信息熵引导的量子免疫遗传优化算法

"基于信息熵的量子免疫遗传算法是一种结合量子进化算法和免疫遗传算法的优化方法，旨在解决高维函数优化时容易陷入局部最优的问题。该算法利用信息熵的概念来衡量量子比特的不确定信息，并对抗体进行相位编码。通过提出按变量的种群熵降序排列的邻域搜索策略，以及一种根据个体熵相同变量位数来衡量抗体之间相似度的方法，增强了算法的搜索能力和多样性。此外，繁殖概率被用来评价抗体的多样性。经过函数优化问题和VRPSDP问题的仿真验证，结果显示该算法具有快速的收敛速度和高的求解精度。该研究由陈晓峰和杨广明在东北大学软件学院进行，受到高等学校博士学科点专项科研基金资助。" 本文介绍了陈晓峰和杨广明提出的一种创新性优化算法——基于信息熵的量子免疫遗传算法。当前的量子进化算法在处理高维函数优化时存在陷入局部最优的局限性，为此，研究者引入了信息熵的概念，以提高算法的全局搜索能力。他们将量子进化算法和免疫遗传算法相结合，通过相位编码的方式对抗体进行编码，以信息熵作为量化量子比特不确定性的工具。 新算法的核心改进之一是采用了一种按变量的种群熵降序排列的邻域搜索策略。这种策略允许算法更有效地探索解决方案空间，避免过早收敛于局部最优。同时，为了评估抗体之间的相似度，研究者提出了一种新颖的度量方法，即根据个体熵相同变量位数来判断。这种方法有助于保持种群的多样性，防止算法过早停滞。 繁殖概率在算法中的应用则进一步强化了抗体多样性的维护，确保算法在迭代过程中能够维持足够的探索能力。通过仿真实验，包括函数优化问题和车辆路径问题（VRPSDP）的测试，结果显示，这种基于信息熵的量子免疫遗传算法不仅收敛速度快，而且求解精度高，证明了其在优化问题中的有效性和优越性。 这项研究工作是在2013年由东北大学软件学院的研究人员完成的，得到了高等学校博士学科点专项科研基金的支持。作者陈晓峰是一位硕士工程师，专注于智能算法领域的研究。这项工作不仅丰富了量子计算和生物启发式算法的理论，也为实际问题的优化提供了新的解决方案。