神奇的量子世界——量子遗传算法（Python&Matlab实现）

1 重要知识点

---

在专栏我已经系统总结了遗传算法：*智能优化算法（持续更新中…），下面我们先讲解重要知识点，然后用Python和Matlab分别实现。

1.1 遗传算法

遗传算法是一种模拟达尔文生物进化论和遗传变异的智能算法。这种算法具有鲁棒性（用以表征控制系统对特性或参数扰动的不敏感性）较强，实现的步骤规范、简单通用等优点，在人工智能、多目标决策、社会及经济等领域都有大量运用。但一般遗传算法存在一定的局限性：收敛速度慢、迭代的次数多，易过早收敛，容易陷入局部最优解。

1**.2 量子计算**

量子计算为量子力学与信息科学的综合交叉学科。量子计算具有量子力学的并行性，计算速度更快；同时，量子状态多种多样，在进行最优解的搜索时极少陷入局部的极值。

1.3 量子遗传算法

量子遗传算法将量子的态矢量引入遗传算法，利用量子比特的概率幅应用于染色体的编码。一条染色体是多个量子状态的叠加。并使用量子旋转门实现染色体的变异更新。因此量子遗传算法具有迭代次数少，运行速度快，能以较少种群进行遗传变异，搜索范围广，难以陷入局部的极值等优点。

想更深入了解量子遗传算法，可以阅读以下两篇文章：

简单通过一幅图介绍量子遗传算法的特性，黄色个体上有当前最优值，黑色为某其他个体，迭代一次，黑色个体会旋转并向黄色个体靠近，量子遗传算法用旋转门取代了原有的交叉过程。个体自带两个函数值，寻优收敛速度更快，有旋转过程寻找最优，旋转公式中也有惯性公式，即随着迭代次数增加旋转幅度会降低，整体比较遗传算法，更不易陷入局部最优。

2 操作步骤

---

2.1 运用量子比特初始化父代染色体

在传统的二进制计算中，用|0》与|1》表示数值，它们即为比特。类似的，在量子计算的过程中，使用与表示量子的两种基本状态，称其为量子比特。量子比特的各种状态，用下式表示：

其中，α与β为一复数，称之为概率幅，且α与β满足

其等效于

量子状态又可表示为：

量子遗传算法将染色体上的基因用量子比特表示，从而增加种群多样性。随机生成m个染色体，每个染色体上的基因用量子比特表示，且初始化为。

2.2 在量子遗传算法中，染色体采用量子位的概率幅进行编码，编码方案如下：

Pi为第i个基因，为量子比特的相位，n为染色体数目，k为量子位的位数即解空间的维数，rand是[0,1]范围内的随机数。每个量子位为分上下两行，分别对应两个量子基本态的概率幅，满足归一化条件，因此每个个体包含上下两条文化基因链，每条基因链是优化问题的一个候选解。由此可知，量子遗传算法在种群规模不变的情况下，候选解个数比遗传算法多一倍，增加了解空间的多样性，提高了寻优成功的概率。

2.3 对初始化种群中的每一个个体进行测量。

随机生成一个数x∈[0,1]，若

则测量值取1，