《量子视角下的智能优化算法综述》周报

名词解释与基本概念

量子比特(qubit)：是量子计算中的基本单位，类似于经典计算中的比特。与经典比特只能处于0或1的状态不同，量子比特可以同时处于0和1的叠加状态。这种特性使得量子比特能够进行更复杂的计算。

量子门：量子门是量子计算中的基本操作单元，类似于经典计算中的逻辑门。它将输入的量子态转换为输出的量子态，允许输入叠加态，并且满足可逆性等确定的法则。

量子遗传算法：量子遗传算法（Quantum Genetic Algorithm, QGA）是量子计算与遗传算法相结合的智能优化算法。它利用量子比特的叠加态特性，能够表示多个状态的叠加，从而在搜索空间中实现更高效的并行搜索，相比传统遗传算法，具有更好的全局搜索能力和收敛速度。

  • 交叉复制：
    • 复制操作：根据个体的适应度来选择优秀个体，使其有更高的概率进入下一代。
    • 交叉操作：将两个父代个体的部分基因片段进行交换，生成新的子代个体。
  • 变异：变异操作是对个体的基因进行随机改变。

​ 本质：量子遗传算法通过对已有的个体（结果）挑选其优秀的部分，在给予一定随机变动（变异）的情况下，进行相互的结合（交叉复制），从而得出更好的个体（结果）。

波函数坍缩（塌缩）：当对处于叠加态的量子位进行测量时，量子系统从一个不确定的叠加态转变为一个确定的本征态的过程，例如从0和1的叠加态变为确定的0或者1。

薛定谔方程：薛定谔方程是量子力学的核心方程之一，用于描述微观粒子的运动，揭示了量子系统的概率性本质。

**量子蚁群算法 **：即通过人工构造的蚂蚁去寻找最短路径。

  1. 开始时，蚁群随机寻找路径并释放信息素，信息量的多少与路径的长短成反比；
  2. 后续通过蚂蚁会偏向于走在信息素更多的路径上，同时释放信息素；
  3. 原有信息素会随时间推移而挥发；
  4. 重复几次后，越来越多的蚂蚁会聚集到最短的路径上。

人工鱼群算法：在一片水域中，鱼往往能自行或尾随其他鱼找到营养物质多的地方，因而鱼生存数目最多的地方一般就是本水域中营养物质最多的地方，人工鱼群算法就是根据这一特点，通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现寻优。

  1. 觅食行为：一般情况下鱼在水中随机地自由游动,当发现食物时,则会向食物逐渐增多的方向快速游去。
  2. 聚群行为: 鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群，鱼聚群时所遵守的规则有三条：
    • 分隔规则：尽量避免与临近伙伴过于拥挤;
    • 对准规则：尽量与临近伙伴的平均方向一致;
    • 内聚规则：尽量朝临近伙伴的中心移动。
  3. 追尾行为：当鱼群中的一条或几条鱼发现食物时,其临近的伙伴会尾随其快速到达食物点。
  4. 随机行为：单独的鱼在水中通常都是随机游动的，这是为了更大范围地寻找食物点或身边的伙伴。

量子退火算法：是一种基于量子力学原理的优化算法，它利用量子比特（qubits）的特性，如量子叠加和量子隧穿，来寻找问题的最优解。这种算法特别适合解决组合优化问题，能够在短时间内找到复杂问题的全局最优解。

量子隧穿效应：隧道效应由微观粒子波动性所确定的量子效应。又称势垒贯穿。考虑粒子运动遇到一个高于粒子能量的势垒，按照经典力学，粒子是不可能越过势垒的；按照量子力学可以解出除了在势垒处的反射外，还有透过势垒的波函数，这表明在势垒的另一边，粒子具有一定的概率，粒子贯穿势垒。

本质：将局部极值类比为壁垒，优化过程中遇到局部极值点时，量子退火算法利用隧穿效应，使得系统有概率直接“隧穿”过局部极值点旁的势垒，从而更快地到达全局最小值附近的状态。

心得

1.在探索各种算法和理论的过程中，我发现它们背后往往蕴含着深刻的哲学思想，这些算法和理论，并非仅仅是数学或技术的产物。

以量子遗传算法为例，它巧妙地融合了量子力学的前沿理论与达尔文进化论中的“优胜劣汰”原则。还比如人工鱼群算法，它则是对动物生存行为的深刻模拟。类似的还有粒子群优化算法（Particle Swarm Optimization，PSO）是模拟鸟类群体觅食。

2.论文不是单纯的以事实来支撑的雄辩，而更像是学者的内心独白，阅读论文，更像是聆听学者在侃侃而谈，在层层递进的内容下，以科学理论为动力，推动，或者说鼓动着结论出现，好的论文，在认真阅读，逐步跟进之时，结论会呼之欲出。

3.世界的本质最终还是回到物理和数学，万事万物都能用物理和数学得到解释，万事万物都可以用数学和物理得到升华。

4.隐含并行性的起源也是来自于不确定性：隐含并行性正是源于这种不确定性。由于量子比特可以处于多个状态的叠加，量子计算机在进行计算时可以同时探索多个可能的解。这种并行性并不是显式的并行计算（如经典计算机中的多线程或多核并行），而是隐含在量子态的叠加和不确定性之中。

​ 发现：量子力学的核心特性之一就是量子系统可以处于多种状态的叠加。

总结收获

1,在读完摘要和引言部分，我学习了很多物理的专业名词，对量子物理学有了一个初步的了解，让我不禁感叹，科学家的惊才风逸，而其中将物理学运用与智能算法的优化更是令人拍案叫绝，其中最令我受益匪浅的就是，我更加深刻的理解到了“道法自然”，解决问题的时候，要顺应，参考自然规律。

2.我在本周简单浏览论文整体，基本了解了论文的基本结构，也发现论文不仅仅是学术成果的堆砌，逻辑严密的论述过程，科学有力的理论支撑同样重要！

一篇完整论文的基本结构

  1. 引言（Introduction）
  2. 文献综述（Literature Review）
  3. 研究方法（Methodology）
  4. 研究结果（Results）
  5. 讨论（Discussion）
  6. 结论（Conclusion）
  7. 参考文献（References）

3.在解读论文的时候，获取新的知识，在新领域的探索让我倍感兴奋。

进度

截至2025年5月10日，《量子视角下的智能优化算法综述》论文解读分析到

3.隐含并行性

问题

随机性的程度决定了智能的高低，是否太过武断？或者过度强调了随机性的作用？

这句话在论文中引用于《Swarm Intelligence》

先探讨随机性的作用：随机性可以作为一种探索机制，这种随机性有助于避免陷入局部最优解，从而探索到更优的策略。

但是换句话说，过大的随机性，不就让智能体变成了完全用碰运气来达成目的吗？智能的一个重要特征是适应性和学习能力，即能够根据环境的变化调整自己的行为和策略。这种适应性和学习能力需要一定的确定性和规律性，而不是完全依赖随机性。