1 简介
目前，国内外相继提出了大量进化算法，如遗传算法、免疫算法、蚁群算法、粒子群算法等智能优化算法。进化算法本质上是一种模拟自然生物行为和种群之间适应环境、相互作用、不断进化优化的过程，体现了群智能的特点。然而，任何进化算法都有其优点和缺点，为了使多种智能算法优势互补，遵循“组合优化”的思想，从而改进算法的性能，近 年，研究界掀起了对不同智能优化算法进行融合的热潮。量子遗传算法(QGA)就是为了发挥量子算法的加速作用，将量子算法和遗传算法、进化算法相融合而得到的。
2 部分代码
clc;clear all;close all;%----------------参数设置-----------------------MAXGEN=500; % 最大遗传代数sizepop=100; % 种群大小lenchrom=[20 20]; % 每个变量的二进制长度trace=zeros(1,MAXGEN);%--------------------------------------------------------------------------best=struct('fitness',0,'X',[],'binary',[],'chrom',[]); % 最佳个体 记录其适应度值、十进制值、二进制编码、量子比特编码%% 初始化种群chrom=InitPop(sizepop*2,sum(lenchrom));%% 对种群实施一次测量 得到二进制编码binary=collapse(chrom);%% 求种群个体的适应度值，和对应的十进制值[fitness,X]=FitnessFunction(binary,lenchrom); % 使用目标函数计算适应度%% 记录最佳个体到best[best.fitness bestindex]=max(fitness); % 找出最大值best.binary=binary(bestindex,:);best.chrom=chrom([2*bestindex-1:2*bestindex],:);best.X=X(bestindex,:);trace(1)=best.fitness;fprintf('%d\n',1)%% 进化n=1;%% 进化for gen=2:MAXGENfprintf('%d\n',gen) %提示进化代数%% 对种群实施一次测量binary=collapse(chrom);%% 计算适应度[fitness,X]=FitnessFunction(binary,lenchrom);%% 量子旋转门[newbestfitness,newbestindex]=max(fitness); % 找到最佳值if newbestfitness==best.fitnessn=n+1;endif n==2chrom=Qgate1(chrom,fitness,best,binary,gen,MAXGEN);elsechrom=Qgate(chrom,fitness,best,binary);end% 记录最佳个体到bestif newbestfitness>best.fitnessbest.fitness=newbestfitness;best.binary=binary(newbestindex,:);best.chrom=chrom([2*newbestindex-1:2*newbestindex],:);best.X=X(newbestindex,:);n=1;endtrace(gen)=best.fitness;end?%% 画进化曲线plot(1:MAXGEN,trace);title('进化过程');xlabel('进化代数');ylabel('每代的最佳适应度');?%% 显示优化结果disp(['最优解X：',num2str(best.X)])disp(['最大值Y:',num2str(best.fitness)]);??
3 仿真结果
4 参考文献
[1]蒋佳颖. 基于量子遗传算法的单阶段多产品批处理调度研究与应用[D]. 浙江工业大学.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。