的優(yōu)點(diǎn)，進(jìn)一步提高優(yōu)化算法的求解能力及運(yùn)算效率。 陽00引相關(guān)參考文獻(xiàn)：
[1] Michael A.Nielsen， Isaac L.Chuang. Quantum Computation and Quantum Information. Cambridge University Press，2000。
[0004] [2] Barenco A. , Deutsch D. , Ekert A. and Jozsa R. Conditional quantum dynamics and logic gates. Phys. Rev. Lett. ,1995,74 (20): 4083-4088。
[0005] [3] Shor P. W. Quantum Computing. Proceedings of the International Congress of Mathematicians，1998 :467-486。
[0006] [4]王凌，吳吳，唐芳，鄭大鐘，金w慧.混合量子遺傳算法及其性能分析.控制 與決策，2005,20(2): 156-160。
[0007] [引夏培肅.量子計(jì)算.計(jì)算機(jī)研究與發(fā)展，2001,38(10): 1153-1171。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明在智能優(yōu)化算法的基礎(chǔ)上，引入了量子機(jī)制，對(duì)智能優(yōu)化算法進(jìn)行了若干 的改進(jìn)，根據(jù)求解問題的不同，將不同的優(yōu)化算法組合W取得更好的求解能力。
[0009] 量子組合優(yōu)化算法（如antum Combinatorial Optimal Algorithm, QC0A)。算法 分為兩個(gè)階段，分別采用量子進(jìn)化算法和智能優(yōu)化算法對(duì)兩個(gè)不同群體Groupl與GroupII 進(jìn)行優(yōu)化，兩個(gè)群體之間相互聯(lián)系相互影響，Groupl與GroupII的群體規(guī)模分別為化2打， GroupII的打個(gè)初始個(gè)體來源于Groupl，同時(shí)GroupII中的最優(yōu)解將指導(dǎo)Groupl中1/4初 始個(gè)體的生成。通過兩階段優(yōu)化W保持種群的多樣性，避免早熟，根據(jù)不同的問題采用不同 的算法同量子進(jìn)化算法相結(jié)合，W提高算法的適應(yīng)性。
[0010] 組合優(yōu)化算法（QC0A)將整個(gè)種群分為兩部分Groupl and GroupII,如圖1所示， Groupl種群規(guī)模為A利用量子進(jìn)化算法進(jìn)行優(yōu)化；Groupn種群規(guī)模為2化利用智能優(yōu)化 算法進(jìn)行優(yōu)化。智能優(yōu)化算法根據(jù)不同的應(yīng)用問題選擇不同的優(yōu)化算法，例如連續(xù)性問題 可W選用粒子群優(yōu)化算法。Groupl and Groupn是相互獨(dú)立的，又是相互聯(lián)系的，我們將在 算法流程中給出二者之間的關(guān)系。
[0011] 組合優(yōu)化算法流程見圖2。算法分為兩個(gè)階段，第一階段對(duì)Groupl利用量子進(jìn)化 算法進(jìn)行優(yōu)化，第二階段采用智能優(yōu)化算法對(duì)Groupn進(jìn)行優(yōu)化。下面我們將對(duì)兩個(gè)階段 分別給出解釋。
[0012] 1)第一階段，當(dāng)t聲0時(shí)，算法要從GroupII中選擇一個(gè)最優(yōu)個(gè)體，作為指導(dǎo)，生 成Groupl中一部分初始個(gè)體。也就是說，根據(jù)當(dāng)前最優(yōu)個(gè)體推出一個(gè)指導(dǎo)量子染色體，然 后在它的周圍隨機(jī)散布量子染色體作為下一代的量子種群，用公式表示為
其中AU)為到第?代為止的最優(yōu)個(gè)體，化為指導(dǎo)量子染色體，a為AU)影響因子，A 為量子種群隨機(jī)散布的方差。1)產(chǎn)生0到1之間的隨機(jī)數(shù)。
[0013] 采用上述的觀察方式，要W概率1得到染色體/^ =[0 0 1 1 0]，只需令量子染色 體0=[1 1 0 0 1]，即0=。如果是捜索空間中的最優(yōu)解，則種群中的量子染色體越接 近供得到最優(yōu)解的概率越大。a的值越小，量子種群受每的影響越大，當(dāng)3=0時(shí)，路=.歹 ，觀察每后將W概率1得到A -般取江詩採蝴.巧，A e化1，0. 3]。
[0014] 2)同一般進(jìn)化算法不同的是，在GroupII中初始種群中有如^個(gè)體來自于 Groupl,余下的η個(gè)個(gè)體是上一代中適應(yīng)度最好的η個(gè)個(gè)體。第一階段Groupl種群規(guī)模為 打，運(yùn)個(gè)體將在第二階段被加入到GroupII中，Groupn在上一代進(jìn)化完成后淘汰掉了 η個(gè)個(gè)體，再加上完成第一階段后加入的η個(gè)個(gè)體，運(yùn)樣保證了第二階段GroupII的種群規(guī) 模為2化
[0015] 3)將量子進(jìn)化算法同一般優(yōu)化算法結(jié)合，量子進(jìn)化計(jì)算的結(jié)果可W增加優(yōu)化算法 中種群的多樣性，優(yōu)化算法反過來對(duì)量子進(jìn)化的指導(dǎo)，可W加速量子進(jìn)化計(jì)算的收斂，將二 者結(jié)合可W發(fā)揮兩個(gè)算法的優(yōu)點(diǎn)，使得算法的適應(yīng)性更強(qiáng)。
【主權(quán)項(xiàng)】
1. 一種基于量子機(jī)制的智能優(yōu)化算法，其特點(diǎn)在于： 算法將量子機(jī)制引入到智能優(yōu)化算法中，充分利用量子計(jì)算的優(yōu)點(diǎn)，以保持種群的多 樣性；結(jié)合實(shí)際問題選擇智能優(yōu)化算法與量子機(jī)制算法組合，以發(fā)揮優(yōu)化算法的優(yōu)勢(shì)，加速 量子機(jī)制算法的收斂，將二者結(jié)合可以發(fā)揮兩個(gè)算法的優(yōu)點(diǎn)，使得算法的適應(yīng)性更強(qiáng)。
【文檔編號(hào)】G06N3/12GK105989409SQ201510044524
【公開日】2016年10月5日
【申請(qǐng)日】2015年1月29日
【發(fā)明人】豐小月, 管仁初, 梁艷春
【申請(qǐng)人】豐小月