●前言
第1章 量子計算物理基礎 1
1.1 量子算法 1
1.2 量子繫統中的疊加、相干與坍縮 2
1.3 量子態的干涉 4
1.4 量子態的糾纏 5
1.5 量子計算的並行性 6
參考文獻 7
第2章 量子搜索與優化 8
2.1 Grover 搜索算法 8
2.2 量子進化算法 9
2.2.1 基於量子旋轉門的進化算法 9
2.2.2 基於吸引子的進化算法 10
2.3 量子退火算法 14
參考文獻 15
第3章 量子學習 17
3.1 量子聚類 17
3.1.1 基於優化的量子聚類 18
3.1.2 基於量子力學啟發的聚類 18
3.2 量子神經網絡 19
3.2.1 量子 M-P 模型 20
3.2.2 量子 Hopfield 神經網絡 22
3.3 量子貝葉斯網絡 23
3.4 量子小波變換 26
參考文獻 27
第4章 量子進化組播路由 29
4.1 量子進化多維背包算法 29
4.1.1 基本理論 29
4.1.2 量子進化多維背包算法 32
4.1.3 仿真實驗及其結果分析 36
4.2 量子進化靜態組播路由 39
4.2.1 量子進化算法 39
4.2.2 時延受限組播路由問題定義 44
4.2.3 量子進化組播路由算法 45
4.2.4 仿真實驗及其結果分析 51
4.3 量子進化動態組播路由 54
4.3.1 動態組播問題的定義 54
4.3.2 量子進化動態組播路由算法 56
4.4 結論與討論 61
參考文獻 62
第5章 量子粒子群優化 65
5.1 協同量子粒子群優化 65
5.1.1 協同量子粒子群算法 65
5.1.2 改進的協同量子粒子群算法 66
5.1.3 仿真實驗及其結果分析 69
5.2 基於多次塌陷-正交交叉的量子粒子群優化 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 仿真實驗及其結果分析 87
5.3 結論與討論 95
參考文獻 95
第6章 量子進化聚類 97
6.1 基於流形距離的量子進化聚類 97
6.1.1 流形距離 97
6.1.2 基於流形距離的量子進化數據聚類 98
6.1.3 算法收斂性分析 101
6.1.4 時間復雜度分析 103
6.1.5 仿真實驗及其結果分析 103
6.2 量子多目標進化聚類 108
6.2.1 聚類算法簡介 108
6.2.2 量子多目標進化聚類算法 112
6.2.3 時間復雜度分析 117
6.2.4 仿真實驗及其結果分析 118
6.3 結論與討論 124
參考文獻 124
第7章 基於核熵成分分析的量子聚類 126
7.1 量子聚類算法 126
7.2 基於核熵成分分析的量子聚類算法 128
7.3 仿真實驗及其結果分析 135
7.4 結論與討論 146
參考文獻 147
第8章 量子粒子群數據分類 148
8.1 基於量子粒子群的*近鄰原型數據分類 148
8.1.1 數據分類方法簡介 148
8.1.2 K 近鄰分類概述 152
8.1.3 基於量子粒子群的*近鄰原型的數據分類算法 154
8.1.4 仿真實驗及其結果分析 156
8.2 改進的量子粒子群的*近鄰原型數據分類 162
8.2.1 基於多次塌陷-正交交叉量子粒子群的*近鄰原型算法的數據分類 162
8.2.2 仿真實驗及其結果分析 165
8.3 結論與討論 171
參考文獻 172
第9章 量子進化聚類圖像分割 173
9.1 基於量子進化聚類的圖像分割 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 仿真實驗及其結果分析 178
9.2 基於分水嶺-量子進化聚類算法的圖像分割 182
9.2.1 形態學分水嶺算法 182
9.2.2 基於分水嶺-量子進化聚類算法的圖像分割 184
9.2.3 仿真實驗及其結果分析 185
9.3 基於量子多目標進化聚類算法的圖像分割 194
9.3.1 基於量子多目標進化聚類算法的圖像分割 194
9.3.2 仿真實驗及其結果分析 198
9.4 結論與討論 206
參考文獻 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 基於分水嶺-量子免疫克隆聚類算法的 SAR 圖像分割 209
10.1.1 基於分水嶺-量子免疫克隆聚類算法的 SAR 圖像分割方法簡介 209
10.1.2 算法設計與流程說明 209
10.1.3 時間復雜度分析 212
10.1.4 仿真實驗及其結果分析 212
10.2 基於先驗知識-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 算法設計與流程說明 220
10.2.3 仿真實驗及其結果分析 222
10.3 基於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 算法設計與流程說明 230
10.3.3 時間復雜度分析 233
10.3.4 仿真實驗及其結果分析 233
10.4 結論與討論 236
參考文獻 237
第11章 量子粒子群醫學圖像分割 238
11.1 基於協同量子粒子群優化的醫學圖像分割 238
11.1.1 醫學圖像分割概述 238
11.1.2 基於改進的協同量子粒子群算法的醫學圖像分割 240
11.1.3 仿真實驗及其結果分析 242
11.2 基於多背景變量協同量子粒子群優化及醫學圖像分割 244
11.2.1 背景變量概述 245
11.2.2 多背景變量協同量子粒子群算法 245
11.2.3 基於多背景協同量子粒子群算法的圖像分割 248
11.3 動態變異與背景協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 背景協同的量子粒子群算法 259
11.3.3 改進的背景協同量子粒子群算法 260
11.3.4 函數仿真測試 263
11.3.5 醫學圖像分割仿真測試 264
11.4 結論與討論 271
參考文獻 271
第12章 量子聚類社區檢測 273
12.1 基於量子聚類的社團檢測 273
12.1.1 社團檢測方法的研究及發展 273
12.1.2 基於量子聚類算法的社團檢測 276
12.1.3 仿真實驗及其結果分析 279
12.2 基於量子聚類的大規模社團檢測 287
12.2.1 基於量子聚類算法的大規模社團檢測 287
12.2.2 仿真實驗及其結果分析 292
12.3 結論與討論 298
參考文獻 298
