量子势阱粒子群优化算法的改进研究

为提高量子势阱粒子群优化算法的优化能力, 通过分析目前量子势阱粒子群优化算法的设计过程, 提出了改进的量子势阱粒子群优化算法. 首先, 分别基于Delta势阱、谐振子和方势阱 提出了改进的量子势阱粒子群优化算法, 并提出了基于统计量均值的控制参数设计方法. 然后, 在势阱中心的设计方面, 为强调全局最优粒子的指导作用, 提出了基于自身最优粒子加权平均和动态随机变量的两种设计策略. 实验结果表明, 三种势阱粒子群优化算法性能比较接近, 都优于原算法, 且Delta势阱模型略优于其他两种.     

基于量子并行粒子群优化算法的分数阶混沌系统参数估计

分数阶混沌系统参数估计的本质是多维参数优化问题, 其对于实现分数阶混沌控制与同步至关重要. 提出一种基于量子并行特性的粒子群优化新算法, 用于解决分数阶混沌的系统参数估计问题. 利用量子计算的并行特性, 设计出了一种新的量子编码, 使每代运算的可计算次数呈指数增加. 在此基础上, 构建了由量子当前旋转角、个体最优旋转角和全局最优旋转角共同组成的粒子演化方程, 以约束粒子在量子空间中的运动行为, 使算法的搜索能力得到了较大提高. 以分数阶Lorenz混沌系统和分数阶Chen混沌系统的参数估计为例, 进行了未知参数估计的数值仿真, 结果显示本算法具有良好的有效性、鲁棒性和通用性.     

量子粒子群优化算法的收敛性分析及控制参数研究

通过分析粒子群优化算法的特点,将粒子放在量子空间来描述,建立粒子的量子势能场模型,并结合群体的群集性推导了量子粒子群优化(QPSO)算法.在随机算法全局收敛定理的框架下,讨论了QPSO算法的收敛性,证明QPSO算法是一种全局收敛的算法.针对QPSO算法的唯一控制参数,提出了三种控制策略,结合标准测试函数的仿真结果给出了具有实际指导意义的控制参数选择方法.     

实现光子的远程量子操作

量子纠缠的非局域性质为量子信息应用提供了强有力的工具,利用量子纠缠态可以实现量子隐形传态、量子密集编码、量子密码、远程量子态制备、远程量子态测量.这里,我们将给出一个基于两粒子纠缠态的利用局域操作和经典通信的远程量子操作的实验方案.该方案可以实现对单光子偏振态在Bloch球空间中绕固定方向进行任意旋转操作,或者绕任意方向进行180度旋转操作.     

Brüschweiler量子搜索算法的改进及其实验实现

量子计算与经典计算相比, 能够极大地提高运算速度, 解决一些经典计算不能解决或很难解决的问题. 对于在无序数据库中进行搜索这类问题, 可以用量子算法, 如Brüschweiler量子搜索算法来解决. 与经典算法相比, Brüschweiler量子算法能够指数次地提高搜索速度. 在Brüschweiler提出的算法中, 数据量子位和观测量子位(辅助量子位)是分开的, 属于不同的量子位. 通过研究, 对Brüschweiler算法作了改进, 使之不需要用辅助量子位, 就可以达到指数次提高搜索速度的目的. 改进后的Brüschweiler量子算法有利于简化实验的设计和实现过程. 同时还利用核磁共振实验, 演示了改进后的Brüschweiler量子算法的实现.     

基于改进量子粒子群的分布式并行计算框架设计

为了实现用户任务在大规模计算机集群上进行高效地处理,并克服现有并行计算框架通用性不强的缺点,提出了一种基于改进量子群算法和Map-Reduce模型的通用并行计算框架;首先,对经典的Map-Reduce分布式并行计算框架以及并行计算流程进行了具体描述;然后,基于改进的量子粒子群算法设计了改进的Map-Reduce模型,在Map阶段通过多种群并行搜索并计算所有粒子适应度,在Shuffle和Sort 阶段实现粒子的排序和种群的重新划分,然后在Reduce阶段更新控制系数和粒子位置,当最优解不变时,通过混沌扰动对其进行扰动;仿真实验表明同,文中设计的基于改进量子粒子群算法和Map-Reduce模型能高效地执行任务,较传统的Map-Reduce模型具有较少的执行时间,具有很强的可行性,是一种有效的通用并行计算模型。     

以一维谐振子势阱中的单粒子为工质的量子热机性能分析

建立了以一维谐振子势阱中的单粒子为工质的量子热机模型.当势阱壁宽度和粒子的量子态缓慢改变时, 该热机类似于经典卡诺热机对外做功.假设势阱壁移动速度非常缓慢并且考虑热漏, 推导出量子热机循环的输出功率和效率等重要性能参数的一般表达式.通过优化分析, 获得了热机循环中各主要性能参数的最佳优化值和优化区间.     

基于尺度不变特征变换和区域互信息优化的多源遥感图像配准

为了进一步提高遥感图像配准精度, 提出了尺度不变特征变换(SIFT)结合区域互信息优化的遥感图像配准方法. 首先利用混沌序列的随机性和遍历性, 提出一种混沌量子粒子群优化(CQPSO)算法, 在量子粒子群优化(QPSO)算法迭代陷入早熟收敛时, 采用一种新的机理引入混沌序列, 进化粒子克服早熟. 图像配准算法分为预配准和精配准两个过程. 基于SIFT算法提取特征点, 经匹配和有效地外点排除完成预配准, 然后对匹配特征点坐标进行亚像素级微调, 通过最小二乘法求得一系列匹配参数构造初始粒子群, 最后利用混沌量子粒子群优化区域互信息完成精配准, 得到最优匹配参数. 用一些标准测试函数对所提出的CQPSO和QPSO及粒子群优化(PSO)算法进行了实验比较, 另外, 对SIFT, SIFT结合PSO算法优化区域互信息, SIFT结合QPSO算法优化区域互信息和SIFT结合CQPSO算法优化区域互信息(SRC)等四种算法进行了不同分辨率遥感图像配准实验比较和不同时相遥感图像配准实验比较, 实验结果验证了所提出的CQPSO算法的优越性和SRC配准方法的有效性.     

基于量子粒子群算法的混沌系统参数辨识

针对混沌系统参数辨识问题, 在基本群智能算法粒子群优化算法的基础上, 提出量子粒子群算法, 测试函数证明了算法具有良好的全局优化能力. 进而将其应用于混沌系统参数辨识问题, 将参数辨识问题转化为多维函数空间上的优化问题. 通过对平衡板热对流典型混沌系统Lorenz系统进行研究, 并与基本算法和遗传算法比较. 仿真实验证明, 算法的有效性, 对混沌理论的发展有着非常重要的意义. 关键词： 量子粒子群算法 混沌系统 系统辨识     

基于改进量子粒子群和主动PI模型的自适应无线传感器网络拥塞控制算法设计

针对无线传感器网络中路由节点需要转发大量数据导致网络拥塞,从而引起节点丢包率高和网络吞吐率过低的问题,提出了一种基于主动PI模型和改进量子粒子群优化算法的拥塞控制方法;首先定义了丢包率和队列长度计算方式;设计了改进的PI主动队列管理模型,然后,为了改进PI模型的控制效果,采用改进的量子粒子群算法对PI主动队列管理模型中的比例系数和积分系数kP和kI进行参数优化,从而得到能实现WSN自适应控制的主动PI控制模型;最后,对基于量子粒子群算法和PI主动队列模型的网络拥塞算法进行了描述和说明;仿真实验表明:文中提出的拥戴控制方法能有效实现WSN拥塞控制,是一种适用于WSN的有效拥塞控制方法,与其它方法相比,具有较短的平均队列长度和较大的网络吞吐率,具有很强的可行性。     

基于超导量子比特网络的Grover搜索算法实现方案(英文)

提出一个改进超导电路结构,此结构能实现量子计算所必需的任意两量子比特之间的长程作用,此结构能用目前技术制作.其次,基于此结构提出Grover搜索算法实现的物理方案.由于能实现任意两量子比特之间的控制相位门,所以多比特Grover搜索算法也能实现,从而满足各种量子计算的需要.此方案是一个基于电流控制的超导电荷比特网络结构的Grover搜索算法实现方案.     

噪声情况下的量子网络直接通信

提出和研究了噪声情况下的量子网络直接通信. 通信过程中所有量子节点共享多粒子Greenberger-Horne-Zeilinger (GHZ)量子纠缠态; 发送节点将手中共享的GHZ态的粒子作为控制比特、传输秘密信息的粒子作为目标比特, 应用控制非门(CNOT)操作; 每个接收节点将手中共享GHZ 态的粒子作为控制比特、接收到的秘密信息粒子作为目标比特, 再次应用CNOT门操作从而获得含误码的秘密信息. 每个接收节点从秘密信息中提取部分作为检测比特串, 并将剩余的秘密信息应用奇偶校验矩阵纠正其中存在的比特翻转错误, 所有接收节点获得纠正后的秘密信息. 对协议安全、吞吐效率、通信效率等进行了分析和讨论.     

量子过程神经网络模型算法及应用

为提高过程神经网络的逼近和泛化能力, 从研究过程神经元信息处理的量子计算实现机理入手, 提出基于量子旋转门及多位受控非门的物理意义构造量子过程神经元的新思想. 将离散化后的过程式输入信息作为受控非门的控制位, 经过量子旋转门作用后控制目标量子位的状态, 以目标量子位处于状态|1>概率幅作为量子过程神经元的输出. 以量子过程神经元为隐层, 普通神经元为输出层, 可构成量子过程神经网络. 基于量子计算机理推导了该模型的学习算法. 将该模型用于太阳黑子数年均值预测, 应用结果表明, 所提方法与普通过程神经网络相比, 预测精度有所提高, 对于复杂预测问题具有一定理论意义和实用价值.     

基于超导量子比特网络的Grover搜索算法实现方案

首先,提出了一个改进超导电路结构,此结构能实现任意两个量子比特的相互作用而非近邻作用,长程作用是实现量子计算所必需的,此结构能用目前的技术制作。其次,基于此结构提出了Grover搜索算法实现的物理方案。由于能实现任意两量子比特之间的控制相位门,所以多比特Grover搜索算法也能实现,以满足各种量子计算的需要。此方案是一个基于电流控制的超导电荷比特网络结构的可扩展及易实现的Grover搜索算法实现方案。     

A Multi-Strategy Adaptive Comprehensive Learning PSO Algorithm and Its Application

In this paper, a multi-strategy adaptive comprehensive learning particle swarm optimization algorithm is proposed by introducing the comprehensive learning, multi-population parallel, and parameter adaptation. In the proposed algorithm, a multi-population parallel strategy is designed to improve population diversity and accelerate convergence. The population particle exchange and mutation are realized to ensure information sharing among the particles. Then, the global optimal value is added to velocity update to design a new velocity update strategy for improving the local search ability. The comprehensive learning strategy is employed to construct learning samples, so as to effectively promote the information exchange and avoid falling into local extrema. By linearly changing the learning factors, a new factor adjustment strategy is developed to enhance the global search ability, and a new adaptive inertia weight-adjustment strategy based on an S-shaped decreasing function is developed to balance the search ability. Finally, some benchmark functions and the parameter optimization of photovoltaics are selected. The proposed algorithm obtains the best performance on 6 out of 10 functions. The results show that the proposed algorithm has greatly improved diversity, solution accuracy, and search ability compared with some variants of particle swarm optimization and other algorithms. It provides a more effective parameter combination for the complex engineering problem of photovoltaics, so as to improve the energy conversion efficiency.     

Use of non-adiabatic geometric phase for quantum computing by NMR

Geometric phases have stimulated researchers for its potential applications in many areas of science. One of them is fault-tolerant quantum computation. A preliminary requisite of quantum computation is the implementation of controlled dynamics of qubits. In controlled dynamics, one qubit undergoes coherent evolution and acquires appropriate phase, depending on the state of other qubits. If the evolution is geometric, then the phase acquired depend only on the geometry of the path executed, and is robust against certain types of error. This phenomenon leads to an inherently fault-tolerant quantum computation. Here we suggest a technique of using non-adiabatic geometric phase for quantum computation, using selective excitation. In a two-qubit system, we selectively evolve a suitable subsystem where the control qubit is in state |1, through a closed circuit. By this evolution, the target qubit gains a phase controlled by the state of the control qubit. Using the non-adiabatic geometric phase we demonstrate implementation of Deutsch-Jozsa algorithm and Grover's search algorithm in a two-qubit system.