（2）在量子遗传算法中，用量子比特（由｜0〉和｜1〉两个量子态描述）来表示个体基因，即｜ψ 〉=α ｜0〉
+β｜1〉，式中α 和β的平方和为1，因此基因链比原始算法多一倍。根据叠加原理，该基因可以为“0”态或 “1”态，或他们的任意叠加状态。因此基因不在表达一确定信息，而是包含所有可能的信息。
2
量子遗传算法
2 3
4
缺点
1
设置不当，会造成迭代次数多，收敛速度慢，全局搜索能力不强,很容易陷入局部最优解。
量子遗传算法
2
量子遗传算法
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，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。
索算法。它模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代 中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉 和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指 标为止。
1
遗传算法
基本过程
确定表示问题的编 码
初始化染色体种群
计算每个个体适应 度
是否满足终止条 件 否
根据适应度进行交 叉运算
是
输出最优解 变异
1
遗传算法
主要特点
优点 1
群体搜索，易于并行化处理；
不是盲目穷举，而是启发式搜索； 适应度函数不受连续、可微等条件的约束，适用范围很广。 容易实现。一旦有了一个遗传算法的程序，只需要改变一下适应度函数就可以应用于其他问题。
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，即二进 制编码。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。
程序实现
3
遗传算法
量子遗传算法
程序实现
遗传算法
1
遗传算法
达尔文进化论：物竞天择，适者生存
达尔文认为，生物之间存在着生存争斗，适应者生存下来，不适者则被淘汰，这就是自然的选 择。生物正是通过遗传、变异和自然选择，从低级到高级，从简单到复杂，种类由少到多地进 化着、发展着。
遗传算法(Genetic Algorithms, GA)是一类借鉴生物界自然选择和自然遗传机制的随机化搜
QuantumMain函数：主函数，根据量子遗传算法的基本步骤， 求解优化问题。
Байду номын сангаас
3
程序实现
执行结果分析
1、由于Collapse函数中存在随机数，故每次 运行的过程都会有所不同。
2、本程序使用的时固定的旋转角，可调整为 可变旋转角，可优化运行过程。
3、可以考虑加入交叉运算，使每个个体的进 化收到其他个体的影响。 4、可加入变异操作，以防止程序陷入局部最 优解。 5、可加入大灾变，引入大扰动，避免陷入局 部最优解。
感 谢聆 听
程序实现
各子程序功能 InitPop函数：用量子比特矩阵表示初始种群， 初始时，各情况是等概率的。 Collapse函数：对种群进行测量，把量子比特矩阵， 转换成二进制编码矩阵。 Qgate函数：根据每个个体的适应度和最优适应度之间的关系， 调整各个基因的量子比特值，使其向着有利于BEST 的方向演化 FitnessFunction函数：根据优化问题，计算各个个体的适应度。 Objfunction函数：把基因中的二进制编码转换， 为公式中使用的十进制数。