一、量子克隆进化算法（论文文献综述）
张文强[1]（2020）在《基于向量子空间投影的高光谱图像无监督波段选择技术研究》文中研究指明高光谱遥感图像通常包含上百个波段,其光谱分辨率可以达到纳米级别,为区分不同类型的地物提供了丰富的光谱信息,在环境监测、农业估产、城市监测以及军事目标识别等领域得到了广泛应用。然而,高维度的数据也为图像处理带来了一些挑战,如高时空间复杂度、数据冗余以及“Hughes”现象等,因此有必要对高光谱图像数据进行降维处理。在高光谱图像处理领域,波段选择（Band selection,BS）是一种常用的降维技术,它直接从原始特征集合中选取一个特征子集,能够保留原始特征的物理意义,已成为本领域的研究热点之一。在实际应用中,由于经常难以取得关于地物的先验知识,因此有必要研究无监督波段选择技术。本研究先后以最大化所选波段椭圆体积和对所选波段信息量和冗余度分别建模再综合评价的思想为理论依据,以向量子空间投影（vector subspace projection,VSP）等技术为具体实现手段,对波段间关系进行了深入的研究分析,提出了一系列有效的无监督波段选择方法。主要研究内容和创新点概括如下:（1）研究基于最大椭圆体积法（Maximum Ellipsoid Volume,MEV）的波段选择方法。MEV方法认为具有最大椭圆体积的波段子集是最优选择。以此为理论依据,通过将MEV准则与贪婪算法中的序列前向搜索（Sequential Forward Search,SFS）相结合,避免了传统MEV波段选择方法中穷举搜索带来的巨大计算负担,提出适用于高光谱图像波段选择的MEV-SFS算法。在此基础上,通过使用矩阵三角分解（Triangular Factorization,TF）技术,进一步改善MEV-SFS算法的计算效率,提出了一种等价快速实现——MEV-TF算法。MEV-TF算法具有更高的计算效率,可以在高光谱图像上进行快速波段选择。MEV是从几何角度进行设计的,但是它与向量子空间投影（VSP）存在密切联系,后续研究将以MEV作为波段选择的理论依据,在MEV-SFS算法基础上推导出基于向量子空间投影的等价算法,因此本部分内容是后续研究的基础。（2）研究基于正交投影的波段选择（Orthogonal-Projection-based band selection,OPBS）方法。以MEV为理论依据,从向量子空间投影（VSP）角度对MEV-SFS算法做进一步推导,可以挖掘出正交投影与MEV之间的内在联系,进而提出一种与MEV-SFS算法等价的基于向量子空间投影的波段选择方法,即OPBS算法。虽然OPBS算法仍然以MEV为理论依据,但是通过深入分析OPBS方法的工作过程,可以从理论上证明MEV-SFS和OPBS算法本质上是在每轮查找中试图选择具有最大信息和最小冗余的波段。以这个发现为基础,可以将OPBS算法进一步扩展为一种波段选择框架。对OPBS工作原理的解读,不仅解释了MEV类型波段选择算法的深层次工作机制,也为理解波段选择问题和设计新颖有效的波段选择方法提供了新视角。（3）研究基于代表性和冗余度度量的波段选择方法。对OPBS算法工作机制的解读表明,可以对波段信息量和冗余度分别建模然后组合起来对候选波段（或子集）进行综合评价。本部分内容完善和发展了这一基本思想,提出了基于代表性和冗余度度量的波段选择方法的设计框架,并利用向量子空间投影（VSP）等技术实现了若干具体算法。解决了目前已有波段选择方法所选波段信息不足或冗余较大、算法计算效率较低、对噪声波段敏感等问题。（4）研究基于向量子空间投影（VSP）的非线性波段选择方法。之前提出的基于正交投影的波段选择（OPBS）方法以及大部分基于代表性和冗余度度量的波段选择方法都是基于向量子空间投影（VSP）的线性波段选择方法。在这些方法的基础上,可以采用核技巧在向量子空间投影的过程中引入非线性,从而实现这些线性波段选择方法的非线性版本。这部分工作完善了基于正交投影的波段选择方法以及基于代表性和冗余度度量的波段选择方法的理论体系,提高了这些方法的理论价值并扩展了它们的应用场景。
王天磊[2]（2016）在《正交量子免疫克隆算法在SAT问题中的应用》文中进行了进一步梳理SAT问题的研究具有重要的理论意义和应用价值,目前求解SAT问题的方法大致分为完全算法和不完全算法两大类。由于SAT问题是NP完全问题,其计算复杂度随着问题规模的增大呈指数增长,因此完全算法在求解效率上通常难以满足需求；不完全算法尽管不一定能找到问题的解,但是其求解效率高并且通常能够满足需要,逐步成为求解SAT问题的研究热点。本文主要针对求解SAT问题的不完全算法进行研究。首先对求解SAT问题的免疫克隆算法、量子进化算法以及正交法的基本思想作了较详尽的分析。综合分析上述算法的优势,基于正交法的化简与属性判定,为SAT问题的求解提供了新的思路。基于对量子免疫克隆算法以及SAT问题正交性的研究分析,本文在第三章提出新的求解SAT问题的算法,即结合量子免疫克隆算法和正交性的正交量子免疫算法（OQICA）。该算法首先对SAT问题进行等价的正交化处理,消除子句之间重叠信息的同时有效的判定问题的属性,当问题可满足时,在正交子句组的基础上利用量子运算的高效性快速获得可满足的解。最后本文理论分析了OQICA是以概率1收敛的,并通过实验验证,正交量子免疫克隆算法比遗传算法和量子免疫克隆算法具有更高的求解成功率。
周杰[3]（2015）在《基于进化算法的大规模无线传感器网络覆盖关键技术研究》文中指出随着嵌入式计算机技术和无线通信技术的飞速发展,大规模无线传感器网络开始在全球范围内普及。无线传感器网络的覆盖能力直接关系到网络对监测区域的感知能力。由于无线传感器网络的布置形式多样,包括飞机撒布和人工布置等方式,无线传感器网络的覆盖方式灵活多样。不同于传统的网络覆盖,大多数无线传感器网络覆盖问题既要关注如何通过完善网络中传感器节点的地理位置分布以完成监测任务,又要关注如何分布才能使所有节点间距离不大于通信距离,以便顺利组网,同时还要关注能耗和寿命问题。良好的覆盖控制不仅能更好地完成感知任务,完成对区域或目标的监测,还能降低能耗,有效延长网络寿命。在大规模无线传感器网络中,大量传感器节点组网,感知节点首先要完成对目标区域的覆盖才能进行后续的感知工作。如果未完成对目标和感知区域的覆盖,无线传感器网络就无法完成对待监测目标的物理量监测,网络就会丧失可用性。同样,如果在覆盖目标的过程中没有合适的拓扑控制和节点轮值,网络的能量就会很快耗尽,网络的生存性就会受到威胁。因此在覆盖控制中,针对监测任务制定合适的目标或区域监测方案、拓扑控制方案与节点轮值顺序对无线传感器网络性能至关重要。论文先分析了无线传感器网络覆盖的特点,然后采用进化算法解决了大规模无线传感器网络覆盖中的几个关键问题。论文的主要创新点如下：（1）提出了一种基于量子蚁群进化算法的自组织无线传感器网络目标覆盖方法,建立了相应的系统模型。该方法将量子态矢量引入蚁群算法的编码,运用量子旋转门实现蚁群搜索路线的动态调整。通过利用多只蚂蚁进行并行量子化搜索,扩大了搜索范围,实现了量子进化的并行化。在自组织无线传感器网络环境下,将本文方法与基于遗传算法的目标覆盖方法、基于模拟退火的目标覆盖方法进行了仿真比较。仿真结果表明,在不同半径和感知节点数条件下,本文方法的目标覆盖率相比遗传算法和模拟退火算法分别提高了10个百分点和20个百分点左右,成功检出的目标数相比遗传算法高出6.90%到19.09%,相比模拟退火算法高出32.67%到54.27%,显着提升了监测效果。（2）提出了一种新的量子免疫克隆进化算法来解决全覆盖条件下的节点轮值问题。该方法将问题和其解决方案分别映射为量子比特形式的抗原和抗体,提高了编码效率。通过引入量子旋转门对抗体进行变异操作,加快了算法的收敛速度。在无线传感器网络环境下,将本文方法与基于模拟退火算法的方法、基于遗传算法的方法行了仿真比较。仿真结果表明,在不同的传感器节点数和被监测目标数下,相比其他两种算法,本文提出的基于量子免疫克隆进化算法的无线传感器网络能量高效目标覆盖方法在有限的监测区域范围内不但在生命周期内保持了对目标的全覆盖,而且网络寿命相比基于遗传算法的方法延长2.85%至6.62%,相比基于模拟退火算法的方法延长3.95%至8.61%,有效提高了能量利用效率。（3）提出了一种基于模糊化模拟进化计算的无线传感器网络分簇覆盖方案。该方案运用模糊控制技术和模拟进化计算动态选择无线传感器网络的簇头,对无线传感器网络的通信能耗进行了全局优化。将基于模糊化模拟进化计算的分簇方案与基于粒子群算法的分簇方案及基于量子遗传算法的分簇方案进行了仿真比较。仿真结果表明,在不同传感器节点数和簇头比例时,基于模糊化模拟进化计算的分簇方法相比基于粒子群算法的分簇方法网络通信能耗降低了2.34%到36.02%,相比基于量子遗传算法的分簇方法网络通信能耗降低了18.41%到63.04%,即显着提高了能量效率。
李松[4]（2015）在《量子进化算法的改进及在轧制规程多目标优化中的应用》文中研究说明轧制规程是轧钢过程中对各个轧制机架压下和轧制力的规定。轧制规程优化需考虑轧制能耗、设备负荷均衡、板形板厚等多种因素，传统的单目标优化因考虑角度单一、局限性强难以获得合理的优化结果。多目标优化算法在求解多目标优化问题具有很多优势，改进多目标优化算法以适于轧制规程多目标优化问题是近年国内外学者的研究热点之一。本文在分析轧钢生产过程的基础上，研究了轧制规程优化模型的建立方法及轧制规程优化设计方法，给出了轧制规程优化中的优化函数、决策变量、约束条件的经验公式和轧制规程制定思路。阐述了量子计算理论与多目标进化算法理念，并选取后验证求解方法作为量子进化算法的多目标优化处理方法，给出了轧制规程多目标优化问题的处理思路。针对热连轧轧制规程多目标优化的特点，提出了基于量子位实数编码的多目标量子遗传算法。该算法利用量子位实数编码解决二进制编码解码的繁琐问题来提高收敛速度；利用量子位干涉进行遗传算子实数交叉和变异，考虑非支配解并按拥挤距离选择种群，保证进化向Pareto全局最优解集方向进行。根据某热轧厂实际生产过程七机架连轧部分构建热连轧轧制规程多目标优化模型，应用基于量子位实数编码的多目标量子遗传算法对其进行多目标优化，获得了比原轧制规程更好的优化结果，加快了多目标进化算法在热连轧轧制规程多目标优化中收敛速度。针对冷连轧轧制规程多目标优化的特点，提出了基于改进自适应偏好的多目标免疫算法。该算法加入了改进自适应偏好学习机制，可以获得高质量的Pareto解集。根据某冷轧厂实际生产过程五机架连轧部分构建冷连扎轧制规程多目标优化模型，应用基于改进自适应偏好的多目标免疫算法对其进行多目标优化，获得了比原轧制规程更好的优化结果，提高了多目标进化算法在冷连扎轧制规程多目标优化中的收敛性和解集分布性。
徐豪[5]（2014）在《基于合作型免疫克隆协同进化和量子粒子群的约束多目标优化问题研究》文中研究指明近年来多目标优化问题一直是一个热门的研究问题,而在实际应用中我们会发现需要处理的问题或多或少的会带有一些约束条件,尤其是在实际生活中带有约束条件的问题会更多,这样一个新的研究方向应运而生约束多目标优化问题。由于更加贴近实际生活,所以约束多目标优化问题具有很高的研究价值,关于该问题新的算法也不断的被提出。传统的非进化算法的处理约束多目标优化问题的算法并不能很好地表示问题的真实Pareto前端,大部分算法运行一次只能输出一个结果,这对于我们需要对问题整个Pareto前端有很好表示的要求来说无疑是非常困难的。而进化算法（EA）在处理约束多目标问题时获得了巨大的成功。进化算法进行一次运算后可以输出多个结果,这样只需一次计算就可以相对完整的表达出问题的所有Pareto前端。因此如何更好的使用进化计算的方法,已经成为求解此类问题的主要研究方向。本文的主要内容包括:（1）本文首先提出了量子免疫克隆算法用于求解约束多目标优化问题。该算法首先引进了一个成熟的约束处理策略,并且在使用时对此约束处理策略进行了修正,将个体的约束偏离值与目标函数值进行简单的相加形成新的目标函数值,接下来从种群中选择出两个精英种群,一个保存可行非支配个体用于存储进化过程中出现的最优解。另一个种群保存约束偏离值小且目标函数值小的个体,扩大了算法的搜寻范围,此举提高了算法计算精度和输出结果的多样性。接着本算法引入了量子算子,考虑到量子计算具有对算法加速的能力,通过设计出一个具有加速能力的量子旋转门,来加速算法的计算速度。该方法较好的提高了输出结果的精度、多样性与均匀性。（2）算法以免疫克隆算法为基础,结合协同进化理论模型设计出了合作型免疫克隆协同进化算法。本算法第一步通过初始化产生多个不同种群,各种群内部首先进行独立的进化操作,每次迭代过程种群内部都通过免疫克隆算法产生下一代种群。种群内部迭代过程结束以后,种群之间则通过邻域共享的方法来进行合作交流。并且本算法设计出了多层次的精英种群策略,用于更好的保存算法寻找到的优秀个体。此外本算法还使用了拥挤度排序策略用于保证算法多样性性能的同时提升算法的计算效率。（3）提出将量子粒子群算法应用到约束多目标优化问题上来。首先,粒子群算子具有很好地搜索能力,而在此基础上产生的量子粒子群算子不但具有很强的局部搜索能力并且具有很好的全局探索能力。算法可以快速的收敛到全局最优解,不过当一个问题拥有多个不连续的最优值区域时,算法无法同时很好的找到全部的最优值区域。于是在量子粒子群的基础上本文又添加了一个变异算子,个体的基因编码以一定的概率进行变异,帮助算法跳出局部最优解从而更好的发挥其搜索能力,最终完成对所有全局最优解的搜索。本文工作得到了国家自然科学基金（No.61371201）的资助。
李积英[6]（2014）在《融合量子衍生及DNA计算速率的智能算法在图像分割中的研究》文中认为图像分割是图像处理领域由低层次到高层次的任务之一,是一种基本的图像处理技术,是图像处理过程中的基本问题和难点问题,对处理后的图像数据进行相关的分析及理解依赖于图像分割后的准确数据。该技术的研究涉及机器学习、人工智能、计算机视觉、模式识别、以及数字图像处理等,是多种学科交叉融合处理具体问题的典型。随着图像分割技术的不断深入研究,也会推动相关学科的发展和成熟,促进人们解决类似复杂问题的研究方法。同时分割结果的应用涉及实际生活的各个方面,加之人们对图像分割准确性及实时性的要求越来越高。因此,图像分割技术的研究显得尤为重要。到目前为止,仍然不存在具有普遍适用的分割理论,通常采用具体对象具体解决的方法。本文重点就智能算法应用于医学图像分割时,存在的分割不准确及实时性较差等缺点,从分析普通智能算法机理入手,深入研究量子理论,结合量子理论的优点,设计量子衍生智能算法,并应用于图像分割。主要研究工作如下:（1）通过对蚁群算法原理的分析,明确蚁群算法具有较好的鲁棒性、正反馈机制以及良好的并行性;通过对蚁群算法性能的分析,明确该算法用于图像分割时表现出的早熟、停滞的现象及运算时间长的问题,使得图像分割问题得不到准确解。为解决此问题,对蚁群算法进行量子化;为解决初始阶段算法收敛速度慢,很难在大量候选解中快速找出较好解的问题,利用混沌优化形成初始信息素分布,对算法进行优化以加快收敛速度,最后给出了用于图像分割的算法流程,并对算法的收敛性进行了证明。通过标准测试函数及具体图像分割实验,验证了该算法的有效性。（2）MR图像广泛应用于医学临床辅助诊断中,但脑部MR图像中包括脑灰质、脑白质、脑脊液等多种组织,每种组织结构形状复杂、组织边界不清晰、灰度分布不均匀等特点,决定了其分割的复杂性。普通模糊聚类分割算法依赖于初始参数的设定,效果并不尽人意。针对此问题,将模糊聚类算法与量子蚁群算法相结合,利用量子蚂蚁搜索空间的多样性以及收敛速度快的优点,得到目标函数最优值,再将其作为改进模糊聚类算法的初始参数值,对图像进行分割。通过实验分析,以及常用模糊聚类算法客观评价准则计算,验证了该方法的有效性。（3）医学CT图像中病灶及感兴趣区域的分割是后续治疗的关键,基于最大熵的阈值法是应用广泛的一种分割算法。但一维最大熵阈值分割法并不适合CT图像肿瘤靶区的准确分割要求。许多研究者利用图像更多的局部空间信息提出了二维或更高维熵的阈值分割法,这种方法要不断重复计算熵值,其计算耗时过多,难以用于实时图像处理系统。基于此,提出一种改进的量子克隆进化算法,利用量子空间的多样性丰富种群信息,在传统进化算法中引入克隆算子和量子变异,搜索二维Tsallis熵最优阈值,给出了算法总体流程,并将其用于CT图像的分割中。仿真实验分析证明,与传统进化算法相比,提高了算法的收敛速度,有效避免了传统进化算法易陷入局部极值的问题,分割效果良好,可以满足医学图像三维重建要求。（4）评价分割算法的优劣不仅取决于分割精度,还取决于分割速度。随着图像分辨率越来越高,普通智能算法应用于图像分割领域时的实时性很难保证。因此,有必要在保证算法分割精度不降低的前提下,融合新型计算方法以提高智能算法的寻优速度。基于此,提出一种新型DNA计算方法改进的量子遗传算法,将生化反应速率的DNA计算引入量子遗传算法。利用DNA编码,同时引入置换自适应交叉算子和密码子变异算子对遗传算法进行改进,将其算法用于寻找二维熵的最佳阈值,然后对图像进行分割,标准测试图像及医学图像分割实验证明该方法在保证分割精度不降低的前提下有效提高了分割的速度。综上所述,论文就图像分割中广泛使用的智能算法进行了深入分析,研究了基于量子衍生智能算法及融合DNA计算速率的遗传算法在图像分割中的应用,通过标准图像及医学图像仿真实验比较,本文方法在分割的精度及速度方面获得了较好的效果。
马颖[7]（2014）在《基于量子计算理论的优化算法研究》文中指出量子计算由于其优越的高速性能，被认为是解决当前物理系统计算能力瓶颈的有效手段之一。基于量子计算理论的优化算法作为量子计算的一个重要实现手段，成为智能计算的重要研究方向之一。其不仅包括完全基于量子原理和量子门线路的纯量子搜索算法，还包括采用量子计算机制和传统智能优化算法相融合的量子衍生智能算法，成为当前优化领域研究的重点和热点问题。本文针对几类典型的量子优化算法进行了深入研究，总结了这些算法的结构特点和应用中存在的问题，提出了算法的改进方案，取得了如下创新性成果：1、针对量子Grover搜索算法无法区别待识别目标重要性这一问题，提出了一种基于固定目标权重的Grover量子搜索算法。算法根据目标重要性差别构建了参与迭代的叠加态初态，证明了算子的酉性，推导了改进方案具有的性质。在此基础上，提出了基于固定目标权重的GRK量子部分搜索算法。仿真结果表明，两种算法均能够以分配的权重值成功搜索到目标。最后，提出了量子环境基于GRK改进算法的集成可控有序签名方案。2、提出了一种基于云模型的量子克隆免疫算法。算法首次提出使用云模型协作算子替代量子旋转门这一进化算法中的核心结构，按照染色体个体适应度优劣，选择种群克隆，大幅提高了进化算法的收敛速度和全局搜索能力。在此基础上，提出采用量子位相位编码，使算法适用于连续空间的优化问题；通过对非线性系统的参数估计，验证了算法的有效性。3、提出一种云模型量子粒子群算法。算法保持了量子粒子群算法简单快速的特点，仅通过使用云模型算子实现对收缩扩张因子的自适应控制，就达到大幅提高性能的目的。根据量子势阱模型，提出了一种面向离散空间优化的二进制量子粒子群改进算法。基于上述两个算法，提出了3种压缩感知信号重构方案，信号重构效果良好。4、针对蚁群算法寻优性能偏弱的问题，面向连续空间优化和TSP求解，提出了3种量子蚁群优化算法。通过对量子旋转门旋转角度和蚁群信息素的自适应控制，提高了算法在连续空间，特别是高维空间的性能；融合量子信息强度因素，重新定义了概率选择模型和信息素更新模型，加强了对控制参数的动态调整，大幅提高了算法在TSP求解中的性能；融合云模型到高斯核函数的采样过程，显着提高了量子扩展蚁群算法的收敛速度和全局搜索能力。在此基础上，将量子扩展蚁群算法与神经网络BP算法进行融合，进一步提高了神经网络对信号识别的正确率。
李积英,党建武,王阳萍[8]（2014）在《融合量子克隆进化与二维Tsallis熵的医学图像分割算法》文中认为针对进化算法用于图像分割时收敛速度慢、易早熟的缺点,提出一种改进的量子克隆进化算法.首先利用量子空间的多样性丰富种群信息,在量子变异中根据适应度的不同对个体施以不同的混沌扰动,以克服量子门旋转方向单一、大小固定的缺陷,避免种群陷入局部早熟;然后利用克隆算子将最优个体信息扩充至下一代,以提高其局部寻优能力,加快收敛速度;最后将此算法用于寻找二维Tsallis熵的最佳阈值,实现了对图像的分割.实验结果表明,该算法有效地解决了进化算法收敛速度慢和容易陷入局部极值的问题,而且在分割速度和精度上得到了较大提高,分割效果良好,可以满足医学图像三维重建要求.
陈晓峰,杨广明,黄明[9]（2013）在《一种实数编码的量子差分进化算法》文中进行了进一步梳理量子进化方法是受量子计算思想的启发而产生的一种新型的高效算法,在计算效率和避免陷入局部极值问题上有着卓越的成效.因此,量子机制与智能优化算法的组合,将进一步扩展智能优化算法的应用领域,提高优化算法解决问题的能力.为此,将量子计算引入到差分进化算法中,提出一种新型的进化算法—量子差分进化算法.该方法将量子比特的概率幅表示应用于染色体的实数编码,用量子变异、量子交叉、量子选择操作实现染色体位置的更新,用量子非门进行量子位两个概率幅互换,能在防止算法早熟的同时使算法更快收敛.并分别以函数极值和TSP问题为例进行了仿真,验证了算法的有效性.
徐丽俊[10]（2013）在《两层网络学习控制系统的快速优化调度策略、分布式计算及扩展应用》文中进行了进一步梳理飞速发展的网络和通信技术，与传统控制相互融合，应运而生了适合新世纪需求的网络控制系统。网络控制系统具有设计灵活、资源共享和实用性强等诸多优点，已经逐步应用于先进自动化制造、电力、航天和机器人等领域。然而，由通信网络所支撑的网络控制系统，受到网络容量和通信参量的约束，系统性能不仅取决于控制算法，很大程度上还取决于网络通信资源的合理有效调度。此外，随着控制需求的不断深化，控制算法和优化调度方法也趋于复杂，对有限的计算资源提出了严峻的挑战，系统无法满足算法的快速计算要求，影响整体性能。于是，本文在网络通信和计算资源有限的条件下，针对系统实时性的目标要求，提出基于快速计算平台的两层网络学习控制系统架构，研究公平优化调度策略，设计快速计算平台。主要工作概括如下：首先，提出了基于快速计算平台的控制系统架构，分析了与传统网络控制系统相比所具有的不同特点，并在通信约束下，建立了具有公平性的多目标带宽优化调度模型。针对用户需求提高造成算法复杂的发展趋势和网络控制系统的实时性要求，在传统网络学习控制系统基础上引入快速计算平台，不但可以保证底层网络本地控制的高可靠性要求，也为计算资源的共享、控制优化的计算实时性提供架构保障。在此基础上，考虑通信约束下两层网络学习控制系统带宽调度问题，提出了具有公平性的非合作博弈模型，同时结合专家知识，设计了适合此控制系统架构的带宽调度效用函数，形成了兼具控制、网络多约束的多目标带宽调度优化策略方案。其次，针对上述最优网络带宽调度问题的求解，提出了一种新的基于量子演化的优化方法。与传统的智能优化方法不同，基于量子演化的优化方法通过引入研究微观粒子的量子力学理论，使用量子态概率幅对搜索群的当前位置进行编码，由此增加解空间的遍历性；采用量子旋转门实现对群位置的变异和最优位置的搜索，这样可以进一步增加搜索种群的多样性，以避免优化算法早熟收敛，得到网络带宽调度问题的全局最优解；同时，通过适当设置量子旋转门的转角步长函数，可使算法实现任意精度的搜索。第三，针对最优网络带宽调度的快速求解，提出了两种新的优化算法解决方案带有加速因子的混合蛙跳算法和分层阶级市场竞争算法。由于带有量子演化的优化方法虽能很好的提升最优解的质量，但其计算时间不稳定，仅适合两层网络学习控制系统带宽调度的离线优化。因此，提出了一种新的基于模因演化的加速混合蛙跳算法，模因演化用于进行个体和全局之间的信息交流，该算法集遗传模因算法和基于全局行为的粒子群算法的优点于一身，在保证解的质量的基础上，实现快速收敛。但是带有加速因子的混合蛙跳算法对重约束、尤其是大规模电力系统应用中的维度困境无能为力。受到微观经济学市场理论启发，由此提出了一种新的分层阶级市场竞争算法，通过分层的市场竞争过程，有效降低优化问题的维度和复杂度，同时又能保证解的质量和计算时间，适合快速求解大规模、重约束优化问题。第四，为了进一步提高两层网络学习控制系统中复杂算法的计算速度，在本地计算资源有限的条件下，提出了基于合作博弈的网格并行计算与负载均衡策略。将网格计算融入两层网络学习控制系统，建立了计算任务并行化的计算模型，包含自私网格数学模型和外来作业计算成本模型，然后利用合作博弈理论进行模型的公平性分析，验证了负载均衡为全局最优策略；同时，提出了一种新的基于合作博弈的有界迭代负载均衡算法，给出了多集群自私网格负载的均衡方案，解决异构负载集群在自私网格中的负载均衡难题；最后，利用网格技术将分布式计算资源整合为高性能计算环境，通过计算任务的有效调度，来满足系统的实时计算要求。仿真结果验证了所提方案的有效性。第五，提出了一种新的基于弹性计算云的两层网络学习控制系统的快速虚拟化计算方案。由于自私网格仍需要消耗一定的本地计算资源，同时整合分布式计算资源对整体系统的要求高，带来了居高不下的计算成本。因此，本文根据两层网络学习控制系统可变的计算需求，提出了一种高性能的具有虚拟化特征的集群架构，该架构支持设计灵活、成本低廉、通用性和可扩展性强的云计算，能动态地提供异构计算环境和集群负载均衡，并且能够避免对实际复杂分布式物理架构的讨论；其次，提出了一种新的弹性集群云资源性能评价模型，该模型能有效的计划分配集群来满足计算性能需求和成本要求；最后，设计了虚拟化外部弹性计算云平台，灵活地管理计算资源，同时满足可靠性和实时性要求，高效地完成两层网络学习控制系统中的动态计算任务。最后，在上述理论研究和仿真结果验证所提方案有效性的基础上，将各项性能最优的分层阶级市场竞争算法结合专家系统的方法来解决电力系统中的难题机组组合调度问题。首先分析了电力系统机组组合调度的优化需求，确定总成本目标函数和优化约束，结合多条专家规则组成专家系统来处理机组组合调度问题的多个复杂约束，并通过决策发电机组的初始运行状态的预调度处理，保证所有搜索区域为靠近最优解的可行解集，提高搜索效率，减少执行时间。通过在虚拟化弹性计算云仿真平台上对10台至100台机组的电力系统调度进行实验，表明提出的分层阶级市场竞争算法结合专家系统的新方法能更快更优的解决机组组合调度问题，不仅大大节省了计算时间，对机组组合调度成本的减少也十分有效，具有良好的应用前景。
二、量子克隆进化算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、量子克隆进化算法（论文提纲范文）
（1）基于向量子空间投影的高光谱图像无监督波段选择技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词对照表 |
| 1 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无监督高光谱图像波段选择方法研究现状 |
| 1.2.2 向量子空间投影理论在高光谱图像处理中的应用 |
| 1.3 本文的主要研究内容及章节安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的章节安排 |
| 2 高光谱图像降维技术相关理论分析 |
| 2.1 引言 |
| 2.2 降维的意义 |
| 2.3 特征提取方法 |
| 2.3.1 主成分分析 |
| 2.3.2 局部线性嵌入 |
| 2.4 特征选择方法 |
| 2.4.1 特征选择的实现过程 |
| 2.4.2 特征选择的种类 |
| 2.4.3 子集搜索策略 |
| 2.5 特征选择的效果评价 |
| 2.5.1 支持向量机 |
| 2.5.2 k近邻分类器 |
| 2.6 本章小结 |
| 3 基于最大椭圆体积的高光谱图像波段选择方法 |
| 3.1 引言 |
| 3.2 最大椭圆体积法基本原理 |
| 3.3 基于序列前向搜索的最大椭圆体积波段选择算法 |
| 3.4 基于三角分解的最大椭圆体积波段选择 |
| 3.4.1 矩阵三角分解理论 |
| 3.4.2 基于三角分解的最大椭圆体积波段选择算法 |
| 3.5 实验结果与分析 |
| 3.5.1 对比算法与实验设置 |
| 3.5.2 分类性能比较 |
| 3.5.3 算法时间复杂度对比 |
| 3.5.4 所选波段冗余度对比 |
| 3.6 本章小结 |
| 4 基于正交投影的高光谱图像波段选择方法 |
| 4.1 引言 |
| 4.2 向量子空间投影基本理论 |
| 4.3 基于正交投影的快速波段选择 |
| 4.3.1 正交投影与椭圆体积之间的关系 |
| 4.3.2 正交投影算子的递推公式 |
| 4.3.3 基于正交投影的波段选择算法 |
| 4.3.4 对正交投影波段选择算法的理解与拓展 |
| 4.3.5 所选波段正交投影的衰减 |
| 4.4 实验结果与分析 |
| 4.4.1 对比算法与实验设置 |
| 4.4.2 分类性能比较 |
| 4.4.3 算法时间复杂度对比 |
| 4.4.4 所选波段冗余度对比 |
| 4.4.5 自适应确定所需选择波段数量的实验验证 |
| 4.5 本章小结 |
| 5 基于代表性和冗余度度量的波段选择方法 |
| 5.1 引言 |
| 5.2 代表性和冗余度 |
| 5.3 基于代表性和冗余度度量的逐点式波段选择 |
| 5.3.1 基本思想 |
| 5.3.2 实现一:基于波段间相关性分析的波段选择算法 |
| 5.3.3 实现二:基于多目标优化和序列前向搜索的波段选择算法 |
| 5.4 基于代表性和冗余度度量的分组式波段选择 |
| 5.4.1 基本思想 |
| 5.4.2 基于多目标优化和免疫克隆选择的波段选择算法 |
| 5.5 实验结果和分析 |
| 5.5.1 对比算法与实验设置 |
| 5.5.2 分类性能比较 |
| 5.5.3 算法时间复杂度对比 |
| 5.5.4 所选波段冗余度对比 |
| 5.5.5 噪声波段鲁棒性测试 |
| 5.6 本章小结 |
| 6 基于向量子空间投影的非线性高光谱图像波段选择方法 |
| 6.1 引言 |
| 6.2 核技巧与核函数 |
| 6.3 基于正交投影的非线性波段选择算法 |
| 6.4 基于多目标优化和序列前向搜索的非线性波段选择算法 |
| 6.5 基于多目标优化和免疫克隆选择的非线性波段选择算法 |
| 6.6 实验结果和分析 |
| 6.6.1 对比算法与实验设置 |
| 6.6.2 分类性能比较 |
| 6.6.3 算法时间复杂度对比 |
| 6.6.4 所选波段冗余度对比 |
| 6.6.5 噪声波段鲁棒性测试 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 7.1 研究内容总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 攻读博士学位期间取得科研成果 |
| 致谢 |
（2）正交量子免疫克隆算法在SAT问题中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 SAT问题的研究背景及意义 |
| 1.2 SAT问题求解的研究现状 |
| 1.3 论文的主要结构及内容安排 |
| 第2章 SAT问题及其求解算法 |
| 2.1 SAT问题的定义 |
| 2.2 人工免疫系统中的克隆选择算法 |
| 2.3 量子进化算法 |
| 2.4 SAT问题的正交性 |
| 2.5 本章小结 |
| 第3章 正交量子免疫克隆算法 |
| 3.1 正交量子免疫克隆算法(OQICA) |
| 3.1.1 OQICA算法思想 |
| 3.1.2 OQICA算法实现 |
| 3.1.3 OQICA算法流程 |
| 3.2 本章小结 |
| 第4章 OQICA性能分析 |
| 4.1 算法收敛性 |
| 4.2 实验结果及分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文及参与的科研项目 |
（3）基于进化算法的大规模无线传感器网络覆盖关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 无线传感器网络简介 |
| 1.2 无线传感器网络的系统结构 |
| 1.2.1 系统架构 |
| 1.2.2 软硬件架构 |
| 1.2.3 协议架构 |
| 1.2.4 管理架构 |
| 1.2.5 网络结构 |
| 1.3 无线传感器网络的核心技术 |
| 1.3.1 时间同步技术 |
| 1.3.2 节点定位技术 |
| 1.3.3 数据融合技术 |
| 1.3.4 拓扑控制技术 |
| 1.3.5 网络安全技术 |
| 1.4 无线传感器网络的应用场景 |
| 1.4.1 工业领域 |
| 1.4.2 军事领域 |
| 1.4.3 智能交通 |
| 1.4.4 农业领域 |
| 1.4.5 环境保护 |
| 1.4.6 智能家居 |
| 1.4.7 健康领域 |
| 1.5 论文研究的意义及创新点 |
| 1.6 论文的主要结构 |
| 第二章 无线传感器网络覆盖基础 |
| 2.1 无线传感器网络的节点感知模型 |
| 2.2 无线传感器网络的节点部署方式 |
| 2.3 覆盖算法的评价方式 |
| 2.4 无线传感器网络覆盖算法分类 |
| 2.5 覆盖中的拓扑控制问题 |
| 2.5.1 研究目标 |
| 2.5.2 能量高效覆盖与拓扑控制 |
| 第三章 基于量子蚁群进化算法的自组织无线传感器网络目标覆盖 |
| 3.1 引言 |
| 3.2 目标覆盖问题的系统模型 |
| 3.3 量子蚁群进化算法 |
| 3.3.1 自然蚁群进行路径搜索的基本原理 |
| 3.3.2 传统蚁群算法 |
| 3.3.3 蚁群进化算法解决优化问题 |
| 3.3.4 量子蚁群进化算法 |
| 3.4 基于量子蚁群进化算法的无线传感器网络目标覆盖 |
| 3.4.1 蚁群量子编码 |
| 3.4.2 初始量子位的生成 |
| 3.4.3 量子位状态的测量 |
| 3.4.4 蚂蚁适应度的评价 |
| 3.4.5 蚂蚁的移动和信息素的更新 |
| 3.4.6 蚂蚁位置的量子旋转门更新 |
| 3.4.7 蚂蚁的变异 |
| 3.4.8 量子蚁群进化算法的基本流程 |
| 3.5 仿真及结果分析 |
| 3.6 小结 |
| 第四章 基于量子免疫克隆进化算法的无线传感器网络能量高效目标覆盖 |
| 4.1 引言 |
| 4.2 无线传感器网络能量高效目标覆盖模型 |
| 4.2.1 问题定义 |
| 4.2.2 数学模型 |
| 4.3 基于量子免疫克隆进化算法的能量高效目标覆盖 |
| 4.3.1 抗体的量子位编码 |
| 4.3.2 初始抗体的产生 |
| 4.3.3 抗体亲和力的测量和计算 |
| 4.3.4 抗体选择和克隆扩增 |
| 4.3.5 抗体的替换与保留 |
| 4.3.6 量子免疫克隆进化算法的基本流程 |
| 4.4 仿真及结果分析 |
| 4.5 结论 |
| 第五章 高密度条件下基于模糊化模拟进化计算的无线传感器网络分簇覆盖 |
| 5.1 引言 |
| 5.2 高密度传感器网络分簇模型 |
| 5.3 模拟进化计算 |
| 5.3.1 模拟进化计算的生物学起源 |
| 5.3.2 模拟进化计算的遗传学基础 |
| 5.3.3 模拟进化计算的进化论基础 |
| 5.3.4 模拟进化计算的三种算子 |
| 5.3.5 模拟进化计算的分类和具体流程 |
| 5.3.6 模拟进化计算的优点和局限性 |
| 5.4 模糊控制理论基础 |
| 5.4.1 模糊控制基础 |
| 5.4.2 模糊控制的发展历程 |
| 5.4.3 模糊控制的特点 |
| 5.4.4 经典集合到模糊集合的转换 |
| 5.4.5 模糊集合的表示方法 |
| 5.4.6 常用隶属度函数 |
| 5.4.7 模糊集合的运算及扎德算法 |
| 5.4.8 模糊量的清晰化 |
| 5.5 基于模糊控制的模拟进化计算参数自适应调整 |
| 5.5.1 算法参数自适应调整的基本思想 |
| 5.5.2 模糊控制器的输入和输出 |
| 5.5.3 隶属度函数的选择 |
| 5.5.4 模糊规则与模糊蕴含关系 |
| 5.5.5 模糊推理及输出模糊量的清晰化 |
| 5.6 高密度条件下基于模糊化模拟进化计算的传感器网络分簇 |
| 5.6.1 个体编码、种群编码及初始种群的生成 |
| 5.6.2 适应度函数的设计 |
| 5.6.3 选择运算 |
| 5.6.4 交叉运算 |
| 5.6.5 变异运算 |
| 5.6.6 算法参数的模糊调整 |
| 5.7 仿真结果及分析 |
| 5.8 结论 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 博士期间发表和录用的论文和专利 |
（4）量子进化算法的改进及在轧制规程多目标优化中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 智能优化算法 |
| 1.2.2 多目标优化方法 |
| 1.2.3 轧制过程优化方法 |
| 1.3 本文主要工作 |
| 第2章 轧制规程 |
| 2.1 轧制规程制定 |
| 2.2 轧制规程模型建立方法 |
| 2.2.1 基理建模方法 |
| 2.2.2 实验数据回归建模方法 |
| 2.2.3 神经网络建模方法 |
| 2.2.4 数学模型与人工智能结合建模方法 |
| 2.3 轧制规程的优化设计 |
| 2.3.1 决策变量 |
| 2.3.2 约束条件 |
| 2.3.3 优化函数 |
| 2.4 本章小结 |
| 第3章 多目标量子进化算法 |
| 3.1 量子计算与量子进化算法 |
| 3.1.1 量子计算 |
| 3.1.2 量子进化算法 |
| 3.2 量子进化算法多目标问题的处理方法 |
| 3.3 本章小结 |
| 第4章 改进量子遗传算法及热连轧轧制规程多目标优化 |
| 4.1 热连轧轧制规程多目标优化模型 |
| 4.1.1 多目标优化函数 |
| 4.1.2 轧制参数计算模型 |
| 4.1.3 约束条件 |
| 4.2 改进基于量子位实数编码的多目标遗传算法 |
| 4.2.1 多目标量子遗传算法编码方案 |
| 4.2.2 种群分级机制与精英保留策略 |
| 4.2.3 实数量子位干涉的算子交叉和变异 |
| 4.2.4 算例分析 |
| 4.3 热连轧轧制规程多目标优化的仿真研究 |
| 4.3.1 基于多目标量子遗传算法热连轧优化 |
| 4.3.2 实例分析 |
| 4.4 本章小结 |
| 第5章 改进量子免疫算法及冷连轧轧制规程多目标优化 |
| 5.1 冷连轧轧制规程多目标优化模型 |
| 5.1.1 多目标优化函数 |
| 5.1.2 轧制参数计算模型 |
| 5.1.3 约束条件 |
| 5.2 基于改进自适应偏好的量子免疫多目标优化算法 |
| 5.2.1 多目标量子免疫算法编码方案 |
| 5.2.2 量子免疫操作与克隆更新机制 |
| 5.2.3 约束处理 |
| 5.2.4 算例分析 |
| 5.3 冷连轧轧制规程多目标优化中的仿真研究 |
| 5.4 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（5）基于合作型免疫克隆协同进化和量子粒子群的约束多目标优化问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 约束多目标优化算法的研究背景和发展现状 |
| 1.1.1 约束多目标优化问题的数学模型 |
| 1.1.2 约束多目标优化问题的研究现状 |
| 1.2 度量指标 |
| 1.2.1 世代距离 （Generational Distance） |
| 1.2.2 空间度量（Spacing） |
| 1.2.3 T检验（t-test） |
| 1.2.4 威尔科克森符号秩检验（Wilcoxion） |
| 1.3 本论文内容安排 |
| 第二章量子免疫克隆算法用于求解约束多目标优化问题 |
| 2.1 引言 |
| 2.2 约束偏离值处理策略 |
| 2.3 量子免疫克隆算法用于求解约束多目标优化问题 |
| 2.3.1 编码方式 |
| 2.3.2 初始化 |
| 2.3.3 选择操作 |
| 2.3.4 克隆 |
| 2.3.5 量子计算 |
| 2.3.6 交叉、变异 |
| 2.3.7 算法主要流程 |
| 2.4 仿真实验及结果分析 |
| 2.5 本章总结 |
| 第三章 合作型免疫克隆协同进化算法用于求解约束多目标优化问题 |
| 3.1 引言 |
| 3.2 合作型免疫克隆协同进化算法用于求解约束多目标优化 |
| 3.2.1 初始化 |
| 3.2.2 个体评价 |
| 3.2.3 多层次精英种群策略 |
| 3.2.4 免疫克隆 |
| 3.2.5 合作型协同进化 |
| 3.2.6 算法流程 |
| 3.3 仿真实验及结果分析 |
| 3.3.1 克隆算子和协同进化对算法结果的影响分析 |
| 3.3.2 进化200代结果对比 |
| 3.3.3 进化1000代结果对比 |
| 3.4 本章总结 |
| 第四章 基于量子粒子群算法的约束多目标优化问题 |
| 4.1 引言 |
| 4.2 量子粒子群理论 |
| 4.3 量子粒子群用于求解约束多目标优化问题 |
| 4.3.1 抗体初始化 |
| 4.3.2 目标函数值处理 |
| 4.3.3 量子粒子群算子 |
| 4.3.4 免疫克隆变异操作 |
| 4.3.5 算法流程 |
| 4.4 实验结果及其分分析 |
| 4.4.1 测试问题及评价函数 |
| 4.4.2 测试问题结果 |
| 4.5 本章总结 |
| 第五章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1. 基本情况 |
| 2. 教育背景 |
| 3. 在学期间的研究成果 |
（6）融合量子衍生及DNA计算速率的智能算法在图像分割中的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 图像分割方法综述 |
| 1.3 课题研究的国内外现状 |
| 1.4 课题来源 |
| 1.5 论文主要研究工作 |
| 2 量子理论相关知识 |
| 2.1 量子力学假设 |
| 2.1.1 波函数 |
| 2.1.2 量子态的叠加性、纠缠性以及相干性 |
| 2.1.3 薛定谔方程 |
| 2.1.4 量子算符 |
| 2.2 量子比特 |
| 2.3 量子比特的测量 |
| 2.4 量子门 |
| 2.5 本章小结 |
| 3 基于量子蚁群算法的图像分割 |
| 3.1 蚁群算法分析 |
| 3.1.1 蚁群的生物学基础 |
| 3.1.2 蚁群算法原理 |
| 3.1.3 蚁群算法的性能分析 |
| 3.2 量子蚁群算法 |
| 3.2.1 蚁群空间量子化 |
| 3.2.2 量子蚂蚁位置的转移 |
| 3.2.3 变异算子 |
| 3.2.4 信息素更新机制 |
| 3.2.5 QACA算法流程 |
| 3.2.6 数值分析 |
| 3.3 混沌量子蚁群算法 |
| 3.3.1 混沌概述 |
| 3.3.2 混沌量子蚁群搜索 |
| 3.3.3 CQACA算法流程 |
| 3.3.4 CQACA算法收敛性分析 |
| 3.4 仿真结果及结论 |
| 3.5 本章小结 |
| 4 基于量子蚁群模糊聚类算法的脑部MR图像分割 |
| 4.1 聚类算法分析 |
| 4.1.1 基于划分的聚类算法 |
| 4.1.2 基于密度的聚类算法 |
| 4.1.3 基于层次的聚类算法 |
| 4.1.4 基于网格的聚类算法 |
| 4.1.5 模糊聚类算法 |
| 4.2 脑部MR图像分割概述 |
| 4.3 分割评价准则 |
| 4.4 基于量子蚁群算法的FCM分割方法 |
| 4.4.1 量子编码 |
| 4.4.2 蚂蚁位置的自适应调整 |
| 4.4.3 变异算子 |
| 4.4.4 信息素更新原则 |
| 4.4.5 改进的FCM算法 |
| 4.5 分割算法流程 |
| 4.6 实验结果及分析 |
| 4.6.1 性能分析 |
| 4.6.2 分割效果比较 |
| 4.7 本章小结 |
| 5 融合量子克隆进化与Tsallis熵的CT图像分割算法 |
| 5.1 Tsallis熵 |
| 5.1.1 熵的相关概念 |
| 5.1.2 Tsallis熵阈值法 |
| 5.2 二维Tsallis熵阈值法 |
| 5.3 CT图像分割概述 |
| 5.4 量子进化算法及改进 |
| 5.4.1 量子进化算法 |
| 5.4.2 算法改进 |
| 5.5 改进的QEA分割算法流程 |
| 5.6 实验结果及结论 |
| 5.7 本章小结 |
| 6 基于生化反应速率的图像阈值分割算法 |
| 6.1 Arimoto熵阈值分割法 |
| 6.2 遗传算法 |
| 6.2.1 遗传算法基本思想及关键技术分析 |
| 6.2.2 遗传算法性能 |
| 6.2.3 遗传算法改进策略 |
| 6.3 DNA计算 |
| 6.3.1 DNA计算介绍 |
| 6.3.2 DNA计算的原理 |
| 6.3.3 DNA计算的特点 |
| 6.3.4 DNA计算的实现途径 |
| 6.4 改进的DNA-GA分割算法 |
| 6.4.1 DNA编码与解码 |
| 6.4.2 适应度函数 |
| 6.4.3 选择算子 |
| 6.4.4 交叉算子 |
| 6.4.5 变异算子 |
| 6.5 DNA-GA分割算法流程 |
| 6.6 实验结果及结论 |
| 6.7 本章小结 |
| 结论与展望 |
| 参考 文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（7）基于量子计算理论的优化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 论文常用专业术语说明 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 量子计算优化方法背景与意义 |
| 1.3 量子搜索与优化研究现状 |
| 1.3.1 量子搜索研究现状 |
| 1.3.2 量子优化算法研究现状 |
| 1.4 存在的问题和研究内容 |
| 1.5 论文的结构与主要工作 |
| 第二章 量子计算理论基础 |
| 2.1 量子比特与量子门 |
| 2.1.1 量子比特 |
| 2.1.2 量子比特门 |
| 2.2 量子状态空间 |
| 2.2.1 基与线性无关性 |
| 2.2.2 量子算符 |
| 2.2.3 内积、外积与张量积 |
| 2.3 量子的重要特性 |
| 2.3.1 量子的叠加性 |
| 2.3.2 量子状态的相干性 |
| 2.3.3 量子纠缠性 |
| 2.3.4 量子并行性 |
| 2.4 量子理论假设 |
| 2.4.1 状态空间假设 |
| 2.4.2 薛定谔方程假设 |
| 2.4.3 量子测量假设 |
| 2.4.4 复合系统假设 |
| 2.5 本章小结 |
| 第三章 基于 Grover 算法的量子搜索改进与应用 |
| 3.1 引言 |
| 3.2 基于固定目标权重的 Grover 搜索算法 |
| 3.2.1 Grover 算法基本原理 |
| 3.2.2 Grover 算法迭代过程分析 |
| 3.2.3 基于固定目标权重的 Grover 量子搜索算法 |
| 3.2.4 算例分析 |
| 3.3 基于固定目标权重的量子部分搜索算法 |
| 3.3.1 目标态的构建 |
| 3.3.2 GRK 算法原理与计算步骤 |
| 3.3.3 算例分析 |
| 3.4 基于量子部分搜索算法的量子可控有序签名集成方案 |
| 3.4.1 纠缠交换原理 |
| 3.4.2 量子可控有序多重集成签名方案 |
| 3.4.3 安全性和有效性分析 |
| 3.5 本章小结 |
| 第四章 量子免疫克隆算法的改进与应用 |
| 4.1 引言 |
| 4.2 量子免疫算法的原理及特点 |
| 4.3 云模型量子自适应免疫克隆算法 |
| 4.3.1 云模型理论 |
| 4.3.2 混沌系统分析 |
| 4.3.3 算法基本原理 |
| 4.3.4 测试结果及分析 |
| 4.4 改进算法在参数估计中的应用 |
| 4.4.1 编码方案的改进 |
| 4.4.2 非线性系统模型 |
| 4.4.3 估计的结果及分析 |
| 4.5 本章小结 |
| 第五章 量子粒子群算法的改进与应用 |
| 5.1 引言 |
| 5.2 量子粒子群算法原理 |
| 5.3 云模型的自适应量子粒子群算法 |
| 5.3.1 算法基本原理 |
| 5.3.2 算法性能测试 |
| 5.4 基于二进制的量子粒子群算法 |
| 5.4.1 算法原理 |
| 5.4.2 测试与分析 |
| 5.5 改进算法在压缩感知数据重构中的应用 |
| 5.5.1 压缩感知理论简介 |
| 5.5.2 基于统计法的直接信号重构 |
| 5.5.3 基于 OMP 算法的信号重构 |
| 5.5.4 基于量子粒子群算法的稀疏度未知信号重建 |
| 5.6 本章小结 |
| 第六章 量子蚁群算法的改进与应用 |
| 6.1 引言 |
| 6.2 量子蚁群算法基本原理 |
| 6.3 连续空间优化的量子蚁群算法 |
| 6.3.1 连续空间优化量子蚁群算法基本原理 |
| 6.3.2 算法性能测试 |
| 6.4 求解 TSP 问题的改进量子蚁群算法 |
| 6.4.1 改进量子蚁群算法原理 |
| 6.4.2 算法性能测试 |
| 6.5 量子扩展蚁群连续优化改进算法 |
| 6.5.1 ACOR算法简介 |
| 6.5.2 量子扩展蚁群改进算法原理 |
| 6.5.3 测试结果与分析 |
| 6.6 量子扩展蚁群改进算法在 BP 神经网络中的应用 |
| 6.6.1 应用背景 |
| 6.6.2 声音样本集的建立 |
| 6.6.3 BP—IQEACA 算法 |
| 6.6.4 仿真设置与结果 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻博期间完成的学术论文和成果 |
| 致谢 |
（8）融合量子克隆进化与二维Tsallis熵的医学图像分割算法（论文提纲范文）
| 1 二维Tsallis熵阈值法 |
| 2 量子进化算法及改进 |
| 2.1 量子进化算法 |
| 2.2 算法改进 |
| 3 算法具体步骤 |
| 4 实验结果及结论 |
| 5结束语 |
（9）一种实数编码的量子差分进化算法（论文提纲范文）
| 1 引 言 |
| 2 差分进化算法 |
| 3 量子差分进化算法 |
| 3.1 量子染色体的组成及编码 |
| 3.2 优化问题的解空间变换方法 |
| 3.3 量子状态更新 |
| 3.4 QDE算法描述 |
| 4 仿真结果对比及分析 |
| 4.1 函数极值问题 |
| 4.2 TSP问题 |
| 5 结束语 |
（10）两层网络学习控制系统的快速优化调度策略、分布式计算及扩展应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景 |
| 1.2 相关领域的国内外研究进展与现状 |
| 1.2.1 网络控制系统的网络架构 |
| 1.2.2 网络控制系统的通信约束 |
| 1.2.3 网络控制系统的优化调度问题 |
| 1.2.4 优化调度方法 |
| 1.2.5 计算平台 |
| 1.2.6 电力系统机组调度 |
| 1.3 本文的主要工作与特色 |
| 1.4 本文的章节安排 |
| 第二章 具有通信约束的两层网络学习控制系统多目标带宽调度的非合作博弈模型 |
| 2.1 引言 |
| 2.2 含有快速计算平台的两层网络学习控制系统架构 |
| 2.3 两层网络学习控制系统带宽调度的非合作博弈模型和纳什均衡 |
| 2.3.1 两层网络学习控制系统带宽调度的非合作博弈模型描述 |
| 2.3.2 两层网络学习控制系统带宽调度的纳什均衡 |
| 2.4 基于非合作博弈的两层网络学习控制系统带宽调度模型 |
| 2.5 本章小结 |
| 第三章 快速优化策略研究 |
| 3.1 引言 |
| 3.2 基于量子演化的优化方法 |
| 3.2.1 量子演化策略研究 |
| 3.2.2 混合量子演化克隆进化算法 |
| 3.2.3 量子演化权重自适应混合粒子群算法 |
| 3.3 带有加速因子的混合蛙跳算法 |
| 3.4 分层阶级市场竞争算法 |
| 3.5 本章小结 |
| 第四章 两层网络学习控制系统快速优化策略的仿真实验研究 |
| 4.1 引言 |
| 4.2 优化算法的标准函数测试分析 |
| 4.2.1 优化算法标准测试函数及其特性研究 |
| 4.2.2 快速优化算法仿真性能评价分析 |
| 4.3 两层网络学习控制系统带宽调度的快速优化调度策略的仿真研究 |
| 4.3.1 两层网络学习控制系统带宽调度的加速混合蛙跳算法的仿真研究 |
| 4.3.2 两层网络学习控制系统带宽调度的分层市场竞争算法的仿真研究 |
| 4.4 本章小结 |
| 第五章 基于合作博弈的两层网络学习控制系统网格并行与负载均衡策略研究 |
| 5.1 引言 |
| 5.2 网格并行模型与匹配策略 |
| 5.2.1 网格并行任务模型 |
| 5.2.2 网格定义与服务架构 |
| 5.2.3 网格匹配策略 |
| 5.3 基于合作博弈的自私网格负载均衡策略研究 |
| 5.3.1 网格模型 |
| 5.3.2 自私网格数学模型的建立与合作博弈验证 |
| 5.3.3 基于合作博弈的有界迭代负载均衡算法 |
| 5.4 基于合作博弈的两层网络学习控制系统网格并行与负载均衡策略的仿真研究 |
| 5.4.1 两层网络学习控制系统的网格高性能资源管理调度实验环境 |
| 5.4.2 两层网络学习控制系统的网格并行与负载均衡仿真实验 |
| 5.5 本章小结 |
| 第六章 基于弹性计算云的两层网络学习控制系统的快速虚拟化计算平台研究 |
| 6.1 引言 |
| 6.2 弹性计算云的虚拟化管理策略 |
| 6.2.1 弹性计算云的虚拟化部署 |
| 6.2.2 两层网络学习控制系统中的弹性计算云架构 |
| 6.3 两层网络学习控制系统中的弹性计算云模型 |
| 6.4 基于弹性计算云平台的两层网络学习控制系统的快速虚拟化计算的仿真实验研究 |
| 6.4.1 系统部署与实现 |
| 6.4.2 两层网络学习控制系统的快速虚拟化云计算的仿真实验研究 |
| 6.5 本章小结 |
| 第七章 基于快速优化策略的电力系统调度扩展应用研究 |
| 7.1 引言 |
| 7.2 电力系统机组组合调度问题研究 |
| 7.2.1 电力系统机组组合调度系统架构 |
| 7.2.2 电力系统机组组合调度模型设计 |
| 7.3 基于专家系统的分层阶级市场竞争算法的电力系统机组组合调度实现 |
| 7.3.1 电力系统机组组合调度的专家规则设计 |
| 7.3.2 电力系统机组组合调度的成本 |
| 7.3.3 电力系统机组组合调度多约束的处理 |
| 7.4 基于专家系统的分层阶级市场竞争算法的电力系统机组组合调度的仿真研究 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 全文总结 |
| 8.2 进一步工作展望 |
| 参考文献 |
| 攻读博士学位期间公开发表的学术论文 |
| 攻读博士学位期间参加的科研项目 |
| 攻读博士学位期间获得的奖励以及参与的学术工作 |
| 致谢 |
四、量子克隆进化算法（论文参考文献）
- [1]基于向量子空间投影的高光谱图像无监督波段选择技术研究[D]. 张文强. 浙江大学, 2020(12)
- [2]正交量子免疫克隆算法在SAT问题中的应用[D]. 王天磊. 西南交通大学, 2016(01)
- [3]基于进化算法的大规模无线传感器网络覆盖关键技术研究[D]. 周杰. 北京邮电大学, 2015(03)
- [4]量子进化算法的改进及在轧制规程多目标优化中的应用[D]. 李松. 沈阳工业大学, 2015(07)
- [5]基于合作型免疫克隆协同进化和量子粒子群的约束多目标优化问题研究[D]. 徐豪. 西安电子科技大学, 2014(03)
- [6]融合量子衍生及DNA计算速率的智能算法在图像分割中的研究[D]. 李积英. 兰州交通大学, 2014(05)
- [7]基于量子计算理论的优化算法研究[D]. 马颖. 西北工业大学, 2014(07)
- [8]融合量子克隆进化与二维Tsallis熵的医学图像分割算法[J]. 李积英,党建武,王阳萍. 计算机辅助设计与图形学学报, 2014(03)
- [9]一种实数编码的量子差分进化算法[J]. 陈晓峰,杨广明,黄明. 小型微型计算机系统, 2013(05)
- [10]两层网络学习控制系统的快速优化调度策略、分布式计算及扩展应用[D]. 徐丽俊. 上海大学, 2013(11)