摘要：为提高神经网络的逼近能力,提出一种基于受控Hadamard门设计的量子神经网络模型及算法.该模型输入为多维离散序列,可用矩阵描述,行数为输入节点数,列数为序列长度.模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控Hadamard门组成,利用多位受控Hadamard门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控Hadamard门中控制位和目标位之间的受控关系获得量子神经元的输出.基于量子计算理论设计了该模型的学习算法.该模型可高效地获取输入序列的特征.实验结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通BP神经网络.

摘要：在改进Han的遗传量子算法的基础上 ,提出一种新的量子遗传算法 算法中采用多量子比特来编码多状态基因 ,构造了各个体之间的联合量子交叉 ,提出了通用的量子旋转门演化策略和动态调整旋转角机制 将量子遗传算法与独立分量分析算法相结合 ,提出一种图像信号的盲分离方法

摘要：量子进化算法的性能直接受量子旋转门旋转角计算方法的影响.文中提出一种改进量子进化算法,核心是设计了基于量子比特概率幅比值自适应计算量子旋转门旋转角的新方法,算法具有收敛速度快和全局搜索能力强的特点.通过0/1背包问题分析了新方法中相关参数对算法性能的影响,并应用算法求解物流配送路径优化问题,仿真表明改进量子进化算法性能优于量子进化算法和传统进化算法.

摘要：为提高神经网络的逼近和预测能力,提出一种各维输入为离散序列的量子衍生神经网络模型及算法.该模型为三层结构,隐层为量子衍生神经元,输出层为普通神经元.量子衍生神经元由量子旋转门和多位受控旋转门组成,利用多位受控旋转门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控旋转门输出中多位量子比特的纠缠获得量子衍生神经元的输出.基于量子计算理论设计了该模型的学习算法.该模型可从宽度和深度两方面获取输入序列的特征.仿真结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通神经网络.

摘要：针对传统路径规划算法收敛速度慢、稳定性差、易陷入局部极值的问题,提出一种基于梯度统计变异量子遗传算法的车辆路径规划方法.首先在依据染色体适应度值动态调整旋转角步长的基础上,引入梯度下降思想对量子旋转门调整策略进行改进;根据染色体变化趋势的统计特性,设计基于梯度统计的变异算子实现变异操作,提出基于量子位概率密度的自适应变异策略;以路径最短为指标建立车辆路径规划模型,通过仿真实验验证改进算法在车辆路径规划中的有效性,与其他优化算法相比,本文改进算法所规划路径长度更短,搜索稳定性更好,能有效控制算法陷入局部最优.

摘要：为提高神经网络的逼近能力,提出一种各维输入为离散序列的量子神经网络模型及算法.该模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控非门组成,利用多位受控非门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控非门输出中多位量子比特的纠缠获得量子神经元的输出.基于量子计算理论设计该模型的学习算法.该模型可从宽度和深度两方面获取输入序列的特征.仿真结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通神经网络.

摘要：当使用神经网络解决问题时,得到的结果与神经网络的逼近能力有很大关系。如何提高神经网络的逼近能力目前还没有较为理想的解决方法。本文提出了一种利用多位量子受控非门来构造神经网络模型的新方法。该模型为三层结构,隐层为量子神经元,输出层为普通神经元。量子神经元由量子旋转门和多位受控非门组成,利用多位受控非门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用多位受控非门的受控关系获得量子神经元的输出。基于量子计算原理设计了该模型的L-M学习算法。该模型可从宽度和深度两方面获取输入序列的特征。纸牌预测的实验结果表明,当输入节点数和序列长度比较接近时,该模型对训练集的识别率比普通神经网络有大约8%的提高,从而揭示了量子计算机制对提高网络逼近能力的有效性。

摘要：为提高图像恢复质量,提出一种量子衍生神经网络模型及算法.该模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控非门组成,利用多位受控非门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控非门输出中多位量子比特的纠缠,获得量子神经元的输出.基于量子计算理论设计了该模型的学习算法,该模型可从宽度和深度两方面获取输入序列的特征.仿真结果表明,该模型的图像恢复效果明显优于普通神经网络.

摘要：随着片上网络的兴起和发展,针对带宽和时延约束下实现低功耗成为其设计的焦点之一。为此,提出一种基于量子蚁群映射算法的方法来解决片上网络设计中使IP核映射的通信功耗最小化问题。该算法改变蚁群算法中信息素的释放方式,采用量子优化算法中的量子概率幅代替,信息素的更新则通过使用量子相位旋转的方式,实现蚂蚁信息素的自适应更新,用于有效地降低蚁群算法容易早熟收敛的情况。通过实验对比研究,该算法在快速搜索和全局寻优能力上,均优于蚁群算法。

摘要：针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法(IQACA)。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。