论文部分内容阅读
量子信息是量子力学与现代信息科学发展过程中互相结合的产物。由于量子计算理论上的高效和高速,对量子计算的研究非常有意义。也正因为量子机制下的量子算法在某些领域和某些问题上表现出无与伦比的巨大优势,所以越来越多的研究人员开始研究和设计量子算法并将其应用的传统问题上用于解决经典计算机解决不了的问题。本文的研究工作主要基于现有的量子算法,对其进行研究改进并应用到具体问题当中。下面介绍论文的主要工作:(1)改进Grover算法,建立量子模式搜索模型量子Grover算法是一个基于黑箱(Oracle)的量子搜索算法。Boyer等人对Grover算法进行详细深入分析之后提出了BBHT算法框架,并证明了Grover算法的有效性。本文通过对具体模式问题的分析,重新设计构建量子初始态从而成功实现对量子模式的存储。并且参考和借鉴了BBHT算法框架,利用了一个传统的模式匹配机制,实现对量子模式的搜索。当所要查询的模式并不存在于已存储的模式集中时,系统也可以给出较为接近的模式。(2)提出基于Bloch球的量子多目标进化算法BQMOEA进化算法(EAs)是一种启发式的优化算法,而多目标进化算法(MOEAs)可以解决多目标优化问题。量子多目标进化算法则是将量子态特有的性质融合到传统的算法当中,使算法的效益更高。本文根据Bloch球坐标编码建立初始态种群个体,通过量子门旋转进行种群的演化。核心的非支配解搜索方案参考经典的NSGA-II,并对其进行了改进。从理论上得出算法更加合理高效,得到的结果也具有更好的多样性和更加均匀的分布性。在测试过程中设置多个不同类型的多目标测试函数对算法的有效性进行了验证。整个过程和结果均通过MATLAB程序实现。(3)利用量子多目标进化算法优化聚类学习和分类学习框架模式识别中最为常见也最为重要的问题是聚类和分类问题,也被称为无监督的模式分类和有监督的模式分类。多目标聚类和分类学习框架MSCC是由蔡伟玲等人在2010年提出的,利用传统的多目标粒子群算法对框架进行优化求解。但是由于多目标粒子群算法只能获得少量的非支配解,不利于种群的优化。本文利用基于Bloch球坐标的量子多目标进化算法对聚类和分类学习框架进行优化,可以获得更多优秀的非支配解,从而提高分类器的正确率。最后利用人工数据集和真实数据集对算法进行测试验证,证实所获得的结果可以提高分类器的识别率。