目錄
前言
第1章 量子計算物理基礎(chǔ) 1
1.1 量子算法 1
1.2 量子系統(tǒng)中的疊加、相干與坍縮 2
1.3 量子態(tài)的干涉 4
1.4 量子態(tài)的糾纏 5
1.5 量子計算的并行性 6
參考文獻(xiàn) 7
第2章 量子搜索與優(yōu)化 8
2.1 Grover 搜索算法 8
2.2 量子進(jìn)化算法 9
2.2.1 基于量子旋轉(zhuǎn)門的進(jìn)化算法 9
2.2.2 基于吸引子的進(jìn)化算法 10
2.3 量子退火算法 14
參考文獻(xiàn) 15
第3章 量子學(xué)習(xí) 17
3.1 量子聚類 17
3.1.1 基于優(yōu)化的量子聚類 18
3.1.2 基于量子力學(xué)啟發(fā)的聚類 18
3.2 量子神經(jīng)網(wǎng)絡(luò) 19
3.2.1 量子 M-P 模型 20
3.2.2 量子 Hopfield 神經(jīng)網(wǎng)絡(luò) 22
3.3 量子貝葉斯網(wǎng)絡(luò) 23
3.4 量子小波變換 26
參考文獻(xiàn) 27
第4章 量子進(jìn)化組播路由 29
4.1 量子進(jìn)化多維背包算法 29
4.1.1 基本理論 29
4.1.2 量子進(jìn)化多維背包算法 32
4.1.3 仿真實驗及其結(jié)果分析 36
4.2 量子進(jìn)化靜態(tài)組播路由 39
4.2.1 量子進(jìn)化算法 39
4.2.2 時延受限組播路由問題定義 44
4.2.3 量子進(jìn)化組播路由算法 45
4.2.4 仿真實驗及其結(jié)果分析 51
4.3 量子進(jìn)化動態(tài)組播路由 54
4.3.1 動態(tài)組播問題的定義 54
4.3.2 量子進(jìn)化動態(tài)組播路由算法 56
4.4 結(jié)論與討論 61
參考文獻(xiàn) 62
第5章 量子粒子群優(yōu)化 65
5.1 協(xié)同量子粒子群優(yōu)化 65
5.1.1 協(xié)同量子粒子群算法 65
5.1.2 改進(jìn)的協(xié)同量子粒子群算法 66
5.1.3 仿真實驗及其結(jié)果分析 69
5.2 基于多次塌陷-正交交叉的量子粒子群優(yōu)化 82
5.2.1 量子多次塌陷 82
5.2.2 正交交叉試驗簡介 83
5.2.3 多次塌陷-正交交叉的量子粒子群算法 85
5.2.4 仿真實驗及其結(jié)果分析 87
5.3 結(jié)論與討論 95
參考文獻(xiàn) 95
第6章 量子進(jìn)化聚類 97
6.1 基于流形距離的量子進(jìn)化聚類 97
6.1.1 流形距離 97
6.1.2 基于流形距離的量子進(jìn)化數(shù)據(jù)聚類 98
6.1.3 算法收斂性分析 101
6.1.4 時間復(fù)雜度分析 103
6.1.5 仿真實驗及其結(jié)果分析 103
6.2 量子多目標(biāo)進(jìn)化聚類 108
6.2.1 聚類算法簡介 108
6.2.2 量子多目標(biāo)進(jìn)化聚類算法 112
6.2.3 時間復(fù)雜度分析 117
6.2.4 仿真實驗及其結(jié)果分析 118
6.3 結(jié)論與討論 124
參考文獻(xiàn) 124
第7章 基于核熵成分分析的量子聚類 126
7.1 量子聚類算法 126
7.2 基于核熵成分分析的量子聚類算法 128
7.3 仿真實驗及其結(jié)果分析 135
7.4 結(jié)論與討論 146
參考文獻(xiàn) 147
第8章 量子粒子群數(shù)據(jù)分類 148
8.1 基于量子粒子群的最近鄰原型數(shù)據(jù)分類 148
8.1.1 數(shù)據(jù)分類方法簡介 148
8.1.2 K 近鄰分類概述 152
8.1.3 基于量子粒子群的最近鄰原型的數(shù)據(jù)分類算法 154
8.1.4 仿真實驗及其結(jié)果分析 156
8.2 改進(jìn)的量子粒子群的最近鄰原型數(shù)據(jù)分類 162
8.2.1 基于多次塌陷-正交交叉量子粒子群的最近鄰原型算法的數(shù)據(jù)分類 162
8.2.2 仿真實驗及其結(jié)果分析 165
8.3 結(jié)論與討論 171
參考文獻(xiàn) 172
第9章 量子進(jìn)化聚類圖像分割 173
9.1 基于量子進(jìn)化聚類的圖像分割 173
9.1.1 圖像分割方法簡介 173
9.1.2 圖像紋理特征提取 176
9.1.3 仿真實驗及其結(jié)果分析 178
9.2 基于分水嶺-量子進(jìn)化聚類算法的圖像分割 182
9.2.1 形態(tài)學(xué)分水嶺算法 182
9.2.2 基于分水嶺-量子進(jìn)化聚類算法的圖像分割 184
9.2.3 仿真實驗及其結(jié)果分析 185
9.3 基于量子多目標(biāo)進(jìn)化聚類算法的圖像分割 194
9.3.1 基于量子多目標(biāo)進(jìn)化聚類算法的圖像分割 194
9.3.2 仿真實驗及其結(jié)果分析 198
9.4 結(jié)論與討論 206
參考文獻(xiàn) 207
第10章 量子免疫克隆聚類 SAR 圖像分割與變化檢測 209
10.1 基于分水嶺-量子免疫克隆聚類算法的 SAR 圖像分割 209
10.1.1 基于分水嶺-量子免疫克隆聚類算法的 SAR 圖像分割方法簡介 209
10.1.2 算法設(shè)計與流程說明 209
10.1.3 時間復(fù)雜度分析 212
10.1.4 仿真實驗及其結(jié)果分析 212
10.2 基于先驗知識-分水嶺量子免疫克隆聚類的 SAR 圖像分割 218
10.2.1 K 均值聚類概述 218
10.2.2 算法設(shè)計與流程說明 220
10.2.3 仿真實驗及其結(jié)果分析 222
10.3 基于量子免疫克隆聚類的 SAR 圖像變化檢測 228
10.3.1 變化檢測的一般流程及方法 228
10.3.2 算法設(shè)計與流程說明 230
10.3.3 時間復(fù)雜度分析 233
10.3.4 仿真實驗及其結(jié)果分析 233
10.4 結(jié)論與討論 236
參考文獻(xiàn) 237
第11章 量子粒子群醫(yī)學(xué)圖像分割 238
11.1 基于協(xié)同量子粒子群優(yōu)化的醫(yī)學(xué)圖像分割 238
11.1.1 醫(yī)學(xué)圖像分割概述 238
11.1.2 基于改進(jìn)的協(xié)同量子粒子群算法的醫(yī)學(xué)圖像分割 240
11.1.3 仿真實驗及其結(jié)果分析 242
11.2 基于多背景變量協(xié)同量子粒子群優(yōu)化及醫(yī)學(xué)圖像分割 244
11.2.1 背景變量概述 245
11.2.2 多背景變量協(xié)同量子粒子群算法 245
11.2.3 基于多背景協(xié)同量子粒子群算法的圖像分割 248
11.3 動態(tài)變異與背景協(xié)同的量子粒子群算法 252
11.3.1 量子粒子群算法的理論背景 252
11.3.2 背景協(xié)同的量子粒子群算法 259
11.3.3 改進(jìn)的背景協(xié)同量子粒子群算法 260
11.3.4 函數(shù)仿真測試 263
11.3.5 醫(yī)學(xué)圖像分割仿真測試 264
11.4 結(jié)論與討論 271
參考文獻(xiàn) 271
第12章 量子聚類社區(qū)檢測 273
12.1 基于量子聚類的社團(tuán)檢測 273
12.1.1 社團(tuán)檢測方法的研究及發(fā)展 273
12.1.2 基于量子聚類算法的社團(tuán)檢測 276
12.1.3 仿真實驗及其結(jié)果分析 279
12.2 基于量子聚類的大規(guī)模社團(tuán)檢測 287
12.2.1 基于量子聚類算法的大規(guī)模社團(tuán)檢測 287
12.2.2 仿真實驗及其結(jié)果分析 292
12.3 結(jié)論與討論 298
參考文獻(xiàn) 298