[论文解读] Genetic Algorithms and Quantum Computation

Gilson A. Giraldi, Renato Portugal+1 more|ArXiv.org|Mar 4, 2004

Quantum Computing Algorithms and Architecture参考文献 27被引用 18

一句话总结

本文综述了量子计算中的量子进化规划与遗传算法（GAs），提出了一种利用叠加态和酉操作以增强种群多样性和收敛性的量子遗传算法（QGA）。研究表明，QGA能够利用量子并行性和真正的随机性来提高搜索效率，尽管在量子交叉和可扩展实现方面仍存在挑战。

ABSTRACT

Recently, researchers have applied genetic algorithms (GAs) to address some problems in quantum computation. Also, there has been some works in the designing of genetic algorithms based on quantum theoretical concepts and techniques. The so called Quantum Evolutionary Programming has two major sub-areas: Quantum Inspired Genetic Algorithms (QIGAs) and Quantum Genetic Algorithms (QGAs). The former adopts qubit chromosomes as representations and employs quantum gates for the search of the best solution. The later tries to solve a key question in this field: what GAs will look like as an implementation on quantum hardware? As we shall see, there is not a complete answer for this question. An important point for QGAs is to build a quantum algorithm that takes advantage of both the GA and quantum computing parallelism as well as true randomness provided by quantum computers. In the first part of this paper we present a survey of the main works in GAs plus quantum computing including also our works in this area. Henceforth, we review some basic concepts in quantum computation and GAs and emphasize their inherent parallelism. Next, we review the application of GAs for learning quantum operators and circuit design. Then, quantum evolutionary programming is considered. Finally, we present our current research in this field and some perspectives.

研究动机与目标

• 综述并整合量子计算中量子进化规划与遗传算法应用的关键文献。
• 探讨量子计算原理（如叠加态和纠缠）如何提升遗传算法的性能。
• 解决设计一种有效结合量子并行性与进化搜索的量子遗传算法（QGA）的挑战。
• 研究利用量子线路和酉算子演化解决方案以实现量子算子学习与线路设计的可行性。
• 识别在量子交叉和可扩展量子种群管理方面存在的开放性问题。

提出的方法

• 提出一种基于量子比特染色体和酉操作的QGA框架，用于在叠加态中表示和演化种群。
• 采用一种适应度评估机制，通过酉算子 $U_f$ 将适应度值与染色体状态纠缠。
• 通过测量将叠加态坍缩为具有观测适应度的个体，随后应用酉操作 $P$ 实现受控突变。
• 使用序列 $U_f P U_f^{-1}$ 在测量后恢复种群多样性，同时在演化过程中保持量子相干性。
• 引入配置空间形式化方法，以分析线路空间结构并提高进化策略的效率。
• 通过量子线路表示和基于适应度的进化，对现有QIGA和QGA方案（如Rubinstein、Yabuki）进行分析，对门结构实施交叉和突变。

实验结果

研究问题

• RQ1 如何利用量子叠加态和酉操作来增强遗传算法中的多样性与收敛性？
• RQ2 在物理可实现的量子硬件环境中，实现量子交叉和突变的根本挑战是什么？
• RQ3 量子进化规划能否有效学习酉算子并设计最优量子线路？
• RQ4 配置空间形式化方法如何帮助理解并优化量子线路搜索空间的结构？
• RQ5 当前QGA模型在测量过程中维持个体与其适应度值之间相关性的局限性是什么？

主要发现

• 所提出的QGA框架通过叠加态维持种群多样性，使在经典GAs中互不相容的高适应度个体得以共存。
• 测量会将叠加态坍缩为仅包含观测适应度的个体，导致有效种群规模减小，需通过 $U_f P U_f^{-1}$ 的酉恢复操作来重建多样性。
• 该方法表明，量子并行性和真正的随机性可被有效利用以提高搜索效率，尤其在大规模非线性搜索空间中表现突出。
• 现有方法（如Rubinstein和Yabuki）通过在门结构表示上应用进化策略，成功将量子线路规模减小（例如从11个门减少到8个门）。
• 分析表明，将个体与适应度值简单纠缠（$|\Psi\rangle = \sum a_x|x\rangle \otimes \sum b_y|f(y)\rangle$）会破坏个体与适应度之间的相关性，导致基于测量的选择方法失效。
• 尽管理论前景广阔，但实际实现仍面临挑战，主要源于多寄存器系统中对量子通信通道和酉约束的依赖。