本文针对基本量子进化算法易陷于局部最优解的缺陷，提出一种改进的量子进化算法(QEA)。并结 合乡村邮路问题，对算法进行了测试，测试结果表明，改进算法在全局寻优能力和种群多样性方面比基本量子进化算法有所改进，表明该算法是求解乡村邮路问题的一种有效的算法。

量子信息科学使用的源码以及量子进化算法，包括量子状态等，而且附有详细的说明文档

量子遗传算法是量子计算与遗传算法相结合的产物。目前，这一领域的研究主要集中在两类模型上：一类是基于量子多宇宙特征的多宇宙量子衍生遗传算法(Quantum Inspired Genetic Algorithm)，另一类是基于量子比特和量子态登加特性的遗传量子算法(Genetic Quantum Algorithm,GQA)。前者的贡献在于将量子多宇宙的概念引入遗传算法，利用多个宇宙的并行搜索，增大搜索范围，利用宇宙之间的联合交叉，实现信息的交流，从而整体上提高了算法的搜索效率。但算法中的多宇宙是通过分别产生多个种群获得的，并没有利用量子态，因而仍属于常规遗传算法。后者将量子的态矢量表达引入遗传编码，利用量子旋转门实现染色体的演化，实现了比常规遗传算法更好的效果。但该算法主要用来解决0-1背包问题。编码方案和量子旋转门的演化策略不具有通用性，尤其是由于所有个体都朝一个目标演化，如果没有交叉操作，极有可能陷入局部最优。

无监督量子聚类算法实现 参考文献：Horn, David, and Assaf Gottlieb. "Algorithm for data clustering in pattern recognition problems based on quantum mechanics." Physical review letters 88.1 (2001): 018702.

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.

1.量子进化算法QEA简介 *

基于有向图对物流网络多层级设施选址-路径规划问题,建立混合整数规划数学模型,提出量子进化算法与遗传算法协同的双智能算法集成求解方案.量子进化算法解决设施选址和设施分配,遗传算法进行路径规划,并提出可达配送区域的搜索策略和路径长度为权重的设施分配优化策略以提高算法效率.实例测试表明,所提出的数学模型和组合智能算法是可行而有效的,可为多层级设施选址-路径规划问题提供理论与方法指导.

为扩展量子智能算法的研究领域,根据模拟退火算法的思想,提出量子模拟退火算法(QSA).定义了量子染色体相位邻域空间,缩小了算法搜索范围;引入信息熵的概念,避免了搜索的盲目性;给出一个量子的旋转角增量的表达式,简化了计算过程;采用Boltzmann概率分布原则接受新解,提高了算法的搜索性能;同时增加了量子变异操作和量子随机行为,可以防止算法早熟现象.研究结果表明:该算法具有较强的全局收敛性和搜索能力.

MATLAB python 量子进化算法，人工智能算法

量子进化算法仿真源程序，量子进化算法仿真源程序，量子进化算法仿真源程序！