据外媒报道，韩国光州科学技术院研究团队宣布对算法结构进行改进，在保持现有半经典量子遗传算法优化性能的同时，显著提高了计算效率。
量子遗传算法是一种已经在经典计算机上得到证明的技术，如量子神经网络，量子强化学习等它采用元启发式方法实现全局优化，在整个搜索域内寻找最优解，这是量子计算机中遗传算法的强项
量子系统不可避免的波函数坍缩与遗传算法通过迭代运算寻找解的工作原理相冲突可是，通过在种群形成过程中产生大量随机个体，现有的反经典量子遗传算法研究可以解决这一问题
这项研究假设这些随机实体对算法的优化贡献很小，然后试图改进量子电路，以最小化随机实体的代数，同时保持算法的达尔文进化结构。
因此，当每一代形成一个种群时，研究人员会设计一种结构，只产生个体，这些个体具有从上一代获得的优秀个体的全部或部分遗传特征。
通过将这种改进的算法与以前的算法一起应用于优化问题，研究人员进行了实验来比较这种改进算法的性能事实上，在实现与前一算法相同优化水平的同时，适应度评估总数从2560减少到432，这表明性能得到了显著提高，每一代所需的计算量减少了80%
结果，研究人员通过防止算法的原始优化性能下降和减少种群的二次规模，成功地将算法的计算效率提高了5倍。
Chang Wook Ahn教授表示:量子计算机有望加速新药和能源开发，半导体设计，自动驾驶汽车和飞行路线等优化问题，从而改变未来产业和安全生态系统的布局这项研究通过超越经典计算机概念的创造性方法提高了实际性能，并有望在未来开发出更有效的量子优化算法
声明：以上内容为本网站转自其它媒体，相关信息仅为传递更多企业信息之目的，不代表本网观点，亦不代表本网站赞同其观点或证实其内容的真实性。投资有风险，需谨慎。
