第1章 量子力學基礎
1.1 從經典力學到量子力學
1.2 量子力學發展的迴顧
1.3 量子力學的基本概念
1.3.1 什麼是量子力學
1.3.2 量子態及其錶象
1.3.3 量子態的相乾疊加性、糾纏性和坍縮
1.4 量子力學的基本假設
1.4.1 波函數的概率波詮釋
1.4.2 態疊加原理
1.4.3 薛定諤方程
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 嚮量空間與希爾伯特空間
1.5.2 狄拉剋符號
1.5.3 基與綫性無關
1.5.4 綫性算子與矩陣
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 基於黑箱的搜索思想
3.4.2 Grover算法搜索步驟
3.4.3 Grover算法搜索過程幾何描述
3.4.4 算法性能分析
第4章 Grover量子搜索算法的改進
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相位鏇轉的改進算法
4.3.1 相位匹配條件的改進
4.3.2 改進後算法相位鏇轉的直觀圖示
4.3.3 改進後的算法描述
4.3.4 搜索實例
4.4 使用局部擴散算子的量子搜索算法
4.4.1 一步迭代搜索
4.4.2 算法原理
4.4.3 Younes算法與基本Grover算法對比
4.5 基於自適應相位鏇轉的Grover算法
4.5.1 搜索引擎描述
4.5.2 自適應鏇轉相位的確定
4.5.3 搜索舉例
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 迭代算子的構造
4.6.3 算法的迭代方程
4.6.4 算法迭代方程的解
4.6.5 算法的成功概率
4.6.6 目標態概率幅迭代過程動態分析
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 基於自適應相位鏇轉的加權Grover算法
4.7.1 算法原理
4.7.2 算例分析
4.8 基於固定相位鏇轉的Grover算法
4.9 基於固定相位鏇轉的廣義Grover算法
4.9.1 構造迭代算子
4.9.2 算子中α參數的確定
4.9.3 算法需要的迭代步數
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 在求解連續優化問題中的應用
5.4 基於量子位Bloch球麵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 在函數優化及模式識彆中的應用
第6章 量子群智能優化算法
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 在求解連續優化問題中的應用
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 量子粒子群優化算法
6.3.4 仿真結果對比
第7章 量子神經網絡模型與算法
7.1 量子神經網絡的國內外研究現狀
7.2 基於通用量子門演化的量子神經網絡
7.2.1 量子位和通用量子門
7.2.2 量子BP神經網絡模型
7.2.3 量子BP神經網絡學習算法
7.2.4 量子BP神經網絡的連續性
7.2.5 在平麵點集分類和函數逼近中的應用
7.3 基於量子加權的量子神經網絡
7.3.1 量子加權神經網絡模型
7.3.2 學習算法
7.3.3 在雙螺鏇綫分類及函數逼近中的應用
7.3.4 在優化PID控製參數中的應用
7.4 基於量子門綫路的量子神經網絡
7.4.1 量子門及綫路錶示
7.4.2 量子門綫路神經網絡模型
7.4.3 學習算法
7.4.4 在模式識彆和函數逼近中的應用
7.5 量子自組織特徵映射網絡
7.5.1 量子自組織特徵映射網絡模型
7.5.2 量子自組織特徵映射網絡聚類算法
7.5.3 在IRIS數據聚類中的應用
第8章 量子遺傳算法在模糊神經控製中的應用
8.1 解析描述控製規則的模糊控製器參數優化
8.1.1 模糊控製規則的解析描述
8.1.2 模糊控製器參數的量子遺傳優化仿真
8.2 基於量子遺傳算法的模糊神經控製器參數優化設計
8.2.1 NFNN控製器的拓撲結構
8.2.2 基於量子遺傳算法的NFNN控製器參數優化設計
8.3 基於狀態變量閤成輸入的NFNN控製器參數優化
8.3.1 單級倒立擺的數學模型
8.3.2 倒立擺模糊控製係統
8.3.3 控製器綜閤係數的確定
8.3.4 模糊控製規則的確定
8.3.5 NFNN控製器參數的DCQGA優化設計
8.4 基於狀態變量直接輸入的NFNN控製器參數優化
8.4.1 模糊控製規則的確定
8.4.2 NFNN控製器的DCQGA優化設計
8.4.3 基於初始擺角300下的DCQGA優化性能對比
8.4.4 變擺杆長度情況下的DCQGA優化性能對比
8.4.5 基於初始擺角1度下的DCQGA優化性能對比
附錄1 部分算法的源程序
1.1 Grover算法成功概率仿真程序
1.2 量子遺傳算法仿真程序
1.3 量子粒子群算法仿真程序
1.4 量子自組織特徵映射網絡聚類算法仿真程序
1.5 基於量子遺傳算法的倒立擺模糊控製器參數優化仿真程序
附錄2 量子計算常用名詞漢英對照
參考文獻
· · · · · · (收起)