量子計算與量子優(yōu)化算法

第1章 量子力學基礎
1.1 從經(jīng)典力學到量子力學
1.2 量子力學發(fā)展的回顧
1.3 量子力學的基本概念
1.3.1 什么是量子力學
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 量子力學的基本假設
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 量子力學的數(shù)學基礎
1.5.1 向量空間與希爾伯特空間
1.5.2 狄拉克符號
1.5.3 基與線性無關
1.5.4 線性算子與矩陣
1.5.5 內(nèi)積、外積、張量積
第2章 量子計算基礎
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
2.3.1 單比特量子門
2.3.2 多比特量子門
2.3.3 量子門的通用性
第3章 基本量子算法
3.1 量子計算的并行性
3.2 Deutsch量子算法
3.3 Shor量子算法
3.3.1 因子分解問題求解的基本思想
3.3.2 shor算法的實現(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
4.1 Grover算法的國內(nèi)外研究現(xiàn)狀
4.1.1 國外研究情況
4.1.2 國內(nèi)研究情況
4.2 基本Grover算法存在的主要問題
4.3 基于π／2相位旋轉的改進算法
4.3.1 相位匹配條件的改進
4.3.2 改進后算法相位旋轉的直觀圖示
4.3.3 改進后的算法描述
4.3.4 搜索實例
4.4 使用局部擴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算法對比
4.5 基于自適應相位旋轉的Grover算法
4.5.1 搜索引擎描述
4.5.2 自適應旋轉相位的確定
4.5.3 搜索舉例
4.6 基于目標加權的Grover算法
4.6.1 目標量子疊加態(tài)的構造
4.6.2 迭代算子的構造
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 目標態(tài)概率幅迭代過程動態(tài)分析
4.6.7 加權Grover算法與基本Grover算法的關系
4.6.8 加權Grover算法的實現(xiàn)步驟
4.6.9 加權Grover算法舉例及分析
4.7 基于自適應相位旋轉的加權Grover算法
4.7.1 算法原理
4.7.2 算例分析
4.8 基于固定相位旋轉的Grover算法
4.9 基于固定相位旋轉的廣義Grover算法
4.9.1 構造迭代算子
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系
4.9.5 廣義Grover算法與其他算法的對比
第5章 量子遺傳算法
5.1 量子進化算法的國內(nèi)外研究現(xiàn)狀
5.1.1 國外研究現(xiàn)狀
5.1.2 國內(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 算法結構
5.2.3 算法實現(xiàn)過程
5.2.4 算法仿真結果
5.3 改進的量子遺傳算法
5.3.1 概述
5.3.2 實數(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)化問題中的應用
5.4 基于量子位Bloch球面坐標的量子進化算法
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)化及模式識別中的應用
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)化問題中的應用
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 仿真結果對比
第7章 量子神經(jīng)網(wǎng)絡模型與算法
7.1 量子神經(jīng)網(wǎng)絡的國內(nèi)外研究現(xiàn)狀
7.2 基于通用量子門演化的量子神經(jīng)網(wǎng)絡
7.2.1 量子位和通用量子門
7.2.2 量子BP神經(jīng)網(wǎng)絡模型
7.2.3 量子BP神經(jīng)網(wǎng)絡學習算法
7.2.4 量子BP神經(jīng)網(wǎng)絡的連續(xù)性
7.2.5 在平面點集分類和函數(shù)逼近中的應用
7.3 基于量子加權的量子神經(jīng)網(wǎng)絡
7.3.1 量子加權神經(jīng)網(wǎng)絡模型
7.3.2 學習算法
7.3.3 在雙螺旋線分類及函數(shù)逼近中的應用
7.3.4 在優(yōu)化PID控制參數(shù)中的應用
7.4 基于量子門線路的量子神經(jīng)網(wǎng)絡
7.4.1 量子門及線路表示
7.4.2 量子門線路神經(jīng)網(wǎng)絡模型
7.4.3 學習算法
7.4.4 在模式識別和函數(shù)逼近中的應用
7.5 量子自組織特征映射網(wǎng)絡
7.5.1 量子自組織特征映射網(wǎng)絡模型
7.5.2 量子自組織特征映射網(wǎng)絡聚類算法
7.5.3 在IRIS數(shù)據(jù)聚類中的應用
第8章 量子遺傳算法在模糊神經(jīng)控制中的應用
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)化設計
8.2.1 NFNN控制器的拓撲結構
8.2.2 基于量子遺傳算法的NFNN控制器參數(shù)優(yōu)化設計
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 單級倒立擺的數(shù)學模型
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)化設計
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)化設計
8.4.3 基于初始擺角300下的DCQGA優(yōu)化性能對比
8.4.4 變擺桿長度情況下的DCQGA優(yōu)化性能對比
8.4.5 基于初始擺角1度下的DCQGA優(yōu)化性能對比
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)絡聚類算法仿真程序
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 量子計算常用名詞漢英對照
參考文獻