量子擴(kuò)展蟻群連續(xù)優(yōu)化改進(jìn)算法

馬 穎，田維堅(jiān)，樊養(yǎng)余

（1.西北工業(yè)大學(xué) 電子信息學(xué)院，陜西 西安710072；2.西安工業(yè)大學(xué) 電子信息工程學(xué)院，陜西 西安710032）

0 引 言

蟻群算法 （ant colony algorithm，ACA）在離散組合優(yōu)化領(lǐng)域取得了巨大成功，是最有效的優(yōu)化手段之一。其在連續(xù)空間的組合優(yōu)化應(yīng)用時(shí)，一般的做法是仍然采用離散算法模型，將連續(xù)問(wèn)題離散化。在計(jì)算復(fù)雜度和求解精度要求不高時(shí)，這樣的做法基本可以得到滿意的優(yōu)化結(jié)果，但是對(duì)一些特殊情況，如高維優(yōu)化問(wèn)題，則存在一定的求解困難。

真正將蟻群算法應(yīng)用于連續(xù)函數(shù)求解的文獻(xiàn)，目前仍不是太多。Socha等在充分研究蟻群算法結(jié)構(gòu)和信息素概率選擇機(jī)制后，提出了用于求解連續(xù)空間優(yōu)化問(wèn)題的蟻群算法 （ACOR）［1］，該算法引入高斯核函數(shù)表達(dá)復(fù)雜函數(shù)概率密度分布，定義了解存儲(chǔ)器作為算法的信息素模型，將ACA 的離散概率選擇連續(xù)化，從本質(zhì)上將算法擴(kuò)展到連續(xù)空間優(yōu)化問(wèn)題上。ACOR算法由于沒(méi)有改變蟻群算法基于概率選擇和信息素更新的本質(zhì)，因而也被一些學(xué)者稱為擴(kuò)展蟻群算法［2］。文獻(xiàn) ［1］的測(cè)試結(jié)果表明，ACOR是目前最具競(jìng)爭(zhēng)力的蟻群算法。雖然ACOR能夠充分發(fā)揮蟻群算法的優(yōu)勢(shì)，但是也存在收斂速度過(guò)快而導(dǎo)致的求解精度不高、容易陷入局部最優(yōu)和出現(xiàn)停滯現(xiàn)象等缺陷。

量子優(yōu)化算法由于采用了量子比特作為信息的基本載體，因此具備了量子計(jì)算的許多特質(zhì)，在信息容量、并行計(jì)算能力等諸多方面有著比經(jīng)典計(jì)算無(wú)法比擬的優(yōu)勢(shì)。本文將ACOR核心思想引入量子領(lǐng)域，提出量子擴(kuò)展蟻群連續(xù)優(yōu)化改進(jìn)算法 （improved quantum extended ant colony algorithm for continuous optimization，IQEACA），算法采用云模型對(duì)ACOR中關(guān)鍵的高斯核函數(shù)采樣自適應(yīng)機(jī)制進(jìn)行改進(jìn)，增強(qiáng)了全局搜索能力。

1 擴(kuò)展蟻群算法簡(jiǎn)介

1.1 高斯核函數(shù)

高斯核函數(shù)Gi（x）是其各組成元素的高斯函數(shù)（x）的線性組合形成，即

式中：Gi（x）——第i個(gè)高斯核函數(shù)，每個(gè)高斯核函數(shù)由k個(gè)獨(dú)立的高斯函數(shù)組成。高斯核函數(shù)包含3個(gè)參數(shù)，分別是權(quán)重ω、均值μi、標(biāo)準(zhǔn)差σi。

1.2 解存儲(chǔ)器

ACOR用解存儲(chǔ)器T 保存解的信息，間接達(dá)到信息素的保存與更新的目的。假定待優(yōu)化問(wèn)題的維度為n，解存儲(chǔ)器中解的集合元素為k，則解存儲(chǔ)器的結(jié)構(gòu)如圖1所示。

圖1 ACOR 中解存儲(chǔ)器的結(jié)構(gòu)

圖1中Sl表示這個(gè)n 維問(wèn)題的第l 個(gè)解向量，表示這個(gè)解向量的第i個(gè)變量，f（Sl）表示該向量的函數(shù)值 （適應(yīng)度值），ωl表示該向量對(duì)應(yīng)的權(quán)值。圖中可行解的排列順序是根據(jù)其函數(shù)值從優(yōu)到劣的順序來(lái)排列的。例如在求解極小值問(wèn)題時(shí)，可行解需按照f(shuō)（S1）≤f（S2）≤…≤f（Sk）來(lái)排列；相應(yīng)的，每個(gè)函數(shù)值對(duì)應(yīng)權(quán)值的排列順序?yàn)椋害?≥ω2≥…≥ωk。計(jì)算解向量Sl的權(quán)值ωl采用下式

式中：qk——標(biāo)準(zhǔn)差，q——算法的一個(gè)參數(shù)。當(dāng)q 較小時(shí)，較優(yōu)解的權(quán)值比較差解的權(quán)值大很多；而當(dāng)q較大時(shí)，各可行解的權(quán)值差別較小，各可行解的權(quán)值分布較q 較小時(shí)均勻很多。q值對(duì)算法的影響類似于ACO 中調(diào)節(jié)信息素更新策略用以平衡迭代速度與搜索全局最優(yōu)值。

1.3 ACOR 算法流程

算法的流程大致可分為以下幾步：

（1）解存儲(chǔ)器初始化：設(shè)蟻群有m 只螞蟻，解存儲(chǔ)器T 的長(zhǎng)度為k，連續(xù)優(yōu)化問(wèn)題變量為n維。將解存儲(chǔ)器T 隨機(jī)初始化為k維解向量，每個(gè)解向量的長(zhǎng)度為n，由這些解向量計(jì)算出對(duì)應(yīng)的函數(shù)值，并根據(jù)式 （2）計(jì)算出相應(yīng)的權(quán)值。

（2）對(duì)高斯核函數(shù)進(jìn)行采樣：在ACOR中，通過(guò)對(duì)核函數(shù)Gi的采樣來(lái)形成新的可行解。對(duì)于每一個(gè)Gi，解存儲(chǔ)器中第i維變量所有解變成了均值向量μi的元素

而對(duì)于任意一個(gè)組成核函數(shù)的高斯函數(shù)被選擇采樣的概率為

在實(shí)際操作中，通過(guò)將使用參數(shù)化正態(tài)隨機(jī)數(shù)產(chǎn)生器（如Box－Muller）產(chǎn)生的隨機(jī)數(shù)，等同于對(duì)高斯核函數(shù)的采樣。與所選高斯函數(shù)采樣最后一個(gè)相關(guān)參數(shù)σil由下式給定

其中，ξ＞0，算法的一個(gè)參數(shù)，對(duì)這n 維變量均相同；ξ的取值越大，算法的收斂速度越慢。

（3）信息素更新：對(duì)所有螞蟻進(jìn)行采樣，得到m 個(gè)解向量與原解存儲(chǔ)器T 中的解一起組成臨時(shí)解向量，并將這個(gè)臨時(shí)解向量按照函數(shù)值排序，取前k 個(gè)解向量對(duì)解存儲(chǔ)器T 相關(guān)數(shù)據(jù)進(jìn)行更新，確保了解存儲(chǔ)器中始終為最優(yōu)解，更好的引導(dǎo)螞蟻進(jìn)行搜索。

文獻(xiàn) ［1］雖然驗(yàn)證了算法的有效性，但同時(shí)并未給出局部?jī)?yōu)化策略，阻礙了算法性能的進(jìn)一步提升［3］。

2 量子擴(kuò)展蟻群改進(jìn)算法

2.1 量子編碼方案與解空間映射

在量子優(yōu)化算法中，常見(jiàn)的量子位編碼方案有量子位概率幅實(shí)數(shù)編碼、量子位角度編碼［4］、球面角度編碼［5］、位置區(qū)域編碼［6］等。就相對(duì)于優(yōu)化算法所采用的全局和局部尋優(yōu)策略對(duì)最終搜索結(jié)果的影響而言，采用何種量子位編碼方案對(duì)最終優(yōu)化結(jié)果的影響相對(duì)較小。因此，本文采用最簡(jiǎn)單的概率幅對(duì)螞蟻的位置進(jìn)行編碼。其模型為：設(shè)蟻群共由m 只螞蟻組成，則第i只螞蟻的編碼可表示為

其中，相位tij＝2π×rand，rand 是 （0，1）區(qū)間均勻分布的隨機(jī)數(shù)。由于量子比特的兩個(gè)概率幅都可視為螞蟻的當(dāng)前位置信息，因此，在蟻群規(guī)模不變的情況下，相當(dāng)于螞蟻的搜索空間得到加倍，增加了種群的多樣性。

利用線性變換，將量子位概率幅由n 維單位空間映射到優(yōu)化問(wèn)題的解空間Ω。線性變換公式為

其中，aj≤Xj≤bj（j ＝1，2，…，n），是 優(yōu) 化 問(wèn) 題 的 解 空間Ω。

2.2 標(biāo)準(zhǔn)差的自適應(yīng)改進(jìn)

縱觀整個(gè)ACOR算法，其最重要的過(guò)程是通過(guò)對(duì)高斯核函數(shù)進(jìn)行采樣構(gòu)建新的可行解，而采樣過(guò)程又是通過(guò)使用隨機(jī)數(shù)產(chǎn)生器產(chǎn)生隨機(jī)數(shù)來(lái)等同的。因此，隨機(jī)數(shù)產(chǎn)生器所設(shè)置的參數(shù)，對(duì)可行解的產(chǎn)生起到?jīng)Q定性的作用。為了求得，ACOR算法的做法是：對(duì)第i個(gè)變量，計(jì)算當(dāng)前解到解存儲(chǔ)器中當(dāng)前變量位置其它所有解的平均距離。通過(guò)研究式 （5）可知，雖然也是自適應(yīng)于解的變化，然而更多的是體現(xiàn)出蟻群中螞蟻的平均位置，這顯然對(duì)整個(gè)迭代過(guò)程中最優(yōu)個(gè)體的探索與種群優(yōu)化的引導(dǎo)不利，達(dá)不到我們希望算法在初期的加快收斂和后期在極小領(lǐng)域的 “求精”搜索的效果。

我們已知使用云模型理論可以在隨機(jī)性和模糊性兩個(gè)方面有很好兼顧；近年來(lái)智能算法領(lǐng)域已經(jīng)開(kāi)始關(guān)注云模型，在智能控制、數(shù)據(jù)挖掘、入侵檢測(cè)、系統(tǒng)評(píng)估等領(lǐng)域已被證明其有效性，在很多案例中取得了較傳統(tǒng)自適應(yīng)方法更優(yōu)秀的表現(xiàn)［7－9］。本文使用云模型產(chǎn)生標(biāo)準(zhǔn)差，對(duì)其實(shí)行自適應(yīng)控制。

首先，使用X 條件云模型，對(duì)解存儲(chǔ)器T 中各可行解產(chǎn)生相對(duì)于最優(yōu)可行解各變量的確定度值，如下所示：

為了簡(jiǎn)要說(shuō)明該方法的有效性，對(duì)病態(tài)函數(shù)Rosenbrock的2維函數(shù)進(jìn)行函數(shù)優(yōu)化，并與ACOR算法進(jìn)行優(yōu)化結(jié)果的對(duì)比，如表1所示。設(shè)定蟻群數(shù)量m＝10，解存儲(chǔ)器容量k＝10，最大迭代次數(shù)500，ACOR中ξ＝1，選取幾個(gè)典型的q值，兩算法獨(dú)立運(yùn)行50次，統(tǒng)計(jì)優(yōu)化結(jié)果的最優(yōu)值和平均最優(yōu)值，見(jiàn)表1。

表1 Rosenbrock優(yōu)化結(jié)果對(duì)比

從表中可知，本方法在q 取多種不同值情況下，得到的最佳優(yōu)化值和平均優(yōu)化值均明顯優(yōu)于ACOR原方法的優(yōu)化結(jié)果；使用云模型自適應(yīng)產(chǎn)生標(biāo)準(zhǔn)差，進(jìn)而產(chǎn)生新可行解的方案是非常有效的。

2.3 q值的自適應(yīng)改進(jìn)

在ACOR中，q值的選取對(duì)結(jié)果優(yōu)化的收斂速度和收斂精度會(huì)造成較大影響；具體到優(yōu)化的每一次進(jìn)程，q值的選取將直接決定核函數(shù)中高斯函數(shù)被選中采樣的概率；而對(duì)于整個(gè)優(yōu)化過(guò)程，q 值的改變又不會(huì)對(duì)作為ACOR核心的高斯采樣過(guò)程造成任何本質(zhì)的改變。因此，實(shí)現(xiàn)q 值在算法尋優(yōu)過(guò)程中的自適應(yīng)調(diào)整是有利于算法優(yōu)化進(jìn)程的。如果能夠?qū)崿F(xiàn)優(yōu)化的初期q 值較小，這樣最優(yōu)可行解被采樣的概率將會(huì)大一些，算法收斂速度就會(huì)很快；而達(dá)到一定搜索精度，產(chǎn)生優(yōu)化停滯后，q值應(yīng)相應(yīng)調(diào)整的大一些，即可增加采樣的多樣性，利于優(yōu)化過(guò)程跳出局部最優(yōu)值。

對(duì)于q值自適應(yīng)產(chǎn)生方法，可采用固定值、線性產(chǎn)生和非線性產(chǎn)生幾種方法。固定值自適應(yīng)法是選取一些典型值，根據(jù)進(jìn)程需求，采用按比例分配、輪盤(pán)賭等方法，將典型值賦給q。

q值線性增大產(chǎn)生策略是使q 值隨迭代次數(shù)t 的增加而線性增大，可采用下式取值

采用q值非線性增大產(chǎn)生策略，希望能夠在迭代初期產(chǎn)生的q值較小，從而促使算法快速收斂；迭代進(jìn)行到一定程度后，迅速增大q 的取值，增加采樣多樣性。因此，可以采用開(kāi)口向上的拋物線模型，其方程形式如下

式 （9）～式 （10）中，q0是參數(shù)q的初始值。

仍然使用2 維Rosenbrock，函數(shù)對(duì)ACOR中這3 種q值產(chǎn)生方法進(jìn)行優(yōu)化結(jié)果進(jìn)行對(duì)比，規(guī)定q0＝0.001，其它參數(shù)與上節(jié)仿真保持一致；固定值法以100次迭代為一個(gè)單位，由小到大的采用表1中q 的取值。優(yōu)化過(guò)程采取兩種方案，方案1中歷次迭代過(guò)程中的q 值由本節(jié)中上述方法給出隨著迭代次數(shù)變化而改變；方案2更遵從 “迭代初期q值要小利于快速收斂，迭代中后期q 值要大，利于保持可行解的多樣性”這一思想，以方案1為基礎(chǔ)，規(guī)定q0為初值，每當(dāng)最優(yōu)解一段時(shí)間 （如20 次迭代）不再優(yōu)化時(shí)，再利用方案1的方法產(chǎn)生具體的q 值。兩種方案分別記為ACOR（1）和ACOR（2）。3種方法優(yōu)化的結(jié)果見(jiàn)表2。

表2 q值取值策略結(jié)果對(duì)比

從表中可以看出，ACOR（2）相比ACOR（1）具有明顯的優(yōu)勢(shì)。在3種方法中使用線性方法自適應(yīng)產(chǎn)生q 值，相比其它兩種方法所得到的最優(yōu)值和平均最優(yōu)值更為理想。參照表1結(jié)果可知，使用線性ACOR（2）方案得到的最優(yōu)解在多數(shù)情況下，優(yōu)于標(biāo)準(zhǔn)ACOR算法中q 值采用單一固定值時(shí)函數(shù)的優(yōu)化結(jié)果；但是q 值在迭代過(guò)程中的由小變大，同時(shí)也會(huì)減慢函數(shù)的收斂速度。

2.4 局部尋優(yōu)策略

由于蟻群算法容易出現(xiàn)優(yōu)化停滯現(xiàn)象，為了解決蟻群算法的搜索精度問(wèn)題，眾多學(xué)者一般采用將蟻群算法與進(jìn)化算法相結(jié)合的辦法。這樣做的好處是顯而易見(jiàn)的：進(jìn)化算法本就在高精度搜索方面具有較大優(yōu)勢(shì)，且進(jìn)化算法進(jìn)行局部搜索的改進(jìn)方案也較為成熟。而且，量子進(jìn)化算法及其改進(jìn)算法，相對(duì)于經(jīng)典領(lǐng)域的進(jìn)化算法，無(wú)論在收斂速度、還是在搜索精度方面具有更大的優(yōu)勢(shì)。

鑒于此，本文也采用與量子進(jìn)化算法相結(jié)合的辦法，加強(qiáng)函數(shù)局部尋優(yōu)的能力。作者曾提出了一種基于云模型的量子自適應(yīng)進(jìn)化算法［8］，該算法相對(duì)于其它自適應(yīng)量子進(jìn)化改進(jìn)算法具有較明顯的優(yōu)勢(shì)，現(xiàn)簡(jiǎn)要介紹核心步驟。

當(dāng)Ex ≥μ0i 時(shí)，式 （11）取 “－”號(hào)，否則取 “＋”號(hào)。分析云模型變異可知，在變異過(guò)程需要 “求精”操作時(shí)，變異能在最優(yōu)適應(yīng)度鄰域以更小的搜索范圍尋找更優(yōu)解；在需要 “求泛”操作時(shí)，朝著最優(yōu)適應(yīng)度鄰域擁有更大的搜索范圍；同時(shí)，在某些情況下，相比于量子旋轉(zhuǎn)門(mén)方案，能夠?qū)θ旧w個(gè)體產(chǎn)生更大的概率幅值變異，這對(duì)于加速收斂和跳出局部最優(yōu)等有更大的意義。

其中，F(xiàn)max、Fmin、F′分別代表解存儲(chǔ)器中適應(yīng)度的最大、最小值及某可行解的適應(yīng)度值，xij是螞蟻的概率幅編碼中某一位上具體的編碼值。

（2）交叉操作：本文采用量子全干擾交叉算子對(duì)種群進(jìn)行交叉操作，根據(jù)參考文獻(xiàn) ［10］結(jié)論，并經(jīng)多種參數(shù)及測(cè)試函數(shù)的仿真結(jié)果對(duì)比，在本文算法中使用全干擾交叉算子在更多情況下可獲得較單個(gè)個(gè)體或少量個(gè)體交叉更優(yōu)的尋優(yōu)結(jié)果。這種交叉操作方法模擬了量子的干涉特性，充分利用種群中染色體信息，有利于增加種群多樣性，有效避免算法早熟收斂。

（3）變異處理：隨機(jī)選擇一定規(guī)模 （如0.1 m）的螞蟻，然后隨機(jī)選擇其攜帶的若干個(gè)量子位，依變異概率對(duì)選中的量子位施加量子非門(mén)變換，使該量子位的兩個(gè)概率幅互換。

2.5 算法步驟

（1）通過(guò)式 （6）和式 （7）產(chǎn)生初始化種群，完成解空間的線性映射，并評(píng)價(jià)種群中螞蟻的適應(yīng)度；

（2）構(gòu)造解存儲(chǔ)器T，并根據(jù)式 （2）和式 （10）計(jì)算各可行解的初始權(quán)重；

（3）按式 （4）選擇高斯概率密度函數(shù)，使用云模型生成各可行解與最優(yōu)解的相對(duì)確定度，通過(guò)式 （8）構(gòu)建隨機(jī)數(shù)發(fā)生器，完成對(duì)螞蟻的采樣，構(gòu)造新可行解；

（4）執(zhí)行局部尋優(yōu)策略；

（5）對(duì)新可行解與解存儲(chǔ)器T 中的原可行解進(jìn)行比較、排序，完成解存儲(chǔ)器T 的整合，更新信息素；

（6）對(duì)比最佳適應(yīng)度，若T 中的最佳適應(yīng)度值連續(xù)若干代保持不變，則按照式 （10）取得q 的即時(shí)值，重新分配T 中可行解的權(quán)重和被選概率；

（7）返回 （4）循環(huán)計(jì)算，直到達(dá)到收斂條件或最大迭代代數(shù)。

3 測(cè)試結(jié)果與分析

選取常用的5個(gè)典型測(cè)試函數(shù)檢驗(yàn)算法的有效性，具體函數(shù)見(jiàn)表3。

表3 測(cè)試函數(shù)

將本文算法與標(biāo)準(zhǔn)擴(kuò)展蟻群算法 （ACOR）［1］、基于量子旋轉(zhuǎn)門(mén)局部尋優(yōu)策略的改進(jìn)量子擴(kuò)展蟻群算法 （extended quantum ant colonyalgorithm，QACOR）［2］、基于量子旋轉(zhuǎn)門(mén)局部尋優(yōu)策略的連續(xù)量子蟻群算法（continuous quantum ant colony algorithm，CQACA）［11］兩個(gè)優(yōu)秀改進(jìn)蟻群算法進(jìn)行對(duì)比。

仿真環(huán)境為Matlab2012b，設(shè)定蟻群螞蟻數(shù)量m＝10，解存儲(chǔ)器容量k＝10，q0＝0.1，ACOR中ξ＝1，其它未說(shuō)明參數(shù)設(shè)置與文獻(xiàn)保持一致。分別計(jì)算變量為2維、10維和30維時(shí)函數(shù)的優(yōu)化結(jié)果，各算法均獨(dú)立運(yùn)行50 次，統(tǒng)計(jì)結(jié)果的最優(yōu)值、平均最優(yōu)值見(jiàn)表4。

表4 函數(shù)優(yōu)化結(jié)果對(duì)比

通過(guò)對(duì)表中數(shù)據(jù)的分析可知：對(duì)于引用的5個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)，本文算法無(wú)論是在最優(yōu)值還是在平均最有值兩個(gè)指標(biāo)上都全面優(yōu)于其它3種算法；算法的收斂速度快，尤其對(duì)解決連續(xù)空間高維優(yōu)化問(wèn)題相比其它算法優(yōu)勢(shì)較大；算法在所列幾種參數(shù)的測(cè)試下均取得了較滿意的結(jié)果，只在病態(tài)、有大量局部最優(yōu)值的Rosenbrock函數(shù)的高維測(cè)試時(shí)，所得結(jié)果相對(duì)于本算法對(duì)于其它4個(gè)函數(shù)的優(yōu)化結(jié)果的優(yōu)勢(shì)有所減小，但仍優(yōu)于其它算法的優(yōu)化值。以上結(jié)果充分說(shuō)明采取本文算法提出的σil自適應(yīng)產(chǎn)生機(jī)制和局部尋優(yōu)策略是可靠、高效的。

選取數(shù)據(jù)維度為2，迭代次數(shù)為500這一參數(shù)，為4種算法設(shè)置共同的初始螞蟻種群值，各算法再獨(dú)立運(yùn)行50次，取各算法全部?jī)?yōu)化結(jié)果的平均值，其收斂過(guò)程對(duì)比如圖2所示。

從圖2中可以看出，本文算法具有快速收斂的特性。

圖2 4類算法的收斂過(guò)程對(duì)比

4 結(jié)束語(yǔ)

本文分析了ACOR算法高斯核函數(shù)采樣標(biāo)準(zhǔn)差產(chǎn)生機(jī)制，提出了基于云模型的標(biāo)準(zhǔn)差自適應(yīng)控制法替代原有產(chǎn)生機(jī)制，并簡(jiǎn)要論證了該方法相比于原辦法更為有效；同時(shí)，自適應(yīng)的控制了參數(shù)q 的取值，從而實(shí)現(xiàn)了采樣概率的動(dòng)態(tài)調(diào)整；在此基礎(chǔ)上，給出了基于云模型變異的局部搜索策略。通過(guò)仿真驗(yàn)證了本文算法具有較強(qiáng)的搜索能力和效率，能夠有效避免早熟，尤其適用于高維連續(xù)優(yōu)化問(wèn)題，相比于其它同類算法具有較明顯優(yōu)勢(shì)。針對(duì)不同函數(shù)和優(yōu)化問(wèn)題，本文算法在參數(shù)的選取方面可進(jìn)行相應(yīng)的調(diào)整，其優(yōu)化結(jié)果還會(huì)有提升的空間。

［1］Socha K，Dorigo M.Ant colony optimization for continuous domains［J］.European Journal of Operational Research，2008，185 （3）：1155－1173.

［2］LI Shiyong，BAI Jiyun.Extended quantum ant colony algorithm for continuous function optimization ［J］.Journal of Harbin Engineering University，2012，33 （1）：80－84 （in Chinese）.［李士勇，柏繼云.連續(xù)函數(shù)尋優(yōu)的改進(jìn)量子擴(kuò)展蟻群算法 ［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2012，33 （1）：80－84.］

［3］HE Zongyao，WANG Xiang.Adaptive bee－ant colony optimization ［J］.Application Research of Computer，2012，29（1）：130－134 （in Chinese）.［何宗耀，王翔.蜂群－蟻群自適應(yīng) 優(yōu) 化 算 法 ［J］. 計(jì) 算 機(jī) 應(yīng) 用 研 究，2012，29 （1）：130－134.］

［4］LI Panchi，SONG Kaoping，YANG Erlong.Phase encodedbased quantum ant optimization ［J］.Systems Engineering－Theory ＆Practice，2011，31 （8）：1565－1570 （in Chinese）.［李盼池，宋考平，楊二龍.基于相位編碼的量子蟻群算法［J］.系統(tǒng)工程理論與實(shí)踐，2011，31 （8）：1565－1570.］

［5］LI Panchi.Quantum genetic algorithm based on Bloch coordinates of qubits and its application ［J］.Control Theory ＆ Applications，2008，25 （6）：985－989 （in Chinese）. ［李盼池.基于量子位Bloch坐標(biāo)的量子遺傳算法及其應(yīng)用 ［J］.控制理論與應(yīng)用，2008，25 （6）：985－989.］

［6］HUANG Jingwen，QIN Chaoyong.Real coded quantum ant colony optimization algorithm for global numerical optimization［J］.Application Research of Computers，2009，26 （10）：3660－3662 （in Chinese）.［黃景文，覃朝勇.用于多維函數(shù)優(yōu)化的實(shí)數(shù)編碼量子蟻群算法 ［J］.計(jì)算機(jī)應(yīng)用研究，2009，26（10）：3660－3662.］

［7］ZHANG Guangwei，HE Rui，LIU Yu，et al.An evolutionary algorithm based on cloud model［J］.Chinese Journal of Computers，2008，31 （7）：1082－1091 （in Chinese）.［張光衛(wèi)，何銳，劉禹，等.基于云模型的進(jìn)化算法 ［J］.計(jì)算機(jī)學(xué)報(bào)，2008，31 （7）：1082－1091.］

［8］MA Ying，TIAN Weijian，F(xiàn)AN Yangyu.Quantum adaptive immune clone algorithm based on cloud model［J］.Chinese Journal of Computational Physics，2013，30 （4）：627－632（in Chinese）.［馬穎，田維堅(jiān)，樊養(yǎng)余.基于云模型的自適應(yīng) 量 子 免 疫 克 隆 算 法 ［J］.計(jì) 算 物 理，2013，30 （4）：627－632.］

［9］MA Ying，TIAN Weijian，F(xiàn)AN Yangyu.Adaptive quantumbehaved particle swarm optimization algorithm based on cloud model［J］.PR ＆AI，2013，26 （8）：787－793 （in Chinese）.［馬穎，田維堅(jiān)，樊養(yǎng)余.基于云模型的自適應(yīng)量子粒子群算法 ［J］.模式識(shí)別與人工智能，2013，26 （8）：787－793.］

［10］LIU Fang，WANG Shuang，LIU Yingying，et al.A quantum－inspired evolutionary algorithm based on a modified quantum rotate gate for data clustering ［J］.Acta Electronica Sinica，2011，39 （9）：2008－2013 （in Chinese）. ［劉芳，王爽，柳瑩瑩，等.基于改進(jìn)量子旋轉(zhuǎn)門(mén)的量子進(jìn)化數(shù)據(jù)聚類 ［J］.電子學(xué)報(bào)，2011，39 （9）：2008－2013.］

［11］LI Panchi，LI Shiyong.Quantum ant colony algorithm for continuous space optimization ［J］.Control Theory ＆ Applications，2008，25 （2）：237－240 （in Chinese）.［李盼池，李士勇.求解連續(xù)空間優(yōu)化問(wèn)題的量子蟻群算法 ［J］.控制理論與應(yīng)用，2008，25 （2）：237－240.］