量子遗传算法以及matlab实现

1、基本概念

（1）量子遗传算法是量子计算与遗传算法相结合的智能优化算法，由K.H.Han等人提出，其将量子态、量子门、量子状态特性、概率幅等量子概念引入到遗传算法当中。量子遗传算法也是一种概率搜素算法，它采用量子位来表示基因。遗传算法的基因所表达的是某一确定的信息，而量子遗传算法中，由于量子信息的叠加性使量子位所表达的基因包含所有可能的信息。

（2）在量子计算中，量子比特｜0〉和｜1〉表示微观粒子的两种基本状态，根据叠加原理，量子信息的叠加态可以表示为这两个基本态的线性组合，即｜ψ〉=α｜0〉+β｜1〉，式中α和β为复数，表示量子位状态的概率幅，其中和分别表示量子态｜ψ〉因测量导致坍缩到｜0〉态和｜1〉态的概率，且满足的归一化条件

（3）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：

θ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。

（4）在量子遗传算法中，采用量子旋转门改变量子比特相位，以更新量子位的概率幅，从而达到基因变异的效果。

2、量子遗传算法的基本步骤：

step1：初始化父代染色体

step2：对每个染色体基因位即量子位进行测量，得到一个状态。对每个状态计算适应度，记录最佳个体及适应度。

step3：遗传进化设定的代数，其中采用量子旋转门对每一代染色体进行遗传变异。

step4：达到终止条件，输出最佳个体及适应度。

3、量子遗传算法的MATLAB实现代码如下

clear all;                                                   
close all;                                                   
%------------------------变量部分---------------------             
popsize = 100;        %种群规模                              
vartotal = 2;         %变量个数即一条染色体的量子位数          
shiftstep = 0.01*pi; %转角步长
Pm = ones(1,popsize)*0.05;%设置变异概率
maxgen = 500;  %设置迭代次数
%------数组部分--解空间的优化变量的取值范围------------
var_range(1,1) = -100;    
var_range(1,2) = 100;    
var_range(2,1) = -100;  
var_range(2,2) = 100;     
%--------------------染色体初始化----------------------
%    初始化了2*popsize条染色体，其中每条染色体两条基因链
for i=1:1:vartotal
    
    fai(:,i)=2*pi*rand(popsize,1); 
    chrom(:,1,i)=cos(fai(:,i));
    chrom(:,2,i)=sin(fai(:,i));
   
    oldfai(:,i)=2*pi*rand(popsize,1); 
    oldchrom(:,1,i)=cos(oldfai(:,i));
    oldchrom(:,2,i)=sin(oldfai(:,i));
end
%--------------------解空间变换-------------------------
for i=1:1:2 
    for j=1:1:vartotal
        chromx(:,i,j)=0.5*(var_range(j,2)*(1+chrom(:,i,j))+var_range(j,1)*(1-chrom(:,i,j)));
        oldchromx(:,i,j)=0.5*(var_range(j,2)*(1+oldchrom(:,i,j))+var_range(j,1)*(1-oldchrom(:,i,j)));
    end
end
%-----------计算适应度---适应度函数：Shaffer's F6函数-------------
for i=1:1:popsize
    for j=1:1:2
        x1=chromx(i,j,1);
        x2=chromx(i,j,2);
        fitness(i,j)=0.5-((sin(sqrt(x1^2+x2^2)))^2-0.5)/(1+0.001*(x1^2+x2^2))^2;
        x1=oldchromx(i,j,1);
        x2=oldchromx(i,j,2);
        oldfitness(i,j)=0.5-((sin(sqrt(x1^2+x2^2)))^2-0.5)/(1+0.001*(x1^2+x2^2))^2;
    end
end
%----------------------获得最优解及相应自变量----------------------
[Bestf,Indexf]=sort(fitness,2);
[BestF,IndexF]=sort(Bestf,1);
gBestfit=BestF(popsize,2); 
gBestpop=IndexF(popsize,2); 
gBestg=Indexf(gBestpop,2);  
gBestfai=fai(gBestpop,:);  
gBestC=chrom(gBestpop,:,:);
gBest_x=chromx(gBestpop,:,:);
gBest_fit=fitness(gBestpop,:);
%----------------------------主循环开始-----------------------------
for gen = 1:1:maxgen   
    for i = 1:1:vartotal 
        tmp=abs(chromx(1,gBestg,i)-oldchromx(1,gBestg,i));
        if tmp<1.0e-2
            tmp=1.0e-2;
        end
        max(i)=abs(fitness(1,gBestg)-oldfitness(1,gBestg))/tmp;
        for j = 1:1:popsize
            tmp=abs(chromx(j,gBestg,i)-oldchromx(j,gBestg,i)); 
            if tmp<1.0e-2
               tmp=1.0e-2;
            end
            if max(i)<abs(fitness(j,gBestg)-oldfitness(j,gBestg))/tmp
                max(i)=abs(fitness(j,gBestg)-oldfitness(j,gBestg))/tmp;
            end
            if min(i)>abs(fitness(j,gBestg)-oldfitness(j,gBestg))/tmp
                min(i)=abs(fitness(j,gBestg)-oldfitness(j,gBestg))/tmp;
            end
        end
    end
    %---------------执行量子位相位旋转，得到新的相位--------------------
    for i=1:1:popsize
        for j = 1:1:vartotal
            tmp=abs(chromx(i,gBestg,j)-oldchromx(i,gBestg,j));
            if tmp<1.0e-2
               tmp=1.0e-2;
            end
            grad=abs(fitness(i,gBestg)-oldfitness(i,gBestg))/tmp;
            tmp=abs(grad-min(j));
            if tmp<1.0e-2
               tmp=1.0e-2;
            end          
            rate(i,j)=tmp/abs(max(j)-min(j));            
            fai(i,j)=fai(i,j)+sign(chrom(i,1,j)*gBestC(1,2,j)-gBestC(1,1,j)*chrom(i,2,j))*(1-rate(i,j))*shiftstep*exp(-gen/maxgen);        
        end
    end
    %-----------------执行量子位相位变异--------------------------
    Pm_rand = rand(popsize,vartotal);%生成随机数，与变异概率比较，决定是否变异
    for i=1:1:popsize
        for j=1:1:vartotal
            if (Pm(i)>Pm_rand(i,j))&&(i==gBestpop)
                fai(i,j)=0.5*pi-fai(i,j);
            end
        end
    end
    %-----------------代间复制------保存的是相邻两代：父代和子代染色体-------
    oldchrom=chrom;
    oldchromx=chromx;
    oldfitness=fitness;
    %---------------生成新的量子染色体-----------------
    chrom(:,1,:)=cos(fai(:,:));
    chrom(:,2,:)=sin(fai(:,:));
    %---------------解空间变换-----------------------
    for i=1:1:2
        for j=1:1:vartotal
            chromx(:,i,j)=0.5*(var_range(j,2)*(1+chrom(:,i,j))+var_range(j,1)*(1-chrom(:,i,j)));
        end
    end
    %-----------计算适应度---适应度函数：Shaffer's F6函数-------------
    for i=1:1:popsize
        for j=1:1:2
            x1=chromx(i,j,1);
            x2=chromx(i,j,2);
            fitness(i,j)=0.5-((sin(sqrt(x1^2+x2^2)))^2-0.5)/(1+0.001*(x1^2+x2^2))^2;
        end
    end
    %----------------------获得最优解及相应自变量----------------------
    [Bestf,Indexf]=sort(fitness,2);
    [BestF,IndexF]=sort(Bestf,1);
    Bestfit=BestF(popsize,2);  
    Bestpop=IndexF(popsize,2);
    Bestg=Indexf(Bestpop,2);  
    Bestfai=fai(Bestpop,:);  
    BestC=chrom(Bestpop,:,:); 
    Best_x=chromx(Bestpop,:,:);
    Best_fit=fitness(Bestpop,:);
    Badpop=IndexF(1,1); 
    %-----------------若最优解退化则取回上代最优解------------------
    if Bestfit<gBestfit
        Bestfit=gBestfit;
        fai(Badpop,:)=gBestfai(1,:);
        chrom(Badpop,:,:)=gBestC(1,:,:);
        chromx(Badpop,:,:)=gBest_x(1,:,:);
        fitness(Badpop,:)=gBest_fit(1,:);
        gBestpop=Badpop;%最差染色体号变成了最好
    end
    %---------------若最优解进化则将最优解替换------------------
    if Bestfit>=gBestfit
        gBestfit=Bestfit;  
        gBestpop=Bestpop; 
        gBestg=Bestg; 
        gBestfai=Bestfai;  
        gBestC=BestC; 
        gBest_x=Best_x;
        gBest_fit=Best_fit;
    end
    %---------------------记录优化结果---------------------
    result(gen)=gBestfit;
    iteration(gen)=gen;
    if result(gen)>0.995
        break;
    end
end
%-----------------主循环结束-------------------
bestresult=result(gen);
iterationstep=iteration(gen);
bestresult
iterationstep
gBestg
figure(1)
plot(iteration,result)

运行结果如下图所示