量子計(jì)算與量子優(yōu)化算法

第1章 量子力學(xué)基礎(chǔ)
1.1 從經(jīng)典力學(xué)到量子力學(xué)
1.2 量子力學(xué)發(fā)展的回顧
1.3 量子力學(xué)的基本概念
1.3.1 什么是量子力學(xué)
1.3.2 量子態(tài)及其表象
1.3.3 量子態(tài)的相干疊加性、糾纏性和坍縮
1.4 量子力學(xué)的基本假設(shè)
1.4.1 波函數(shù)的概率波詮釋
1.4.2 態(tài)疊加原理
1.4.3 薛定諤方程
1.4.4 算符化規(guī)則
1.4.5 全同性原理
1.5 量子力學(xué)的數(shù)學(xué)基礎(chǔ)
1.5.1 向量空間與希爾伯特空間
1.5.2 狄拉克符號(hào)
1.5.3 基與線性無(wú)關(guān)
1.5.4 線性算子與矩陣
1.5.5 內(nèi)積、外積、張量積
第2章 量子計(jì)算基礎(chǔ)
2.1 從經(jīng)典信息到量子信息
2.2 量子比特
2.2.1 單量子比特
2.2.2 雙量子比特
2.2.3 多量子比特
2.3 量子邏輯門(mén)
2.3.1 單比特量子門(mén)
2.3.2 多比特量子門(mén)
2.3.3 量子門(mén)的通用性
第3章 基本量子算法
3.1 量子計(jì)算的并行性
3.2 Deutsch量子算法
3.3 Shor量子算法
3.3.1 因子分解問(wèn)題求解的基本思想
3.3.2 shor算法的實(shí)現(xiàn)步驟
3.4 Grover量子算法
3.4.1 基于黑箱的搜索思想
3.4.2 Grover算法搜索步驟
3.4.3 Grover算法搜索過(guò)程幾何描述
3.4.4 算法性能分析
第4章 Grover量子搜索算法的改進(jìn)
4.1 Grover算法的國(guó)內(nèi)外研究現(xiàn)狀
4.1.1 國(guó)外研究情況
4.1.2 國(guó)內(nèi)研究情況
4.2 基本Grover算法存在的主要問(wèn)題
4.3 基于π／2相位旋轉(zhuǎn)的改進(jìn)算法
4.3.1 相位匹配條件的改進(jìn)
4.3.2 改進(jìn)后算法相位旋轉(zhuǎn)的直觀圖示
4.3.3 改進(jìn)后的算法描述
4.3.4 搜索實(shí)例
4.4 使用局部擴(kuò)散算子的量子搜索算法
4.4.1 一步迭代搜索
4.4.2 算法原理
4.4.3 Younes算法與基本Grover算法對(duì)比
4.5 基于自適應(yīng)相位旋轉(zhuǎn)的Grover算法
4.5.1 搜索引擎描述
4.5.2 自適應(yīng)旋轉(zhuǎn)相位的確定
4.5.3 搜索舉例
4.6 基于目標(biāo)加權(quán)的Grover算法
4.6.1 目標(biāo)量子疊加態(tài)的構(gòu)造
4.6.2 迭代算子的構(gòu)造
4.6.3 算法的迭代方程
4.6.4 算法迭代方程的解
4.6.5 算法的成功概率
4.6.6 目標(biāo)態(tài)概率幅迭代過(guò)程動(dòng)態(tài)分析
4.6.7 加權(quán)Grover算法與基本Grover算法的關(guān)系
4.6.8 加權(quán)Grover算法的實(shí)現(xiàn)步驟
4.6.9 加權(quán)Grover算法舉例及分析
4.7 基于自適應(yīng)相位旋轉(zhuǎn)的加權(quán)Grover算法
4.7.1 算法原理
4.7.2 算例分析
4.8 基于固定相位旋轉(zhuǎn)的Grover算法
4.9 基于固定相位旋轉(zhuǎn)的廣義Grover算法
4.9.1 構(gòu)造迭代算子
4.9.2 算子中α參數(shù)的確定
4.9.3 算法需要的迭代步數(shù)
4.9.4 廣義Grover算法與其他算法的關(guān)系
4.9.5 廣義Grover算法與其他算法的對(duì)比
第5章 量子遺傳算法
5.1 量子進(jìn)化算法的國(guó)內(nèi)外研究現(xiàn)狀
5.1.1 國(guó)外研究現(xiàn)狀
5.1.2 國(guó)內(nèi)研究現(xiàn)狀
5.2 基本量子遺傳算法
5.2.1 算法原理
5.2.2 算法結(jié)構(gòu)
5.2.3 算法實(shí)現(xiàn)過(guò)程
5.2.4 算法仿真結(jié)果
5.3 改進(jìn)的量子遺傳算法
5.3.1 概述
5.3.2 實(shí)數(shù)編碼梯度量子遺傳算法
5.3.3 算法描述
5.3.4 在求解連續(xù)優(yōu)化問(wèn)題中的應(yīng)用
5.4 基于量子位Bloch球面坐標(biāo)的量子進(jìn)化算法
5.4.1 概述
5.4.2 BQEA的基本原理
5.4.3 算法描述
5.4.4 BQEA的收斂性
5.4.5 在函數(shù)優(yōu)化及模式識(shí)別中的應(yīng)用
第6章 量子群智能優(yōu)化算法
6.1 混沌量子免疫算法
6.1.1 概述
6.1.2 算法原理
6.1.3 收斂性分析
6.1.4 在求解連續(xù)優(yōu)化問(wèn)題中的應(yīng)用
6.2 量子蟻群算法
6.2.1 概述
6.2.2 算法原理
6.2.3 仿真結(jié)果及分析
6.3 量子粒子群算法
6.3.1 概述
6.3.2 基本PSO算法
6.3.3 量子粒子群優(yōu)化算法
6.3.4 仿真結(jié)果對(duì)比
第7章 量子神經(jīng)網(wǎng)絡(luò)模型與算法
7.1 量子神經(jīng)網(wǎng)絡(luò)的國(guó)內(nèi)外研究現(xiàn)狀
7.2 基于通用量子門(mén)演化的量子神經(jīng)網(wǎng)絡(luò)
7.2.1 量子位和通用量子門(mén)
7.2.2 量子BP神經(jīng)網(wǎng)絡(luò)模型
7.2.3 量子BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
7.2.4 量子BP神經(jīng)網(wǎng)絡(luò)的連續(xù)性
7.2.5 在平面點(diǎn)集分類(lèi)和函數(shù)逼近中的應(yīng)用
7.3 基于量子加權(quán)的量子神經(jīng)網(wǎng)絡(luò)
7.3.1 量子加權(quán)神經(jīng)網(wǎng)絡(luò)模型
7.3.2 學(xué)習(xí)算法
7.3.3 在雙螺旋線分類(lèi)及函數(shù)逼近中的應(yīng)用
7.3.4 在優(yōu)化PID控制參數(shù)中的應(yīng)用
7.4 基于量子門(mén)線路的量子神經(jīng)網(wǎng)絡(luò)
7.4.1 量子門(mén)及線路表示
7.4.2 量子門(mén)線路神經(jīng)網(wǎng)絡(luò)模型
7.4.3 學(xué)習(xí)算法
7.4.4 在模式識(shí)別和函數(shù)逼近中的應(yīng)用
7.5 量子自組織特征映射網(wǎng)絡(luò)
7.5.1 量子自組織特征映射網(wǎng)絡(luò)模型
7.5.2 量子自組織特征映射網(wǎng)絡(luò)聚類(lèi)算法
7.5.3 在IRIS數(shù)據(jù)聚類(lèi)中的應(yīng)用
第8章 量子遺傳算法在模糊神經(jīng)控制中的應(yīng)用
8.1 解析描述控制規(guī)則的模糊控制器參數(shù)優(yōu)化
8.1.1 模糊控制規(guī)則的解析描述
8.1.2 模糊控制器參數(shù)的量子遺傳優(yōu)化仿真
8.2 基于量子遺傳算法的模糊神經(jīng)控制器參數(shù)優(yōu)化設(shè)計(jì)
8.2.1 NFNN控制器的拓?fù)浣Y(jié)構(gòu)
8.2.2 基于量子遺傳算法的NFNN控制器參數(shù)優(yōu)化設(shè)計(jì)
8.3 基于狀態(tài)變量合成輸入的NFNN控制器參數(shù)優(yōu)化
8.3.1 單級(jí)倒立擺的數(shù)學(xué)模型
8.3.2 倒立擺模糊控制系統(tǒng)
8.3.3 控制器綜合系數(shù)的確定
8.3.4 模糊控制規(guī)則的確定
8.3.5 NFNN控制器參數(shù)的DCQGA優(yōu)化設(shè)計(jì)
8.4 基于狀態(tài)變量直接輸入的NFNN控制器參數(shù)優(yōu)化
8.4.1 模糊控制規(guī)則的確定
8.4.2 NFNN控制器的DCQGA優(yōu)化設(shè)計(jì)
8.4.3 基于初始擺角300下的DCQGA優(yōu)化性能對(duì)比
8.4.4 變擺桿長(zhǎng)度情況下的DCQGA優(yōu)化性能對(duì)比
8.4.5 基于初始擺角1度下的DCQGA優(yōu)化性能對(duì)比
附錄1 部分算法的源程序
1.1 Grover算法成功概率仿真程序
1.2 量子遺傳算法仿真程序
1.3 量子粒子群算法仿真程序
1.4 量子自組織特征映射網(wǎng)絡(luò)聚類(lèi)算法仿真程序
1.5 基于量子遺傳算法的倒立擺模糊控制器參數(shù)優(yōu)化仿真程序
附錄2 量子計(jì)算常用名詞漢英對(duì)照
參考文獻(xiàn)