| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第8-11页 |
| 1.1 问题的提出背景与研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9页 |
| 1.3 本文的主要研究内容 | 第9-10页 |
| 1.4 本文的结构安排 | 第10-11页 |
| 2 相关理论知识 | 第11-17页 |
| 2.1 量子理论 | 第11-14页 |
| 2.1.1 量子位 | 第11-12页 |
| 2.1.2 量子旋转门 | 第12-13页 |
| 2.1.3 量子神经元模型 | 第13-14页 |
| 2.2 人工蜂群算法 | 第14-16页 |
| 2.2.1 ABC 基本原理 | 第14-15页 |
| 2.2.2 ABC 算法步骤 | 第15-16页 |
| 2.3 小结 | 第16-17页 |
| 3 量子人工蜂群算法 | 第17-20页 |
| 3.1 双链实数编码的量子人工蜂群算法基本原理 | 第17-19页 |
| 3.1.1 连续优化问题的表述 | 第17页 |
| 3.1.2 双链编码方案 | 第17-18页 |
| 3.1.3 解空间变换 | 第18页 |
| 3.1.4 食物源的更新 | 第18页 |
| 3.1.5 变异 | 第18-19页 |
| 3.2 算法步骤 | 第19页 |
| 3.3 小结 | 第19-20页 |
| 4 量子位 Bloch 坐标的量子人工蜂群优化算法 | 第20-27页 |
| 4.1 量子位 Bloch 坐标的量子人工蜂群优化算法的基本原理 | 第20-23页 |
| 4.1.1 量子食物源的编码 | 第20-21页 |
| 4.1.2 解空间变换 | 第21页 |
| 4.1.3 食物源的更新 | 第21-23页 |
| 4.2 算法步骤 | 第23页 |
| 4.3 BQABC 的收敛性 | 第23-24页 |
| 4.4 算法检验 | 第24-25页 |
| 4.5 小结 | 第25-27页 |
| 5 一种混合的量子神经网络模型 | 第27-31页 |
| 5.1 量子神经网络模型 | 第27-28页 |
| 5.2 量子神经网络学习算法 | 第28-29页 |
| 5.3 仿真结果 | 第29-30页 |
| 5.3.1 模式识别问题 | 第29页 |
| 5.3.2 函数逼近问题 | 第29-30页 |
| 5.4 结论 | 第30-31页 |
| 6 结论与展望 | 第31-33页 |
| 致谢 | 第33-34页 |
| 参考文献 | 第34-38页 |
| 附录 | 第38页 |