《量子計算與量子最佳化算法》是2009年5月出版的圖書，作者是李士勇、李盼池。
基本介紹
- ISBN：9787560328089
- 頁數：230
- 定價：38.00元
- 出版時間：2009-5
內容介紹,作者介紹,作品目錄,
內容介紹
《量子計算與量子最佳化算法》是一部研究量子計算與量子最佳化算法的學術著作。在簡要綜述國內外該領域研究成果的基礎上，主要篇幅介紹了作者近年來取得的創新性研究成果。全書共8章，主要內容包括：量子力學基礎；量子計算基礎；基本量子算法；Grover量子搜尋算法的改進；量子遺傳算法；混沌量子免疫算法，量子蟻群算法，量子粒子群算法；量子神經網路模型與算法；量子遺傳算法在模糊神經控制器參數最佳化設計中的套用。科學家預言：“21世紀，人類將從經典資訊時代跨越到量子資訊時代。”創立了一個世紀的量子力學隨著20世紀90年代與信息科學交叉融合誕生的量子信息學，已成為量子資訊時代來臨的重要標誌。
《量子計算與量子最佳化算法》由淺入深、深入淺出、可讀性好，具有系統性、交叉性、前沿性等特點。為便於學習，書中給出了多種量子最佳化算法在搜尋、最佳化、聚類、識別與控制中的套用例子，附錄給出了主要程式和量子計算常用名詞中英對照。《量子計算與量子最佳化算法》可作為信息科學、計算機科學、信息與計算科學、控制科學及其自動化、智慧型信息處理、人工智慧等相關專業的高等院校教師、研究生和科研人員學習參考。
作者介紹
李士勇，哈爾濱工業大學教學名師、教授、博士生導師，黑龍江省優秀專家。1967年畢業於哈爾濱工業大學工業自動化專業，1983年在該校自動控制專業獲碩士學位。1992年至1993年應邀赴日本千葉工業大學從事模糊控制、神經網路控制領域的研究工作。國家模糊控制技術生產力促進中心專家。中國自動化學會智慧型自動化專業委員會委員。《計算機測量與控制》期刊編委。. 先後主持和參加國家自然科學基金項目、973項目等多項科研工作。科研和教學成果共獲國家級獎2項、獲省部級獎7項。發表學術論文150餘篇，被SCI和EI等檢索近50篇。編著專著和教材共6部：代表作《模糊控制·神經控制和智慧型控制論》獲全國優秀科技圖書獎，中科院信息中心提供的數據表明，該書已躋身於十大領域中國科技論文被引頻次最高的前50部專著與譯著排行榜，中國知網四大資料庫檢索表明，該書自1996年出版至2008年底已被3755篇論文引用；入選“十一五”國家級規劃教材《工程模糊數學及套用》出版四年來已被2016篇論文引用。美國IEEE Fellow、田納西大學教授James C.Hung（洪箴）曾於1997年指出：“李教授在模糊控制，神經網（絡）控制及智慧型控制方面有深入的理論研究和特殊的學術造詣及貢獻”。.. 目前，主要從事模糊控制、神經控制、智慧型控制、智慧型最佳化算法、非線性科學、複雜適應系統理論、複雜網路、人工生命的理論研究及其在工業、航天等領域的套用研究工作，並承擔教學和指導研究生工作。
李盼池，男，1969年生，河北廊坊人。哈爾濱工業大學控制科學與工程學科(專業)在職博土研究生，大慶石油學院計算機與信息技術學院副教授、碩士生導師。1991年畢業於河北地質學院套用電子技術專科班，2004年從大慶石油學院計算機系研究生畢業並獲計算機套用技術碩士學位，2006年開始在哈爾濱工業大學控制科學與工程學科(專業)攻讀博士學位。現主要從事量子搜尋、量子智慧型最佳化、量子神經網路、過程神經網路及其在模式識別和智慧型控制中的套用研究。在國內外學術期刊以第一作者發表學術論文35篇，其中被SCI收錄6篇，EI收錄8篇。
作品目錄
第1章 量子力學基礎
1.1 從經典力學到量子力學
1.2 量子力學發展的回顧
1.3 量子力學的基本概念
1.3.1 什麼是量子力學
1.3.2 量子態及其表象
1.3.3 量子態的相干疊加性、糾纏性和坍縮
1.4 量子力學的基本假設
1.4.1 波函式的機率波詮釋
1.4.2 態疊加原理
1.4.3 薛丁格方程
1.4.4 算符化規則
1.4.5 全同性原理
1.5 量子力學的數學基礎
1.5.1 向量空間與希爾伯特空間
1.5.2 狄拉克符號
1.5.3 基與線性無關
1.5.4 線性運算元與矩陣
1.5.5 內積、外積、張量積
第2章 量子計算基礎
. 2.1 從經典信息到量子信息
2.2 量子比特
2.2.1 單量子比特
2.2.2 雙量子比特
2.2.3 多量子比特
2.3 量子邏輯門
2.3.1 單比特量子門
2.3.2 多比特量子門
2.3.3 量子門的通用性
第3章 基本量子算法
3.1 量子計算的並行性
3.2 Deutsch量子算法
3.3 Shor量子算法
3.3.1 因子分解問題求解的基本思想
3.3.2 shor算法的實現步驟
3.4 Grover量子算法
3.4.1 基於黑箱的搜尋思想
3.4.2 Grover算法搜尋步驟
3.4.3 Grover算法搜尋過程幾何描述
3.4.4 算法性能分析
第4章 Grover量子搜尋算法的改進
4.1 Grover算法的國內外研究現狀
4.1.1 國外研究情況
4.1.2 國內研究情況
4.2 基本Grover算法存在的主要問題
4.3 基於π/2相位旋轉的改進算法
4.3.1 相位匹配條件的改進
4.3.2 改進後算法相位旋轉的直觀圖示
4.3.3 改進後的算法描述
4.3.4 搜尋實例
4.4 使用局部擴散運算元的量子搜尋算法
4.4.1 一步疊代搜尋
4.4.2 算法原理
4.4.3 Younes算法與基本Grover算法對比
4.5 基於自適應相位旋轉的Grover算法
4.5.1 搜尋引擎描述
4.5.2 自適應旋轉相位的確定
4.5.3 搜尋舉例
4.6 基於目標加權的Grover算法
4.6.1 目標量子疊加態的構造
4.6.2 疊代運算元的構造
4.6.3 算法的疊代方程
4.6.4 算法疊代方程的解
4.6.5 算法的成功機率
4.6.6 目標態機率幅疊代過程動態分析
4.6.7 加權Grover算法與基本Grover算法的關係
4.6.8 加權Grover算法的實現步驟
4.6.9 加權Grover算法舉例及分析
4.7 基於自適應相位旋轉的加權Grover算法
4.7.1 算法原理
4.7.2 算例分析
4.8 基於固定相位旋轉的Grover算法
4.9 基於固定相位旋轉的廣義Grover算法
4.9.1 構造疊代運算元
4.9.2 運算元中α參數的確定
4.9.3 算法需要的疊代步數
4.9.4 廣義Grover算法與其他算法的關係
4.9.5 廣義Grover算法與其他算法的對比
第5章 量子遺傳算法
5.1 量子進化算法的國內外研究現狀
5.1.1 國外研究現狀
5.1.2 國內研究現狀
5.2 基本量子遺傳算法
5.2.1 算法原理
5.2.2 算法結構
5.2.3 算法實現過程
5.2.4 算法仿真結果
5.3 改進的量子遺傳算法
5.3.1 概述
5.3.2 實數編碼梯度量子遺傳算法
5.3.3 算法描述
5.3.4 在求解連續最佳化問題中的套用
5.4 基於量子位Bloch球面坐標的量子進化算法
5.4.1 概述
5.4.2 BQEA的基本原理
5.4.3 算法描述
5.4.4 BQEA的收斂性
5.4.5 在函式最佳化及模式識別中的套用
第6章 量子群智慧型最佳化算法
6.1 混沌量子免疫算法
6.1.1 概述
6.1.2 算法原理
6.1.3 收斂性分析
6.1.4 在求解連續最佳化問題中的套用
6.2 量子蟻群算法
6.2.1 概述
6.2.2 算法原理
6.2.3 仿真結果及分析
6.3 量子粒子群算法
6.3.1 概述
6.3.2 基本PSO算法
6.3.3 量子粒子群最佳化算法
6.3.4 仿真結果對比
第7章 量子神經網路模型與算法
7.1 量子神經網路的國內外研究現狀
7.2 基於通用量子門演化的量子神經網路
7.2.1 量子位和通用量子門
7.2.2 量子BP神經網路模型
7.2.3 量子BP神經網路學習算法
7.2.4 量子BP神經網路的連續性
7.2.5 在平麵點集分類和函式逼近中的套用
7.3 基於量子加權的量子神經網路
7.3.1 量子加權神經網路模型
7.3.2 學習算法
7.3.3 在雙螺旋線分類及函式逼近中的套用
7.3.4 在最佳化PID控制參數中的套用
7.4 基於量子門線路的量子神經網路
7.4.1 量子門及線路表示
7.4.2 量子門線路神經網路模型
7.4.3 學習算法
7.4.4 在模式識別和函式逼近中的套用
7.5 量子自組織特徵映射網路
7.5.1 量子自組織特徵映射網路模型
7.5.2 量子自組織特徵映射網路聚類算法
7.5.3 在IRIS數據聚類中的套用
第8章 量子遺傳算法在模糊神經控制中的套用
8.1 解析描述控制規則的模糊控制器參數最佳化
8.1.1 模糊控制規則的解析描述
8.1.2 模糊控制器參數的量子遺傳最佳化仿真
8.2 基於量子遺傳算法的模糊神經控制器參數最佳化設計
8.2.1 NFNN控制器的拓撲結構
8.2.2 基於量子遺傳算法的NFNN控制器參數最佳化設計
8.3 基於狀態變數合成輸入的NFNN控制器參數最佳化
8.3.1 單級倒立擺的數學模型
8.3.2 倒立擺模糊控制系統
8.3.3 控制器綜合係數的確定
8.3.4 模糊控制規則的確定
8.3.5 NFNN控制器參數的DCQGA最佳化設計
8.4 基於狀態變數直接輸入的NFNN控制器參數最佳化
8.4.1 模糊控制規則的確定
8.4.2 NFNN控制器的DCQGA最佳化設計
8.4.3 基於初始擺角300下的DCQGA最佳化性能對比
8.4.4 變擺桿長度情況下的DCQGA最佳化性能對比
8.4.5 基於初始擺角1度下的DCQGA最佳化性能對比
附錄1 部分算法的源程式
1.1 Grover算法成功機率仿真程式
1.2 量子遺傳算法仿真程式
1.3 量子粒子群算法仿真程式
1.4 量子自組織特徵映射網路聚類算法仿真程式
1.5 基於量子遺傳算法的倒立擺模糊控制器參數最佳化仿真程式
附錄2 量子計算常用名詞漢英對照
參考文獻
1.1 從經典力學到量子力學
1.2 量子力學發展的回顧
1.3 量子力學的基本概念
1.3.1 什麼是量子力學
1.3.2 量子態及其表象
1.3.3 量子態的相干疊加性、糾纏性和坍縮
1.4 量子力學的基本假設
1.4.1 波函式的機率波詮釋
1.4.2 態疊加原理
1.4.3 薛丁格方程
1.4.4 算符化規則
1.4.5 全同性原理
1.5 量子力學的數學基礎
1.5.1 向量空間與希爾伯特空間
1.5.2 狄拉克符號
1.5.3 基與線性無關
1.5.4 線性運算元與矩陣
1.5.5 內積、外積、張量積
第2章 量子計算基礎
. 2.1 從經典信息到量子信息
2.2 量子比特
2.2.1 單量子比特
2.2.2 雙量子比特
2.2.3 多量子比特
2.3 量子邏輯門
2.3.1 單比特量子門
2.3.2 多比特量子門
2.3.3 量子門的通用性
第3章 基本量子算法
3.1 量子計算的並行性
3.2 Deutsch量子算法
3.3 Shor量子算法
3.3.1 因子分解問題求解的基本思想
3.3.2 shor算法的實現步驟
3.4 Grover量子算法
3.4.1 基於黑箱的搜尋思想
3.4.2 Grover算法搜尋步驟
3.4.3 Grover算法搜尋過程幾何描述
3.4.4 算法性能分析
第4章 Grover量子搜尋算法的改進
4.1 Grover算法的國內外研究現狀
4.1.1 國外研究情況
4.1.2 國內研究情況
4.2 基本Grover算法存在的主要問題
4.3 基於π/2相位旋轉的改進算法
4.3.1 相位匹配條件的改進
4.3.2 改進後算法相位旋轉的直觀圖示
4.3.3 改進後的算法描述
4.3.4 搜尋實例
4.4 使用局部擴散運算元的量子搜尋算法
4.4.1 一步疊代搜尋
4.4.2 算法原理
4.4.3 Younes算法與基本Grover算法對比
4.5 基於自適應相位旋轉的Grover算法
4.5.1 搜尋引擎描述
4.5.2 自適應旋轉相位的確定
4.5.3 搜尋舉例
4.6 基於目標加權的Grover算法
4.6.1 目標量子疊加態的構造
4.6.2 疊代運算元的構造
4.6.3 算法的疊代方程
4.6.4 算法疊代方程的解
4.6.5 算法的成功機率
4.6.6 目標態機率幅疊代過程動態分析
4.6.7 加權Grover算法與基本Grover算法的關係
4.6.8 加權Grover算法的實現步驟
4.6.9 加權Grover算法舉例及分析
4.7 基於自適應相位旋轉的加權Grover算法
4.7.1 算法原理
4.7.2 算例分析
4.8 基於固定相位旋轉的Grover算法
4.9 基於固定相位旋轉的廣義Grover算法
4.9.1 構造疊代運算元
4.9.2 運算元中α參數的確定
4.9.3 算法需要的疊代步數
4.9.4 廣義Grover算法與其他算法的關係
4.9.5 廣義Grover算法與其他算法的對比
第5章 量子遺傳算法
5.1 量子進化算法的國內外研究現狀
5.1.1 國外研究現狀
5.1.2 國內研究現狀
5.2 基本量子遺傳算法
5.2.1 算法原理
5.2.2 算法結構
5.2.3 算法實現過程
5.2.4 算法仿真結果
5.3 改進的量子遺傳算法
5.3.1 概述
5.3.2 實數編碼梯度量子遺傳算法
5.3.3 算法描述
5.3.4 在求解連續最佳化問題中的套用
5.4 基於量子位Bloch球面坐標的量子進化算法
5.4.1 概述
5.4.2 BQEA的基本原理
5.4.3 算法描述
5.4.4 BQEA的收斂性
5.4.5 在函式最佳化及模式識別中的套用
第6章 量子群智慧型最佳化算法
6.1 混沌量子免疫算法
6.1.1 概述
6.1.2 算法原理
6.1.3 收斂性分析
6.1.4 在求解連續最佳化問題中的套用
6.2 量子蟻群算法
6.2.1 概述
6.2.2 算法原理
6.2.3 仿真結果及分析
6.3 量子粒子群算法
6.3.1 概述
6.3.2 基本PSO算法
6.3.3 量子粒子群最佳化算法
6.3.4 仿真結果對比
第7章 量子神經網路模型與算法
7.1 量子神經網路的國內外研究現狀
7.2 基於通用量子門演化的量子神經網路
7.2.1 量子位和通用量子門
7.2.2 量子BP神經網路模型
7.2.3 量子BP神經網路學習算法
7.2.4 量子BP神經網路的連續性
7.2.5 在平麵點集分類和函式逼近中的套用
7.3 基於量子加權的量子神經網路
7.3.1 量子加權神經網路模型
7.3.2 學習算法
7.3.3 在雙螺旋線分類及函式逼近中的套用
7.3.4 在最佳化PID控制參數中的套用
7.4 基於量子門線路的量子神經網路
7.4.1 量子門及線路表示
7.4.2 量子門線路神經網路模型
7.4.3 學習算法
7.4.4 在模式識別和函式逼近中的套用
7.5 量子自組織特徵映射網路
7.5.1 量子自組織特徵映射網路模型
7.5.2 量子自組織特徵映射網路聚類算法
7.5.3 在IRIS數據聚類中的套用
第8章 量子遺傳算法在模糊神經控制中的套用
8.1 解析描述控制規則的模糊控制器參數最佳化
8.1.1 模糊控制規則的解析描述
8.1.2 模糊控制器參數的量子遺傳最佳化仿真
8.2 基於量子遺傳算法的模糊神經控制器參數最佳化設計
8.2.1 NFNN控制器的拓撲結構
8.2.2 基於量子遺傳算法的NFNN控制器參數最佳化設計
8.3 基於狀態變數合成輸入的NFNN控制器參數最佳化
8.3.1 單級倒立擺的數學模型
8.3.2 倒立擺模糊控制系統
8.3.3 控制器綜合係數的確定
8.3.4 模糊控制規則的確定
8.3.5 NFNN控制器參數的DCQGA最佳化設計
8.4 基於狀態變數直接輸入的NFNN控制器參數最佳化
8.4.1 模糊控制規則的確定
8.4.2 NFNN控制器的DCQGA最佳化設計
8.4.3 基於初始擺角300下的DCQGA最佳化性能對比
8.4.4 變擺桿長度情況下的DCQGA最佳化性能對比
8.4.5 基於初始擺角1度下的DCQGA最佳化性能對比
附錄1 部分算法的源程式
1.1 Grover算法成功機率仿真程式
1.2 量子遺傳算法仿真程式
1.3 量子粒子群算法仿真程式
1.4 量子自組織特徵映射網路聚類算法仿真程式
1.5 基於量子遺傳算法的倒立擺模糊控制器參數最佳化仿真程式
附錄2 量子計算常用名詞漢英對照
參考文獻
