1、在解決理論和實際應用中的多變量優(yōu)化問題時，許多智能優(yōu)化算法存在收斂速度較慢或容易陷入局部最優(yōu)的缺陷。由于人工蜂群算法具有設置參數(shù)少、收斂速度快和魯棒性強等優(yōu)點，因此它已在函數(shù)、組合優(yōu)化以及工程領域等方面得到了廣泛的應用。人工蜂群算法卻容易陷入局部極值點，為了改善人工蜂群算法的缺點，有學者結合量子理論提出了量子人工蜂群算法。量子人工蜂群算法的優(yōu)化效果比人工蜂群算法有了很大的改善，但是它的量子態(tài)是在實數(shù)域Hilbert空間平面單位圓周上的描

2、述，只有一個參變量，沒有充分發(fā)揮它的量子特性，與理想的效果還有一定的差距。
　　本文以解決多變量優(yōu)化問題為例，提出一種基于Bloch球面坐標編碼的量子人工蜂群算法。BQABC算法采用的是量子位的Bloch球面坐標對ABC算法中的食物源進行編碼，編碼過后的每個食物源對應于優(yōu)化問題解空間中的三個可行解。這種編碼方式使得優(yōu)化問題的全局最優(yōu)解數(shù)量得到極大擴充，而BQABC算法在擴大的搜索空間中也顯著提高了獲得最優(yōu)解的概率。通過量子旋轉門調

3、整量子位的相位實現(xiàn)BQABC算法的搜索操作。當按照近似等球面積的搜索方式進行搜索時，兩個旋轉相位的大小近似成反比例關系。這避免了采用固定相位旋轉的不均等性，使搜索過程呈現(xiàn)出規(guī)律性。通過兩個典型實例的驗證，該算法在搜索能力和優(yōu)化效率方面都優(yōu)于QABC算法以及ABC算法。文中的最后把量子理論和神經網絡相結合，在相關的量子神經網絡的理論知識之上，提出了一種混合的量子神經網絡模型。通過兩個實例驗證了它的有效性，并且在優(yōu)化效果方面優(yōu)于普通的BP神