混合量子優(yōu)化算法理論及應(yīng)用研究.pdf

1、20世紀(jì)90年代迅速發(fā)展起來的以量子計算機(jī)為基礎(chǔ)的量子計算方法以其在理論上證實具有超強(qiáng)的計算速度、指數(shù)級的存儲容量、更好的穩(wěn)定性和有效性等特征，被譽為未來計算科學(xué)發(fā)展的方向之一。量子計算的研究充分利用量子相干性的獨特性質(zhì)(量子疊加、量子糾纏和量子測量)，探索以全新的方式進(jìn)行計算、編碼和信息傳輸?shù)目赡苄?，是一種探索突破芯片極限的新途徑。
　　 量子優(yōu)化方法是借鑒量子理論的思想來解決某些特定問題的一種新方法。以量子計算理論為基礎(chǔ)的量

2、子優(yōu)化算法，可以在一定程度上提高計算效率和克服陷入局部極值。本文提出的混合量子優(yōu)化方法將量子計算方法與神經(jīng)網(wǎng)絡(luò)、進(jìn)化算法、蟻群算法相融合，以期達(dá)到改進(jìn)算法性能、拓寬算法應(yīng)用領(lǐng)域、完善算法體系的目的。
　　 本文對量子優(yōu)化算法的相關(guān)問題進(jìn)行研究，主要工作如下：
　　 研究了量子進(jìn)化算法原理及改進(jìn)策略，首先概述了進(jìn)化算法的研究概況，分析了傳統(tǒng)進(jìn)化算法存在的缺陷，然后提出將量子優(yōu)化方法與進(jìn)化方法融合起來形成量子進(jìn)化算法，并提出

3、量子進(jìn)化算法改進(jìn)策略。
　　 研究了基于改進(jìn)量子進(jìn)化方法的BP神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化模型，提出了一種將改進(jìn)量子進(jìn)化算法(IQEA)與BP算法相融合共同完成反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法，即IQEA-BP算法。首先對傳統(tǒng)量子進(jìn)化算法進(jìn)行改進(jìn)，然后采用改進(jìn)量子進(jìn)化算法對網(wǎng)絡(luò)權(quán)值進(jìn)行整體尋優(yōu)，克服BP算法容易陷入局部最優(yōu)的不足；再以找到的較優(yōu)權(quán)值為初值，采用BP算法做進(jìn)一步的尋優(yōu)，以提高網(wǎng)絡(luò)的訓(xùn)練和預(yù)報精度。本文將IQEA-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于高

4、爐鐵水硅含量預(yù)測問題中，并與BP神經(jīng)網(wǎng)絡(luò)和QEA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行了比較，結(jié)果驗證了該算法的有效性得到了較高的預(yù)測精度。
　　 針對蟻群算法在求解連續(xù)空間優(yōu)化問題時易于陷入局部最優(yōu)和收斂速度慢的問題，本文提出了一種新的基于量子進(jìn)化的蟻群優(yōu)化算法。該算法采用量子比特的概率幅表示螞蟻當(dāng)前位置信息；設(shè)計了一種新的量子旋轉(zhuǎn)門更新螞蟻位置，完成螞蟻的移動；最后采用量子非門實現(xiàn)螞蟻所在位置的變異，增加位置的多樣性。本文不僅從理論上

5、證明了所提出量子蟻群算法的收斂性，而且從時間復(fù)雜性的角度分析了QACO具有較快的運行速度，仿真實驗表明該算法可使搜索空間加倍，比傳統(tǒng)的蟻群算法具有更好的種群多樣性，更快的收斂速度和全局尋優(yōu)能力。在此基礎(chǔ)上討論了量子進(jìn)化蟻群優(yōu)化算法的應(yīng)用，主要研究了基于量子蟻群優(yōu)化算法的板形識別。在分析研究板形信號識別的數(shù)學(xué)模型的基礎(chǔ)上，將板形識別問題歸結(jié)為板形應(yīng)力誤差函數(shù)尋優(yōu)問題。進(jìn)而在前面研究的量子蟻群優(yōu)化算法的基礎(chǔ)上探討算法在應(yīng)用于板形識別問題中的

6、若干具體問題，仿真實驗結(jié)果與參考文獻(xiàn)中給出的其它板形識別方法的對比表明，該方法比文獻(xiàn)中的方法識別精度高，具有具有一定的工程應(yīng)用價值。
　　 針對高爐冶煉行程爐況故障分類邊界的模糊性和故障模式之間存在交叉數(shù)據(jù)的診斷不確定性問題，提出應(yīng)用量子神經(jīng)網(wǎng)絡(luò)識別高爐爐況故障。本文將量子理論與神經(jīng)網(wǎng)絡(luò)融合形成量子神經(jīng)網(wǎng)絡(luò)，其隱含層神經(jīng)元采用量子化的多級階梯形傳輸函數(shù)，通過量子神經(jīng)網(wǎng)絡(luò)的量子間隔和權(quán)值學(xué)習(xí)算法，能夠根據(jù)所提供的樣本信息建立起分級

7、的神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)。量子神經(jīng)網(wǎng)絡(luò)借鑒量子疊加態(tài)測量坍縮原理，對不確定的輸入向量給出一個近似的分類和類屬概率，成功地解決了前饋神經(jīng)網(wǎng)絡(luò)模糊分類的局限性問題。為進(jìn)一步提高爐況識別精度，針對高爐冶煉行程中樣本數(shù)據(jù)非線性、大噪聲的特點，提出了基于獨立分量分析方法的特征提取算法。即采用獨立分量分析方法，對原始樣本進(jìn)行分析處理，分離高爐爐況故障時的狀態(tài)信號以提取其狀態(tài)特征向量，產(chǎn)生新的維數(shù)降低、分量間相關(guān)性小的最能反映系統(tǒng)本質(zhì)的特征樣本空間；最后將