下载文档原格式
量子遗传算法在多目标分配中的应用探讨作者：叶茂章洁来源：《消费电子》2012年第12期摘要:多目标分配目前是最优化领域中的一个重要研究方向。
遗传算法是一种借鉴生物界自然选择和遗传机制的高度并行、随机、自适应的全局优化搜索算法,近年来,基于遗传算法的多目标分配应用研究在过程工程领域越来越受重视。
本论文提出了用量子遗传算法处理和解决多目标分配问题,有一定的工程价值。
关键词:量子遗传算法;多目标分配;最优化中图分类号:TP18 文献标识码:A 文章编号:1674-7712 (2012) 12-0176-01一、引言遗传算法不同于传统寻优算法的特点在于:遗传算法在寻优过程中,仅需要得到适应度函数的值作为寻优的依据;同时使用概率性的变换规则,而不是确定性的变换规则;遗传算法适应度函数的计算相对于寻优过程是独立的;算法面对的是参数的编码集合,而并非参数集合本身,通用性强。
它尤其适用于处理传统优化算法难于解决的复杂和非线性问题。
[1]目前,GA已经在很多领域得到成功应用,但随着问题规模的不断扩大和搜索空间的更加复杂,GA在求解很多具体问题时往往并不能表现出其优越性。
于是,近年来便出现了遗传算法与其它理论相结合的实践,其中遗传算法与量子理论的结合是一个崭新的、极富前景和创意的尝试。
量子遗传算法QGA是量子计算特性与遗传算法相结合的产物。
基于量子比特的叠加性和相干性,在遗传算法中借鉴量子比特的概念,引入了量子比特染色体。
由于量子比特染色体能够表征叠加态,比传统GA具有更好的种群多样性,同时QGA也会具有更好的收敛性,因此在求解优化问题时,QGA在收敛速度、寻优能力方面比GA都将有较大的提高。
QGA的出现结合了量子计算和遗传算法各自的优势,具有很高的理论价值和发展潜力。
本论文提出用量子遗传算法处理和解决多目标分配问题,为多目标问题的解决提供一种新的思路。
二、量子遗传算法在传统计算机中,信息存储是以二进制来表示,不是“0”就是“1”态,但是在量子计算机中,充当信息存储单元的物质是一个双态量子系统,称为量子比特(qubit),量子比特与比特不同之就在于它可以同时处在两个量子态的叠加态,量子进化算法建立在量子的态矢量表述基础上,将量子比几率幅表示应用于染色体的编码,使得一条染色体可以表示个态的叠加,并利用量子旋转门更新染色体,从而使个体进达到优化目标的目的。
量子遗传算法
量子遗传算法是一种新型的模仿生物进化的优化算法。
它是一种基于量子力学的遗传算法，它结合了量子力学和遗传算法的优势，从而实现了更快速、更有效的优化。
量子遗传算法的基本思想是将遗传算法中的“基因”变量替换为量子力学中的“波函数”变量，即用量子力学的概念来模拟遗传算法。
在这种算法中，波函数可以被用来表示变量的取值，因此可以实现多维变量的优化。
量子遗传算法的优势是它可以更快地收敛，优化更有效。
它的优点是它可以解决非凸优化问题，即存在多个最优解的问题，而传统的遗传算法只能解决凸优化问题。
此外，量子遗传算法还可以利用量子力学的概念，如量子干涉、量子相干等，使算法更加有效。
量子遗传算法一般用于优化非线性、非结构化、非凸优化问题，如多目标优化、非线性约束优化、最优控制、模糊优化等。
它对于解决复杂的优化问题具有重要的意义，因此被广泛应用于工程、物理、经济学等领域。
总之，量子遗传算法是一种新型的模仿生物进化的优化算法，它结合了量子力学和遗传算法的优势，实现了更快速、更有效的优化，可以解决复杂的优化问题，广泛应用于工程、物理、经济学等领域。
