基于局部搜索策略的量子遗传算法研究与应用
发布时间：2022-08-29 20:03
量子遗传算法是近年来愈发受人青睐的一种智能优化算法。较之传统遗传算法,将量子计算中的相关理论融入遗传算法,利用量子相干性和量子叠加态等量子特性,能够有效地提升算法的性能。然而,在面对一类形如多峰、不可微或者不连续的恶劣性质问题中,原生框架下的量子遗传算法仍有可能陷入局部寻优或者过早收敛的窘境。因此,针对上述问题,本文将若干局部搜索策略引入量子遗传算法,借助动态逆概率幅和双向解码等算子,提出了一种改进的量子遗传算法,以便能够更好地适应并解决问题。本文首先阐述了量子遗传算法同遗传算法一脉相承的进化过程与进化机理,深入分析了两者的共通点和差别。然后,对近年来量子遗传算法的相关研究与发展给予一定的叙述。接着,结合当前量子遗传算法自身所存在的局限性、在处理问题时所遇到的瓶颈,对算法的运算流程进行适当改进,包括编码方式、各项参数的设定、各个算子功能的设计等等。本文所涉及的算子主要包括:动态逆概率幅算子、双向解码算子、量子旋转门和量子非门。再后,对改进后量子遗传算法各功能区块运用开发工具进行编程实现。在实现的过程中,既保障了相关算子的正确运行,也确保了其本身在参与运算过程中的有效性。最后,对开发出的...
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
中文摘要
abstract
第1章 绪论
1.1 研究背景
1.2 研究内容
1.3 组织结构
1.4 研究方法
第2章 相关理论研究综述
2.1 基本遗传算法
2.1.1 遗传算法理论基础
2.1.2 遗传算法操作流程
2.1.3 遗传算子
2.1.4 遗传算法的发展
2.2 量子遗传算法
2.2.1 量子计算的概念
2.2.2 量子比特编码
2.2.3 量子旋转门
2.2.4 量子遗传算法的发展
2.3 量子遗传算法操作流程
2.4 局部搜索策略
2.5 全局优化问题综述
2.6 本章小结
第3章 算法设计
3.1 算法设计
3.1.1 编码方案
3.1.2 双向解码算子
3.1.3 全干扰交叉算子
3.1.4 量子变异
3.1.5 动态逆概率幅算子
3.1.6 量子旋转门设计
3.1.7 种群划分策略
3.2 算法流程
3.3 本章小结
第4章 基于局部搜索策略的量子遗传算法应用
4.1 应用场景
4.2 实验环境
4.2.1 实验平台
4.2.2 实验参数设置
4.2.3 终止条件判定
4.3 函数优化应用测试
4.3.1 多局部极值型
4.3.2 碗状
4.3.3 山谷状
4.3.4 山脊或水滴状
第5章 总结与展望
5.1 研究总结
5.2 不足
5.3 展望
参考文献
致谢
申请学位期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]集成电路技术领域最新进展及新技术展望[J]. 朱进宇,闫峥,苑乔,张少真. 微电子学. 2020(02)
[2]基于灾变因子的量子遗传算法研究[J]. 张秋艳,王默玉,申晓留,武书舟,闫丽娜,曹柳青. 计算机与数字工程. 2019(07)
[3]基于粒子群-遗传混合算法的函数优化研究[J]. 刘文英,张自鲁,路慎强,张晓燕. 计算机技术与发展. 2019(10)
[4]基于种群划分与变异策略的粒子群优化算法[J]. 张晓燕,赫俊民,刘文英,林亚林. 计算机与现代化. 2019(05)
[5]基于多算子协同进化的自适应并行量子遗传算法[J]. 曲志坚,陈宇航,李盘靖,刘晓红,李彩虹. 电子学报. 2019(02)
[6]一种新的自适应量子遗传算法研究[J]. 马莹,王怀晓,刘贺,陈志龙. 计算机工程与应用. 2018(20)
[7]蚁群算法的基本原理及应用综述[J]. 肖艳秋,焦建强,乔东平,杜江恒,周坤. 轻工科技. 2018(03)
[8]基于Hadamard门变异的量子遗传算法[J]. 鄂旭,盖佳妮,周津,杨芳,刘春晓. 控制工程. 2018(01)
[9]多种群实数编码遗传算法在多峰函数优化中的应用[J]. 覃柏英,秦文东,林贤坤. 广西科技大学学报. 2015(03)
[10]通用量子计算机:理论、组成与实现[J]. 吴楠,宋方敏,LIXiang-Dong. 计算机学报. 2016(12)
博士论文
[1]全局优化问题的几类新算法[D]. 刘杰.西安电子科技大学 2015
[2]基于元模型的全局优化算法研究[D]. 魏昕.华中科技大学 2012
[3]粒子群优化算法的理论及实践[D]. 张丽平.浙江大学 2005
[4]多智能体进化模型和算法研究[D]. 钟伟才.西安电子科技大学 2004
硕士论文
[1]量子遗传算法的改进与研究[D]. 盖佳妮.渤海大学 2017
[2]粒子群优化算法的改进及应用[D]. 居凤霞.华南理工大学 2014
[3]遗传算法的改进及其在结构优化中的应用研究[D]. 罗钦平.中北大学 2012
[4]遗传算法在DNA计算中的研究与应用[D]. 范胜.安徽理工大学 2011
[5]量子智能算法及其在语音识别中的应用[D]. 陈兰.南京邮电大学 2011
[6]遗传算法的改进及其应用研究[D]. 王璇.华北电力大学（北京） 2010
[7]自适应小生境遗传算法的研究[D]. 蒋昀昕.安徽理工大学 2008
本文编号：3678924
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
中文摘要
abstract
第1章 绪论
1.1 研究背景
1.2 研究内容
1.3 组织结构
1.4 研究方法
第2章 相关理论研究综述
2.1 基本遗传算法
2.1.1 遗传算法理论基础
2.1.2 遗传算法操作流程
2.1.3 遗传算子
2.1.4 遗传算法的发展
2.2 量子遗传算法
2.2.1 量子计算的概念
2.2.2 量子比特编码
2.2.3 量子旋转门
2.2.4 量子遗传算法的发展
2.3 量子遗传算法操作流程
2.4 局部搜索策略
2.5 全局优化问题综述
2.6 本章小结
第3章 算法设计
3.1 算法设计
3.1.1 编码方案
3.1.2 双向解码算子
3.1.3 全干扰交叉算子
3.1.4 量子变异
3.1.5 动态逆概率幅算子
3.1.6 量子旋转门设计
3.1.7 种群划分策略
3.2 算法流程
3.3 本章小结
第4章 基于局部搜索策略的量子遗传算法应用
4.1 应用场景
4.2 实验环境
4.2.1 实验平台
4.2.2 实验参数设置
4.2.3 终止条件判定
4.3 函数优化应用测试
4.3.1 多局部极值型
4.3.2 碗状
4.3.3 山谷状
4.3.4 山脊或水滴状
第5章 总结与展望
5.1 研究总结
5.2 不足
5.3 展望
参考文献
致谢
申请学位期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]集成电路技术领域最新进展及新技术展望[J]. 朱进宇,闫峥,苑乔,张少真. 微电子学. 2020(02)
[2]基于灾变因子的量子遗传算法研究[J]. 张秋艳,王默玉,申晓留,武书舟,闫丽娜,曹柳青. 计算机与数字工程. 2019(07)
[3]基于粒子群-遗传混合算法的函数优化研究[J]. 刘文英,张自鲁,路慎强,张晓燕. 计算机技术与发展. 2019(10)
[4]基于种群划分与变异策略的粒子群优化算法[J]. 张晓燕,赫俊民,刘文英,林亚林. 计算机与现代化. 2019(05)
[5]基于多算子协同进化的自适应并行量子遗传算法[J]. 曲志坚,陈宇航,李盘靖,刘晓红,李彩虹. 电子学报. 2019(02)
[6]一种新的自适应量子遗传算法研究[J]. 马莹,王怀晓,刘贺,陈志龙. 计算机工程与应用. 2018(20)
[7]蚁群算法的基本原理及应用综述[J]. 肖艳秋,焦建强,乔东平,杜江恒,周坤. 轻工科技. 2018(03)
[8]基于Hadamard门变异的量子遗传算法[J]. 鄂旭,盖佳妮,周津,杨芳,刘春晓. 控制工程. 2018(01)
[9]多种群实数编码遗传算法在多峰函数优化中的应用[J]. 覃柏英,秦文东,林贤坤. 广西科技大学学报. 2015(03)
[10]通用量子计算机:理论、组成与实现[J]. 吴楠,宋方敏,LIXiang-Dong. 计算机学报. 2016(12)
博士论文
[1]全局优化问题的几类新算法[D]. 刘杰.西安电子科技大学 2015
[2]基于元模型的全局优化算法研究[D]. 魏昕.华中科技大学 2012
[3]粒子群优化算法的理论及实践[D]. 张丽平.浙江大学 2005
[4]多智能体进化模型和算法研究[D]. 钟伟才.西安电子科技大学 2004
硕士论文
[1]量子遗传算法的改进与研究[D]. 盖佳妮.渤海大学 2017
[2]粒子群优化算法的改进及应用[D]. 居凤霞.华南理工大学 2014
[3]遗传算法的改进及其在结构优化中的应用研究[D]. 罗钦平.中北大学 2012
[4]遗传算法在DNA计算中的研究与应用[D]. 范胜.安徽理工大学 2011
[5]量子智能算法及其在语音识别中的应用[D]. 陈兰.南京邮电大学 2011
[6]遗传算法的改进及其应用研究[D]. 王璇.华北电力大学（北京） 2010
[7]自适应小生境遗传算法的研究[D]. 蒋昀昕.安徽理工大学 2008
本文编号：3678924
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3678924.html
