论文摘要
智能优化算法,如人工神经网络、遗传算法、模拟退火、粒子群算法及其优化策略等,通过模拟或揭示某些自然现象或过程而得到发展,其内容涉及数学、物理学、生物进化、人工智能、神经科学和统计力学等方面,为解决复杂问题提供了新的思路和手段。量子计算利用了量子理论中有关量子态的叠加、纠缠和干涉等特性,通过量子并行计算使得某些在经典计算机上计算复杂度很高的问题有可能降低其复杂度。由于量子计算机尚未实现,因此如何在传统计算机利用量子计算也是一个研究的热点。本文将量子机制引入到智能优化算法中,提出几种改进的优化算法,希望利用量子机制的优点,进一步提高优化算法的求解能力及运算效率。具体内容如下:（1）将量子机制与进化算法结合,根据旅行商问题的特点,尝试将量子进化算法应用于求解小规模旅行商问题,实验结果表明量子进化算法求解旅行商问题的可行性。（2）提出一种量子群进化算法模型,引入量子角的概念,将量子机制与粒子群算法相结合,用于求解背包问题,得到了令人满意的结果。（3）提出一种量子组合优化算法模型,将量子进化算法同智能优化算法结合,求解两类组合优化问题。（4）根据可满足性问题的特点,进一步改进量子组合优化算法,并应用于求解3-SAT问题。（5）提出了AFTERPSO算法,并且将其应用于股票及太阳黑子数据的预测问题上,结果表明了算法的可行性与有效性。本文的研究结果丰富了智能优化算法的研究,提高了智能优化算法求解一类优化问题的效率,同时为如何在传统计算机上应用量子机制研究提供了一种参考。
论文目录
提要第1章 绪论1.1 研究的目的与意义1.2 论文的研究内容第2章 智能优化算法及量子计算概述2.1 智能优化算法2.1.1 人工神经网络2.1.2 遗传算法2.1.3 粒子群优化算法2.2 量子计算2.2.1 量子位2.2.2 量子寄存器2.2.3 量子态的测量2.2.4 量子门2.2.5 量子计算的特性2.2.6 量子计算机2.3 本章小结第3章 量子进化算法求解旅行商问题3.1 量子进化算法3.1.1 编码方式3.1.2 算法描述3.1.3 量子交叉3.1.4 量子进化算法优点3.1.5 量子进化算法的研究现状3.2 基于量子进化算法求解 TSP 问题3.2.1 TSP 问题描述3.2.2 TSP 问题的量子编码3.2.3 适应度函数3.2.4 量子进化算法求解 TSP 问题的算法流程3.2.5 实验结果3.3 本章小结第4章 量子群进化算法4.1 粒子群优化算法4.2 量子进化算法4.3 量子角4.3.1 量子角定义4.3.2 量子染色体编码4.3.3 量子门的量子角表示4.4 量子群算法4.4.1 量子群4.4.2 量子群演化流程4.5 量子群算法求解背包问题4.5.1 0-1 背包问题4.5.2 实验结果与分析4.6 本章小结第5章 量子组合优化算法求解组合优化问题5.1 量子组合优化算法5.1.1 算法的提出5.1.2 组合优化算法流程5.2 求解两类优化问题的实验结果与分析5.2.1 函数优化5.2.2 0-1 背包问题5.3 本章小结第6章 改进的量子组合优化算法求解3－SAT 问题6.1 引言6.2 改进的量子组合优化算法6.2.1 量子角6.2.2 改进的量子旋转门策略6.2.3 改进的量子进化算法的流程6.3 改进的量子进化算法求解3-SAT 问题6.3.1 适应度函数选择6.3.2 3-SAT 问题的矩阵描述方法6.3.3 实验结果6.4 本章小结PSO 的组合预测方法'>第7章 基于AFTERPSO 的组合预测方法7.1 预测简介7.1.1 预测的基本概念7.1.2 预测方法7.1.3 测定预测精度的方法7.2 组合预测简介7.2.1 组合预测定义7.2.2 关于组合预测的争论7.2.3 模型的选择与组合7.2.4 组合预测中权值的确定7.3 变权值组合预测算法－AFTER 算法7.4 改进的粒子群优化算法7.4.1 粒子群优化算法（PSO）7.4.2 粒子属性线性约束定理7.4.3 线性约束粒子群优化算法PSO 组合方法'>7.5 AFTERPSO 组合方法7.6 模拟实验7.6.1 候选方法的选择7.6.2 模拟数据集及结果7.7 本章小结第8章 结论与展望参考文献作者攻读博士期间发表的论文情况致谢中文摘要ABSTRACT
相关论文文献
标签：智能优化算法论文; 量子计算论文; 粒子群优化算法论文; 预测论文; 组合预测论文;
