最近在学习怎么将论文的Introduction写好，再加上自己想写的一篇小论文与群智能优化有关，因此最近在看群智能优化相关的Introduction部分以及论文结构。下面是在IEEE找的一篇论文，我主要看了abstract和introduction，以及论文的结构。具体未细看，下面是论文的相关信息，有兴趣的可以下载下来自行研读。
目录
2.Quantum-inspired differential evolution
A. Real Number-Based Chromosome Coding
C. Quantum Crossover Operation
D. Quantum Selection Operation
论文名称：An Enhanced MSIQDE Algorithm With Novel Multiple Strategies for Global Optimization Problems
期刊名称：IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS
Abstract
量子启发微分进化（Quantum-inspired differential evolution，QDE）是一种能够有效解决复杂优化问题的进化算法。然而，有时，它容易导致过早收敛和低搜索能力，并陷入局部最优。为了克服这些问题，本文基于MSIQDE（改进的多策略QDE）算法，提出了一种基于混合多策略的增强MSIQDE算法，即EMMSIQDE。在EMMSIQED中，一种新的差分突变策略被提出，以提高搜索能力和下降能力。然后，一种新的多种群突变进行机制被设计，以保证各亚种群的相对独立性和种群多样性。利用可行解空间变换策略，通过将量子染色体从单位空间映射到解空间来实现最优解。最后，选取了一些多维单模态和多模态函数来证明该模型的优化性能。结果表明，该模型明显优于DE、QDE、QGA和MSIQDE，具有更好的优化能力、可伸缩性、效率和稳定性。
Index Terms：Differential mutation，global optimization problems,multipopulation mutation evolution mechanism,optimization performance,quantum-inspired differential evolution (QDE),quantum rotation gate。
1.Introduction
实际工程中的许多问题都可以转化为优化问题，如资源配置、结构工程、[1]-[4]等。这些问题属于NP困难问题。优化是在任何环境[5]-[8]中对一个复杂问题尽可能有效地找到一个全局最优值。解决这些问题的方法包括经典方法和智能算法[9]-[11]。由于数据量大，解空间大，经典方法对这些问题[12]-[14]受到限制。其智能算法主要包括差分进化（DE）、蚁群优化（ACO）、回溯搜索优化（BSO）等[15]-[19]算法。该智能算法的目的是为了获得一个可接受的解决方案。（背景）
DE是一种有效的全局优化算法[20]。其思想是区分同一种群中两个不同的个体载体，并添加第三个个体向量，获得突变个体载体。最近几年中，目前正在提出不同的DE变体。[21]等人设计了一种新的DE变体。Guo等人[22]提出了一种改进的父选择框架成功的DE。Ho-Huu等人[23]通过离散变量处理方法开发了一种所谓的离散-ICDE方法。Hao等人[24]提出了一种混合DE。[25]等人提出了一种改进的Rcr-IJADE。Ali等人[26]提出了一种sTDE-dR来提高搜索质量，避免停滞。Awad等人[27]提出了约束约束问题的改进DE。Yang等人[28]提出了一种基于田口的二进制DE。Wang等人，[29]设计了一个合作的DE框架。Wang等人[1]提出了一种具有全球和本地代理的新DE。阿尔斯瓦蒂等人[30]提出了一种基于方差的可选交叉DE。Wang等人[31]提出了一种基于不同试验向量的复合DE。Wang等人[32]提出了一种新的微分和谐算法。此外，近年来还提出了其他一些优化算法[33]-[37]。（介绍在DE算法上，前人的工作）
量子计算（Quantum computing，QC）是一种新的计算技术。量子启发的DE（QDE）充分利用了QC的速度和DE的优化性能。它可以避免过早增长，加速趋同，并保证人口的多样性。因此，在过去的几十年里，人们提出了一些不同的QDE变体。Draa等人[38]提出了一种新的QDE来解决n-皇后计数问题。Su等人[39]提出了一种新的QDE来训练模糊模型。Deng等[40]提出了一种改进的多策略（MSIQDE）QDE，但仍存在较低的搜索精度和过早收敛的问题。(介绍前人结合了QC和DE的优势，做了那些工作)
为了解决MSIQDE的这些缺点，提出了一种基于混合多种策略（EMMSIQDE）的增强MSIQDE。在该EMMSIQDE中，提出了一种新的差分突变策略，以提高其优化性能和下降能力。提出了一种新的多种群突变进化机制，以保证各亚种群在进化过程中的相对独立性，而不受其他种群的干扰，以保证种群的多样性。采用可行解空间变换、量子个体测量和种群更新等策略进一步提高了优化性能。通过对一些函数的大量实验来评估该模型的可扩展性、效率和稳定性。
（该文section2 主要介绍基本的QDE算法；section3 主要介绍增加的MSIQDE算法；section4主要介绍EMMSIQDE算法的步骤；section5 量子旋转门（我不懂）的选择，section 6仿真实验和分析）
2.Quantum-inspired differential evolution
A. Real Number-Based Chromosome Coding
在QDE中，染色体用 Q-bit表示。一个Q-bit由复数（α，β）定义为[α，β] T。因此，对Q-bit的描述如下：
长度为(m)的量子染色体的定义如下：
B. Quantum Mutation Operation
在QDE中，从种群中随机选择一个量子染色体。Q-bit是一个碱基向量，另一个有两个不同染色体的q位是一个差分向量。θi t可以得到如下方法：
C. Quantum Crossover Operation
为了保证种群的多样性和提高优化能力，通过最大限度的量子个体和预定的亲本个体来获得新的个体。交叉概率（CR）的定义如下：
D. Quantum Selection Operation
利用贪婪策略对所有测试向量的目标函数的适应度值进行评估，以选择较好的个体进入下一代。量子选择操作的描述如下：
（.......................................................）
PS：由于我不是做差分进化这块，在上面一些翻译细节上，可能没翻译对，欢迎大家指正。另外，欢迎做群智能优化的朋友们一起探讨学习。
以上仅是自己的笔记。
608
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
