Page 217 - 当代控制理论及应用技术概论

第五章 量子控制研究

该算法仍然容易陷入局部最优。因此，许多改进方法从加人量子交叉、量子变异
量子灾变等新算子人手来提升量子遗传算法的性能。Yang 等人 5 借鉴量子相互
干扰的特性，提出了一种量子全干扰交叉算子，让更多个体参与到交叉操作中，
即使在种群中大部分个体都相同的极端情况下，仍然能够通过该算子产生新个体，
因而能够防止早熟。

Li 等人提出了一种新的量子交叉方式：首先随机安排种群中染色体的顺序，
然后交叉生成第一个新染色体。新染色体的第一个基因位取自第一个染色体的第
一个基因位，新染色体的第二个基因位取自第二个染色体的第二个基因位，直到

新染色体的长度与原染色体相同为止。最后重复上述过程产生下一个新染色体。
这种特殊的交叉操作能够很好地防止算法早熟收敛，增强了算法的搜索效率。一
种免疫量子遗传算法，基本量子遗传算法在量子编码转换为二进制编码的过程中
存在着随机性和盲目性，这种特性虽然能够让每个个体都有进化的机会，但同时
又意味着每个个体在一定程度上都有退化的机会，在处理复杂问题时，这种退化

有可能会导致种群信息的严重缺失，因而引入免疫算子来克服这一缺陷。仿真实
验表明，免疫量子遗传算法在处理复杂函数优化问题时具有良好的效果。
3. 量子遗传算法的并行性

受遗传算法并发性的启发，提出了一种并行量子衍生遗传算法，在基本量
子遗传算法中，一个个体能够同时表达多种状态，而每个个体仅仅由其本身概率
幅和当前最优解个体决定，因此每个个体之间并没有紧密的联系，所以可以引入
并行算法的思想，将整个种群划分为几个子种群，每个子种群各自进化，并且在
进化到一定代数时通过移民操作交换个体。这种方法扩大了搜索范围，提高了算

法的搜索效率。将所有个体按照一定的拓扑结构分成几个相互独立的子种群，采
用多状态基因量子比特编码方式来表达子种群中的个体，并且通过最佳移民和量
子交叉操作来交换子种群之间的信息，有效地阻止了早熟收敛。

4. 混合量子遗传算法
No Free Lunch 定理说明：没有一种方法能够有效地解决所有问题，所以混
合算法受到广泛重视。而量子遗传算法具有搜索效率高、原理简单等优点，容易
与其他方法融合，因此许多研究针对混合算法展开。一种有效的混合量子遗传算
法，利用种群的聚拢因子和量子位收敛因子设定终止条件，并将单纯形法作为局

部搜索策略，提高了算法效率。将人工免疫系统中的克隆算子引人到量子遗传算

209
209