劉文程

[摘要]本文在介紹量子進化算法的基礎上，歸納總結(jié)了量子進化算法發(fā)展動態(tài)與現(xiàn)狀，并對目前量子進化算法的應用領域進行了綜述，拋磚引玉，希望能為相關(guān)問題的研究提供借鑒。

[關(guān)鍵詞]量子理論;進化算法;綜述

引言

量子學作為21世紀最偉大的發(fā)現(xiàn)之一，它為各國學者研究的難題帶來了新生的思路，這種理論幫助解決了一直以來困擾各國學者的難題，為現(xiàn)代物理學的發(fā)展奠定了基礎。而進化算法是目前研究較多的并行算法，它模仿生物學中進化、遺傳的過程，是一種能夠自適應的調(diào)解搜索尋優(yōu)算法，已被成功應用于多個應用研究領域。量子學和進化算法相結(jié)合交叉融合產(chǎn)生一門新興的學科領域，它的跨學科性為信息科學的發(fā)展提供了新的原理和方法，并巨捉進了相關(guān)的學科的發(fā)展。

一、發(fā)展動態(tài)與現(xiàn)狀分析

量子進化算法一方面吸取了量子計算方面的一些概念和理論，如量子位、量子疊加態(tài)等，采用量子比特編碼染色體，可以使一個量子染色體同時表征多個態(tài)的疊加，利用量子門作為更新算子來完成進化搜索。另一方面，基于進化機制將進化論、群智能、免疫原理、神經(jīng)網(wǎng)絡、多智能體系統(tǒng)等領域的一些思想、機制、操作和研究成果融入了量子計算，并設計了新的量子計算模式、搜索操作、優(yōu)化算法和相應的信息處理系統(tǒng)。

量子進化算法與群智能相結(jié)合主要是為了加快收斂速度，提高算法性能，何小峰等將量子力學中的量子態(tài)、量子位和量子邏輯門等引入蟻群優(yōu)化算法、蜂群優(yōu)化算法、人工魚群算法等群智能優(yōu)化算法當中去，提出了量子蟻群優(yōu)化算法、量子人工蜂群優(yōu)化算法、量子人工魚群算法，并給出了相應的基本思想和通用流程。

量子進化算法，利用免疫系統(tǒng)的機理再加上量子計算來設計新的模型。趙麗等對基于量子免疫機理的網(wǎng)絡人侵檢測模型中的兩個主要模塊檢測器生成模塊和人侵檢測模塊的算法進行了詳細的設計，并訓練出了多樣性高的抗體，更好地提高系統(tǒng)的檢測率。

量子進化算法與神經(jīng)網(wǎng)絡相結(jié)臺，可實現(xiàn)優(yōu)劣互補。楊妍等研究了量子進化算法，并將其與神經(jīng)網(wǎng)絡相融合，提出了基于量子進化算法的神經(jīng)網(wǎng)絡學習算法，然后將其應用于工業(yè)過程丙烯腈收率建模，結(jié)果表明量子進化神經(jīng)網(wǎng)絡建模具有較快的收斂速度和較高的模型精度，可以滿足工業(yè)中要求丙烯腈收率誤差不超過1%的要求。

二、應用領域

量子進化算法通過在古典算法的基礎上加入了量子規(guī)律的一些理念，將量子比特的幾率幅用到了對染色體的編碼上，這樣一條染色體就可以表示多種態(tài)的疊加，從而豐富了種群。該算法具有收斂速度快、全局收斂性好、種群依賴性低等特點。目前，量子優(yōu)化算法的應用極為廣泛，已應用于TSP問題、背包問題、函數(shù)優(yōu)化等經(jīng)典優(yōu)化問題，還應用于多址干擾的多用戶檢測問題、布局問題、投資組合優(yōu)化、尋找圖像稀疏分解的最佳匹配原子、FIR濾波器設計等問題。

在生產(chǎn)調(diào)度領域，焦璇根據(jù)針對多目標柔性作業(yè)車間調(diào)度中完工時間和交貨期的要求模糊的問題，建立了模糊柔性作業(yè)車間調(diào)度問題的數(shù)學模型，提出了結(jié)合混巧理論局部優(yōu)化策略改進旋轉(zhuǎn)角的混巧量子算法，解決了算法局部收斂問題和后期種群多樣性丟失而過早收斂的問題。

在智能機器人領域，張曉文在足球機器人比賽動態(tài)環(huán)境中，將比賽場L白色標志線作為定位特征點，利用量子免疫算法改善足球機器人的自定位系統(tǒng)，緩解足球機器人在尋找不到目標的情況下出現(xiàn)的迷失狀態(tài)，提高了定位系統(tǒng)的智能性和穩(wěn)定性。

在圖像處理領域，張毅研究構(gòu)建了一套完整的量子圖像處理體系，其充分地利用了量子機制實現(xiàn)了高精確性、高實時性圖像處理，從底層圖像存儲，到中層圖像預處理，再到上層圖像分類，完美解決了經(jīng)典圖像處理的性能難題。

在小樣本學習領域，張同心研究了支持向量機的核函數(shù)理論，提出了一種基于量子粒子群搜索的支持向量機算法。

結(jié)語

在過去的時間里，量子進化算法較傳統(tǒng)量子算法，顯示出了強大的優(yōu)勢，量子進化算法得到了快速的發(fā)展，取得了一系列重要的研究成果。但這還僅僅是開始，隨著更多的學者在這一領域進行深入的研究，在不久的將來，量子進化算法將在更多的領域中取得成效。

參考文獻：

[1]張同心.基于量子粒子群的支持向量機算法的研究與應用[D].浙江大學，2013.

[2]張毅.面向計算機圖像處理的量子算法研究[D].國防科技大學，2014.

[3]張曉文.基于量子免疫算法的移動機器人自定位研究[D].西安科技大學，2014.

[4]焦璇.基于混合量子算法的柔性作業(yè)車問調(diào)度問題研究[D].大連理工大學，2015.

[5]楊妍，俞金壽.基于量子進化算法的神經(jīng)網(wǎng)絡及應用[J].計算機工程與應用，2007（26）：206-208.

[6]趙麗.基于量子免疫原理的入侵檢測模型研究[D].湖南大學，2010.

[7]何小峰.量子群智能優(yōu)化算法及其應用研究[D].上海理工大學，2014.

[8]張建明.基于改進量子進化算法的生產(chǎn)調(diào)度問題研究[D].華東理工大學，2013.

[9]Qu Z J，Liu X H，Zhang X W，et al.Hamming-distancebased adaptive quantum-inspired evolutionary algorithmfor network coding resources optimization[J].The Journalof China Universities of Posts and Telecommunications，2015，22（3）：92-99.

[10]He Y，Deng Y，Luo M X.The improved evolution pathstospeedup quantum evolution[J].International Journal ofTheoretical Physics，2016，55（4）：1977-1987.