| 摘要 | 第1-4页 |
| Abstract | 第4-14页 |
| 第1章 绪论 | 第14-27页 |
| ·量子计算及量子智能优化的研究背景 | 第14-15页 |
| ·量子计算及量子智能优化的研究意义 | 第15-16页 |
| ·量子智能优化的几种模型 | 第16-18页 |
| ·量子衍生进化算法 | 第16-17页 |
| ·量子人工神经网络 | 第17-18页 |
| ·量子模式识别算法 | 第18页 |
| ·国内外量子搜索及量子智能优化的研究现状 | 第18-24页 |
| ·量子搜索算法研究现状 | 第18-21页 |
| ·量子优化算法研究现状 | 第21-23页 |
| ·量子神经网络研究现状 | 第23-24页 |
| ·论文结构及主要研究内容 | 第24-27页 |
| 第2章 量子计算基础 | 第27-37页 |
| ·引言 | 第27页 |
| ·量子比特与量子门 | 第27-32页 |
| ·量子比特 | 第27-29页 |
| ·单比特量子门 | 第29-30页 |
| ·多比特量子门 | 第30-32页 |
| ·向量空间 | 第32-34页 |
| ·基与线性无关性 | 第32页 |
| ·线性算子与矩阵 | 第32-33页 |
| ·内积外积和张量积 | 第33-34页 |
| ·量子力学假设 | 第34-36页 |
| ·状态空间假设 | 第34页 |
| ·薛定谔方程假设 | 第34-35页 |
| ·量子测量假设 | 第35页 |
| ·复合系统假设 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 Grover 量子搜索算法的改进 | 第37-65页 |
| ·引言 | 第37页 |
| ·基本Grover 算法存在的问题 | 第37-39页 |
| ·基于π/ 2 相位匹配的Grover 算法 | 第39-42页 |
| ·改进的相位匹配条件 | 第39-41页 |
| ·改进后算法相位旋转的直观图示 | 第41页 |
| ·搜索实例 | 第41-42页 |
| ·基于自适应相位旋转的Grover 算法 | 第42-47页 |
| ·搜索引擎描述 | 第42-43页 |
| ·自适应旋转相位的确定 | 第43-45页 |
| ·搜索实例 | 第45-47页 |
| ·基于加权目标的Grover 算法 | 第47-53页 |
| ·目标量子叠加态的构造 | 第47页 |
| ·算法的迭代方程及成功概率 | 第47-50页 |
| ·加权Grover 算法与普通Grover 算法的关系 | 第50-51页 |
| ·算例分析 | 第51-53页 |
| ·基于自适应相位旋转的加权Grover 算法 | 第53-58页 |
| ·算法原理 | 第53-55页 |
| ·算例分析 | 第55-58页 |
| ·基于固定相位旋转的Grover 算法 | 第58-63页 |
| ·构造搜索引擎 | 第58-59页 |
| ·算法成功概率 | 第59-60页 |
| ·算法需要的迭代步数 | 第60页 |
| ·固定相位Grover 算法与其它算法的关系 | 第60-61页 |
| ·固定相位Grover 算法与其它算法的对比 | 第61-63页 |
| ·本章小结 | 第63-65页 |
| 第4章 量子衍生优化算法 | 第65-104页 |
| ·引言 | 第65页 |
| ·基于实数编码和目标函数梯度的双链量子遗传算法 | 第65-73页 |
| ·引言 | 第65-66页 |
| ·实数编码双链量子遗传算法基本原理 | 第66-70页 |
| ·仿真对比 | 第70-73页 |
| ·基于量子位Bloch 坐标的量子衍生进化算法 | 第73-87页 |
| ·引言 | 第73-74页 |
| ·BQEA 基本原理 | 第74-80页 |
| ·BQEA 的收敛性 | 第80-81页 |
| ·仿真对比 | 第81-87页 |
| ·求解连续空间优化问题的混沌量子免疫算法 | 第87-93页 |
| ·引言 | 第87页 |
| ·混沌免疫算法原理 | 第87-91页 |
| ·仿真对比 | 第91-93页 |
| ·求解连续空间优化问题的量子蚁群算法 | 第93-99页 |
| ·引言 | 第93-94页 |
| ·连续量子蚁群算法 | 第94-97页 |
| ·仿真对比 | 第97-99页 |
| ·求解连续空间优化问题的量子粒子群算法 | 第99-103页 |
| ·引言 | 第99页 |
| ·基本PSO 算法 | 第99-100页 |
| ·量子粒子群优化算法 | 第100-102页 |
| ·仿真对比 | 第102-103页 |
| ·本章小结 | 第103-104页 |
| 第5章 量子神经网络模型及算法 | 第104-135页 |
| ·引言 | 第104页 |
| ·基于通用量子门演化的量子BP 神经网络 | 第104-112页 |
| ·量子位和通用量子门 | 第105-106页 |
| ·量子BP 神经网络模型 | 第106-107页 |
| ·量子BP 神经网络学习算法 | 第107-108页 |
| ·量子BP 神经网络的连续性 | 第108-109页 |
| ·对比实验 | 第109-112页 |
| ·基于量子权值的量子神经网络 | 第112-121页 |
| ·网络模型 | 第112-114页 |
| ·学习算法 | 第114-116页 |
| ·对比实验 | 第116-117页 |
| ·在整定PID 参数中的应用 | 第117-121页 |
| ·基于量子门线路的量子神经网络 | 第121-128页 |
| ·量子门及线路表示 | 第121-123页 |
| ·量子门线路网络模型 | 第123页 |
| ·学习算法 | 第123-125页 |
| ·对比实验 | 第125-128页 |
| ·一种量子自组织特征映射网络模型及聚类算法 | 第128-134页 |
| ·量子自组织特征映射网络模型 | 第128-129页 |
| ·量子自组织特征映射网络聚类算法 | 第129-131页 |
| ·对比实验 | 第131-134页 |
| ·本章小结 | 第134-135页 |
| 第6章 基于量子遗传算法的模糊控制器参数优化 | 第135-161页 |
| ·引言 | 第135页 |
| ·解析描述控制规则的模糊控制器参数优化 | 第135-138页 |
| ·模糊控制规则的解析描述 | 第136页 |
| ·模糊控制器参数优化实验 | 第136-138页 |
| ·基于DCQGA 的正规模糊神经网络控制器设计 | 第138-142页 |
| ·NFNN 控制器的拓扑结构 | 第139-141页 |
| ·基于DCQGA 的NFNN 控制器参数优化设计 | 第141-142页 |
| ·单级倒立摆系统的NFNN 控制器设计实例 | 第142-160页 |
| ·单级倒立摆的数学模型 | 第142-144页 |
| ·倒立摆模糊控制系统 | 第144-146页 |
| ·模糊控制规则的确定 | 第146-147页 |
| ·基于DCQGA 的NFNN 控制器设计实例 | 第147-149页 |
| ·基于DCQGA 的NFNN 与其他控制器的性能对比 | 第149-160页 |
| ·本章小结 | 第160-161页 |
| 结论 | 第161-163页 |
| 参考文献 | 第163-174页 |
| 攻读博士学位期间发表的论文 | 第174-177页 |
| 致谢 | 第177-178页 |
| 个人简历 | 第178页 |