量子遗传算法是将量子计算与遗传算法相结合的一种崭新的优化方法,具有很大的生命力和研究价值。量子算法中融入了量子力学的许多基本特性,极大地提高了计算的效率,已逐步成为一种崭新的计算模式,将它与遗传算法相结合,将会大大提高遗传算法的效率,和弥补遗传算法的不足,使优化方法应用更加广泛。A. Narayanan & M. Moore在"Quantum-inspired genetic algorithm"一文中提出了量子遗传的概念,K. H. Han, K. H. Park, C. H. Lee & J. H. Kim将量子遗传算法用于求解组合优化问题,取得了较好的效果。但有研究结果表明Q G A不适于用来求解连续函数的优化问题,特别是多峰连续函数的优化问题。为了能将量子计算的强并行性用到实际的优化问题中,本文对此作了进一步的研究,使量子遗传算法的件能进一步提高,应用更加广泛。 论文共分六章。第一章为绪论,简要介绍了现代优化方法以及量子计算和量子遗传算法方面的研究。通过讨论量子计算及量子遗传算法的优点,分析了量子遗传算法得以迅速发展的原因。第二章简要介绍遗传算法,介绍了遗传算法的适应度函数,遗传操作的数学基础,及它的遗传操作。第三章简要介绍量子遗传算法,介绍了量子力学基础知识,量子逻辑门,量子位的基本表示方法,量子遗传操作更新,及量子遗传算法流程。第四章提出分组量子遗传算法,通过将个体分层、分组,并将每层按类进行不同的量子计算,对解的空间作了各方试探,保证了染色体的多样性也就保证了解的多样性。第五章提出了基于混沌的量子遗传算法,混沌能不重复地历经一定范围内的所有状态,具有遍历性,同时它的随机性和规律性,使它具有丰富的时空动态。而且它对初值变化具有强烈的敏感性,这使它在搜索过程中避免陷入局部极值。这恰弥补了量子遗传算法的不足与缺陷。本文从这个角度提出一种基于混沌的量子遗传算法,介绍了混沌的概念,混沌的算法和混沌量子遗传算法。第六章提出了基于模糊决策的量子遗传算法,量子遗传算法主要是通过旋转量子门的更新来进化,其中旋转角的大小直接影响优化结果和进化速度,本文将旋转角优化规则模糊化,提出一种基于模糊决策的量子遗传算法。介绍了模糊控制基本知识,模糊量子遗传算法,和基于模糊控制求取旋转角。