基于下降搜索的量子进化算法

为了提高全局寻优能力和收敛速度，基于量子进化算法和混合遗传算法，提出了一种新的进化算法．该算法将下降搜索理论应用到量子进化算法中，改进了量子进化算法仅靠量子门进行迭代的作用，从而加快了收敛速度，并降低了个体在进化时产生退化的可能性．典型函数的仿真实验结果表明，该算法具有好的全局性和收敛性．     

多模式部分量子搜索算法

为了提高数据库的搜索速度，提出了多模式部分量子搜索算法。该算法把数据库的搜索项分成若干等份，通过舍弃不重要信息，再用多模式量子搜索算法，加快搜索速度，并可在数据库中同时搜索到多个模式．实例表明，当数据库有7．206×10^16个搜索项时，采用部分搜索算法比全局搜索算法可以减少1．325×10^6次搜索迭代．     

量子进化和模拟退火的混合优化算法

将量子算法和模拟退火算法相结合,提出一种量子进化和模拟退火的混合优化算法。本算法同时利用了量子算法的并行搜索能力和模拟退火算法的串行搜索能力,和量子算法相比有更快的收敛速度和更好的全局寻优能力。仿真实验也表明本算法有更好的搜索性能。     

AES加密算法的密钥搜索量子线路设计

为验证量子搜索应用于分组密码密钥搜索的可行性,在分析AES算法计算流程和需要实现的计算模块的基础上,设计了一种AES算法密钥搜索的量子线路,包括密钥扩展KeyExpansion模块、量子加密模块和量子比较模块.其中,量子加密模块包含量子轮密钥加AddRoundKey、量子字节代换SubBytes、量子行移位ShiftRows和量子列混淆MixColumns.为了使辅助比特能被后续计算重用,采用回退计算方法去除量子纠缠,在实现量子加密模块时根据4个子模块的不同计算任务采取相应的回退计算策略,以节省计算时间和量子存储空间.研究结果表明:将量子搜索算法应用于分组密码的密钥穷举搜索攻击以达到二次方加速是可行的.     

一种有效的水声信道盲均衡算法

针对超指数迭代判决反馈盲均衡（SEIDFE）算法在水声通信系统中表现出的收敛性差的问题,提出了一种稳健性好、收敛快的双模式超指数迭代判决反馈盲均衡算法.该算法对均衡器输出的实部和虚部分别进行非线性变换以修正误差控制信号,从而纠正载波相位旋转;在此基础上,将一种新的自适应变步长算法应用到前馈滤波器前向权值的迭代步长中,提高算法收敛速度;并采取判决误差切换准则,将上述改进算法与判决导引算法有机结合起来,提高算法稳健性和收敛性能.仿真结果证明了该算法的有效性.     

基于量子粒子群算法的门式刚架结构抗风优化

为弥补目前结构抗风优化仅针对高层建筑的不足,采用量子粒子群算法对一大跨屋盖结构进行了抗风优化.基于风洞试验数据库获得等效静力风荷载,并根据型钢表组成离散变量搜索空间.通过约束违反协调系数,构造了一种新的适应值模型,进一步建立了粒子越界处理方法,以保证优化的可行性和收敛性.通过10次运行计算以确定门式刚架的最优设计,并在全风向角下对优化结果进行校核.研究结果表明,目标函数随迭代单调递减收敛,总质量标准差仅为其平均值的4%,平均迭代24次,说明量子粒子群算法用于门式刚架抗风优化具有较好的健壮性和计算效率.      

一种基于盲运算的1比特压缩感知重建算法

为了解决1比特压缩感知中符号匹配追踪算法(matching sign pursuit)在稀疏度未知的情况下不能自适应重构信号的问题,提出了向前/向后迭代符号匹配追踪算法(forward-backward matching sign pursuit, FBMSP).该算法以逐步逼近理论为核心,通过逐步扩大支撑集来扩大搜索范围,把相邻两次迭代的差值作为终止条件,在MSP算法模型下进行盲运算,以实现信号的重构.数值试验表明:在控制迭代系数=8,=1的情况下,FBMSP算法比传统的符号匹配追踪算法重构精度提高了3 dB,运算时间减少了40%.      

大跨度悬索桥非线性静风稳定性优化迭代分析方法

综合考虑静风荷载非线性和几何非线性,引用大跨度桥梁非线性静风稳定分析理论,通过引入外层迭代次数上限对增量与内外两重迭代相结合的方法进行改进,提出了优化迭代分析方法,编制计算程序对世界最大跨径钢箱梁悬索桥西堠门大桥的静风稳定性进行全过程分析,研究了该桥的失稳形态和机理.通过计算与改进前的算法进行比较,优化迭代分析方法结果准确、效率高.     

一种渐变概率选择操作的实数编码量子进化算法

为进一步提高实数编码量子进化算法在进化过程中的种群多样性以及在高维复杂函数优化上的全局收敛性,参照模拟退火算法的特点,提出了一种渐变选择概率的实数编码量子进化算法,该方法通过在进化过程中逐步提高更好解的选择概率,在进化计算初期保持种群的多样性,能较为全面地对解空间进行搜索,而在进化末期,选择概率逐渐提高到1,只接受更好的解而保证算法稳定的收敛。仿真实验结果表明,该算法能有效避免早熟和局部极值问题,具有更快的收敛速度和更高的求解精度。     

基于量子蚁群算法的随机需求的动态车辆路径问题

针对随机需求的动态车辆路径问题,以最小化成本和最大化客户满意度为目标,采用两阶段建模,把动态车辆路径问题转换为静态车辆路径问题,将量子理论与蚁群算法结合并加以改进,用量子Hε门代替传统的量子旋转门实现对蚁群的更新.用Matlab7. 0软件实现数据仿真,验证了本文改进的量子蚁群算法是求解该问题有效的方法之一.