| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 1 绪论 | 第13-27页 |
| ·量子计算方法的提出和研究进展 | 第14页 |
| ·量子优化方法的产生与发展 | 第14-16页 |
| ·量子计算的理论及应用发展 | 第16-17页 |
| ·解决经典计算难题 | 第16页 |
| ·量子搜索 | 第16-17页 |
| ·量子密码学 | 第17页 |
| ·模拟量子系统 | 第17页 |
| ·量子智能计算 | 第17页 |
| ·量子优化算法的研究概况 | 第17-24页 |
| ·量子进化算法(Quantum-inspired evolution Algorithm，QEA) | 第17-19页 |
| ·量子神经网络算法(Quantum Neural Networks,QNN) | 第19-21页 |
| ·量子退火算法 | 第21-23页 |
| ·量子优化搜索算法 | 第23页 |
| ·量子聚类算法 | 第23-24页 |
| ·量子小波与小波包算法 | 第24页 |
| ·存在的问题 | 第24页 |
| ·论文主要内容 | 第24-27页 |
| 2 量子优化算法的理论基础 | 第27-38页 |
| ·量子状态空间及其表示 | 第27-29页 |
| ·量子的叠加态 | 第28-29页 |
| ·量子状态的相干(Coherence)、消相干(Decoherence)以及测量原理 | 第29页 |
| ·量子状态的纠缠 | 第29页 |
| ·量子并行性 | 第29页 |
| ·量子算符 | 第29-31页 |
| ·量子位(比特)与量子编码 | 第31-32页 |
| ·量子比特 | 第31-32页 |
| ·多量子位 | 第32页 |
| ·量子门 | 第32-37页 |
| ·恒等操作 | 第33页 |
| ·量子非门(N-门) | 第33页 |
| ·受控非门(control-Not，简称CN 门，或量子异或门(XOR 门) | 第33-35页 |
| ·Hadamard 门(H 门) | 第35页 |
| ·相位门 | 第35-37页 |
| ·量子通用门组 | 第37页 |
| ·本章小结 | 第37-38页 |
| 3 量子进化算法框架、原理及改进策略 | 第38-54页 |
| ·引言 | 第38页 |
| ·进化算法概述 | 第38-41页 |
| ·进化算法的研究进展 | 第38-39页 |
| ·进化算法的主要内容及特点 | 第39-41页 |
| ·量子进化算法原理 | 第41-48页 |
| ·算法描述 | 第41-43页 |
| ·量子染色体编码 | 第43-44页 |
| ·量子染色体的进化操作 | 第44-47页 |
| ·量子染色体的机理和优点 | 第47-48页 |
| ·量子进化算法的结构框架 | 第48-50页 |
| ·量子遗传算法(Quantum Genetic Algorithm，QGA) | 第48页 |
| ·量子进化规划(Quantum Evolutionary Programming，QEP) | 第48-49页 |
| ·量子进化策略(Quantum Evolutionary Strategies，QES) | 第49-50页 |
| ·量子进化算法的改进策略 | 第50-53页 |
| ·基于算法种群结构和规模的改进 | 第51页 |
| ·对于量子旋转门策略的改进 | 第51-52页 |
| ·扩展为并行算法 | 第52页 |
| ·构造新型算法框架 | 第52-53页 |
| ·和传统优化算法结合 | 第53页 |
| ·本章小结 | 第53-54页 |
| 4 基于改进量子进化方法的BP 神经网络权值优化模型 | 第54-66页 |
| ·引言 | 第54页 |
| ·改进的量子进化算法 | 第54-56页 |
| ·动态调整旋转角机制 | 第55页 |
| ·量子交叉 | 第55-56页 |
| ·量子变异 | 第56页 |
| ·人工神经网络与BP 算法 | 第56-58页 |
| ·人工神经网络 | 第56页 |
| ·BP 算法 | 第56-58页 |
| ·基于IQEA-BP 神经网络权值优化模型 | 第58-60页 |
| ·基本思想 | 第58页 |
| ·IQEA-BP 具体步骤 | 第58-60页 |
| ·在高炉铁水硅含量预测中的应用 | 第60-65页 |
| ·高炉铁水硅含量预测方法的研究概况 | 第60-62页 |
| ·数据预处理 | 第62-63页 |
| ·网路结构和参数的确定 | 第63页 |
| ·模型的预报与仿真结果分析 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 5 基于连续空间优化问题的量子进化蚁群算法 | 第66-92页 |
| ·引言 | 第66页 |
| ·蚁群优化算法 | 第66-74页 |
| ·蚁群算法原理及框架 | 第66-71页 |
| ·蚂蚁算法参数的选择 | 第71-72页 |
| ·蚁群优化算法的优点与不足 | 第72-73页 |
| ·基本蚁群算法的离散性本质 | 第73页 |
| ·蚁群优化算法应用于连续空间优化问题的研究方法概述 | 第73-74页 |
| ·改进的量子进化算法 | 第74-75页 |
| ·求解连续空间优化问题的量子蚁群优化算法 | 第75-83页 |
| ·连续函数优化问题的数学模型 | 第75-76页 |
| ·QACO 的基本思想 | 第76页 |
| ·QACO 的具体融合过程 | 第76-79页 |
| ·QACO 算法描述 | 第79页 |
| ·算法的时间复杂性分析 | 第79页 |
| ·量子蚁群优化算法的收敛性分析 | 第79-81页 |
| ·仿真实验及结果对比分析 | 第81-83页 |
| ·在冷轧带钢板形识别中的应用 | 第83-91页 |
| ·冷轧带钢板简介 | 第83页 |
| ·板形的基本概念和分类 | 第83-86页 |
| ·板形识别方法研究现状 | 第86-87页 |
| ·板形信号识别的数学模型 | 第87-89页 |
| ·基于量子蚁群优化算法的板形信号模式的识别 | 第89-91页 |
| ·板形识别的试验仿真和结果分析 | 第91页 |
| ·本章小结 | 第91-92页 |
| 6 基于量子神经网络和独立分量分析方法的炉况诊断研究 | 第92-106页 |
| ·引言 | 第92页 |
| ·高炉炉况故障诊断方法 | 第92-96页 |
| ·高炉炉况诊断方法的国内外研究现状 | 第92-94页 |
| ·存在的主要问题 | 第94-96页 |
| ·量子神经网络(Quantum Neural Network)原理 | 第96-101页 |
| ·多层激励函数的量子神经元 | 第97-99页 |
| ·量子神经网络模型 | 第99-100页 |
| ·多层激励函数的量子神经网络的训练算法 | 第100-101页 |
| ·独立分量分析(ICA)原理及算法实现 | 第101-102页 |
| ·ICA 概述 | 第101页 |
| ·ICA 的原理 | 第101页 |
| ·FastICA 算法 | 第101-102页 |
| ·基于ICA-QNN 的高炉故障诊断 | 第102-103页 |
| ·实例分析 | 第103-104页 |
| ·QNN 的训练参数选择 | 第103-104页 |
| ·QNN 的训练结果讨论 | 第104页 |
| ·高炉炉况诊断结果对比 | 第104页 |
| ·本章小结 | 第104-106页 |
| 7 总结与展望 | 第106-109页 |
| ·本文的主要创新工作和结论 | 第106-107页 |
| ·进一步的研究展望 | 第107-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-123页 |
| 附录 | 第123页 |
| A. 作者在攻读学位期间发表的论文目录 | 第123页 |
| B. 作者在攻读学位期间取得的科研成果目录 | 第123页 |
