یک روش مبتنی بر بازمقداردهی به جامعه جواب در الگوریتم های تکاملی کوانتوم برای افزایش تنوع در جامعه جواب

الگوریتم های ژنتیک کوانتوم از ساختاری احتمالاتی برای نمایش پاسخ ها استفاده می کنند و چنین نمایشی موجب افزایش تنوع در جامعه جواب می شود. ولی در مجموع این الگوریتم ها نیز به خاطر استفاده از کوانتوم گیت و حرکت جمعی پاسخ ها به سوی بهترین پاسخ دچار مشکل گیر کردن در قله محلی، و کندی سرعت همگرایی هستند. در این جا برای افزایش کارایی الگوریتم های تکاملی کوانتومی روشی را ارایه می کنیم که در آن هرگاه الگوریتم در قله محلی گرفتار شد با مقدار دهی تصادفی به کوانتوم - کروموزوم ها، الگوریتم را باز مقدار دهی می کنیم. نتایج روس مساله کوله پشتی، Trap و توابع عددی نشان می دهد که روش پیشنهادی هر چند از نظر پیچیدگی زمانی برابر با الگوریتم تکاملی کوانتوم ساده می باشد ولی از نظر کارایی برتری قابل ملاحظه ای نسبت به الگوریتم های تکاملی کوانتوم دارد.

Keywords:

الگوریتم های تکاملی , الگوریتم های ژنتیک کوانتومی , الگوریتم های کوانتومی