بهبود کارایی الگوریتم های ژنتیک کوانتومی با استفاده از جستجوی محلّی Simulated Annealing

الگوریتم های ژنتیک کوانتوم برپایه دیدگاه محاسبات و کامپیوترهای کوانتومی شکل گرفته اند. مزیت این الگوریتم ها در ایجاد توازن میان تعمق و جستجو است. پژوهش های اخیر نشان می دهد این الگوریتم ها در حلّ مسائلِ بهینه سازیِ ترکیبی مانند مسئله کوله پشتی از کارایی بسیار بالایی برخوردارند. ولی در مجموع این الگوریتم ها نیز دچار مشکل گیر کردن در قلّه محلّی، و کندی سرعت همگرایی هستند. برای همین منظور بایستی روش هایی برای بهبود کارایی این الگوریتم ها پیشنهاد کرد. الگوریتم های ژنتیک کوانتوم مانند سایر الگوریتم های تکاملی یک روش جستجوی عمومی می باشند و تلفیق آنها با رو شهای جستجوی محلّی می تواند بر کارایی آنها بیفزاید. در این پژوهش می کوشیم کارایی الگوریتم های ژنتیک کوانتوم را با استفاده از روش جستجوی محلّی Simulated Annealing بهبود دهیم. نتایج نشان می دهند به کارگیری این الگوریتم موجب افزایش بسیار زیاد کارایی الگوریتم های ژنتیک کوانتوم می شود.

Keywords:

الگوریتم های تکاملی , Simulated Annealing , الگوریتم های کوانتومی