專利名稱：根據(jù)量子軟計算控制過程或處理數(shù)據(jù)的方法和硬件體系結(jié)構(gòu)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明一般涉及用于控制過程或用于處理數(shù)據(jù)庫中的數(shù)據(jù)的方法和硬件，更確切地說，涉及控制過程和/或包括搜索最小值的智能操作。
本發(fā)明的方法對一組值中的最小值搜索非常有用，特別地，對實現(xiàn)使用人工智能的硬件控制系統(tǒng)以魯棒、靈巧地控制非線性過程和/或搜索數(shù)據(jù)庫非常有用。
背景技術(shù)：
反饋控制系統(tǒng)廣泛用于將動態(tài)系統(tǒng)的輸出保持在理想值，盡管外部干擾使動態(tài)系統(tǒng)偏移理想值。例如，由自動調(diào)溫器控制的家用加熱壁爐，就是反饋控制系統(tǒng)的一個實例。自動調(diào)溫器連續(xù)測量室內(nèi)的氣溫，當(dāng)溫度降到所需的最低溫度以下時，自動調(diào)溫器打開壁爐。當(dāng)室內(nèi)溫度達(dá)到所需的最低溫度時，自動調(diào)溫器關(guān)閉壁爐。自動調(diào)溫器壁爐系統(tǒng)將室內(nèi)溫度大致保持在固定值，而不管諸如室外溫度下降之類的外部干擾。在許多應(yīng)用中使用類似的反饋控制。
反饋控制系統(tǒng)的主要組件是一個受控對象，可定義為“設(shè)備”的一臺機(jī)器或一個過程，其輸出變量需要控制。在上述實例中，“設(shè)備”是住宅，輸出變量是住宅內(nèi)的室內(nèi)氣溫，干擾是通過住宅墻壁的熱流(傳播)。設(shè)備由控制系統(tǒng)控制。在以上示例中，控制系統(tǒng)是自動調(diào)溫器和壁爐的組合。自動調(diào)溫器壁爐系統(tǒng)使用簡單的開關(guān)反饋控制系統(tǒng)，以保持室內(nèi)溫度。在諸如電機(jī)傳動軸位置和電機(jī)速度控制系統(tǒng)之類的許多控制環(huán)境中，簡單的開關(guān)反饋控制是不夠的。更先進(jìn)的控制系統(tǒng)依賴比例反饋控制、積分反饋控制和微分反饋控制的組合?；诒壤臃e分加微分反饋之和的反饋控制稱為PID控制。
PID控制系統(tǒng)是一種基于設(shè)備動態(tài)模型的線性控制系統(tǒng)。在經(jīng)典控制系統(tǒng)中，以動態(tài)方程(通常是常微分方程)的形式，獲得線性動態(tài)模型。假設(shè)設(shè)備是相對線性的，不隨時間改變，并且是穩(wěn)定的。然而，現(xiàn)實世界中的許多設(shè)備是隨時間改變的，高度非線性的，并且是不穩(wěn)定的。例如，動態(tài)模型可能包含參數(shù)(如質(zhì)量，感應(yīng)系數(shù)，空氣動力特性系數(shù)等)，只能知道這些參數(shù)的近似值，或者這些參數(shù)隨不斷變化的環(huán)境而定。如果參數(shù)變化小并且動態(tài)模型是穩(wěn)定的，則PID控制器可能是合適的。然而，如果參數(shù)變化大并且動態(tài)模型是不穩(wěn)定的，則通常向PID控制系統(tǒng)添加自適應(yīng)或智能(AI)控制功能。
AI控制系統(tǒng)使用一個優(yōu)化器(通常是非線性優(yōu)化器)，以規(guī)劃PID控制器的操作，從而改善控制系統(tǒng)的整體操作。
經(jīng)典的高級控制理論基于以下假設(shè)，即可以線性系統(tǒng)的方式逼近近似平衡點的所有受控“設(shè)備”。不幸的是，在現(xiàn)實世界中此假設(shè)幾乎不成立。大部分設(shè)備都是高度非線性的，并且通常不具備簡單控制算法。為了滿足非線性控制的上述需求，人們開發(fā)了使用諸如遺傳算法(GA)、模糊神經(jīng)網(wǎng)絡(luò)(FNN)、模糊控制器之類的軟計算概念的系統(tǒng)。利用這些技術(shù)，控制系統(tǒng)及時演化(改變)，以使其本身適應(yīng)受控“設(shè)備”和/或操作環(huán)境中可能出現(xiàn)的變化。
圖1表示根據(jù)軟計算控制設(shè)備的控制系統(tǒng)。
通過使用一組輸入和一個目標(biāo)函數(shù)(適應(yīng)度)，遺傳算法以類似于進(jìn)化過程的方式起作用，以達(dá)到希望的最優(yōu)解。
遺傳算法生成“染色體”(即可行解)集合，然后通過使用目標(biāo)函數(shù)計算各解的值，對染色體進(jìn)行排序。目標(biāo)函數(shù)確定各解對于目標(biāo)數(shù)值范圍的等級。比較適合的染色體(解)為其解在目標(biāo)數(shù)值范圍上等級較高的染色體。不太適合的染色體(解)為其解在目標(biāo)數(shù)值范圍上等級較低的染色體。
保存比較適合的染色體(存活)，丟棄不太適合的染色體(死亡)。創(chuàng)建新的染色體以代替丟棄的染色體。創(chuàng)建新染色體的方法是，交叉現(xiàn)有染色體的某些段，并且引入變異。
PID控制器具有線性變換功能，因此，PID控制器是基于受控“設(shè)備”的運動的線性方程的。用于規(guī)劃PID控制器的現(xiàn)有技術(shù)的遺傳算法使用簡單的適應(yīng)度，因此不能解決通常在線性化模型中看到的較差的可控性問題。正如在大部分優(yōu)化器中看到的那樣，優(yōu)化的成功或失敗常常最終依賴于選擇的性能(適應(yīng)度)函數(shù)。
計算非線性設(shè)備的運動特征通常是較難的，其部分原因在于缺乏通用的分析方法。按照慣例，當(dāng)利用非線性運動特征控制設(shè)備時，通常的做法是，查找設(shè)備的某些平衡點，然后在某個平衡點的附近線性化設(shè)備的運動特征。接著，根據(jù)在平衡點附近計算的偽(線性化的)運動特征進(jìn)行控制。對于利用不穩(wěn)定或發(fā)散模型描述的設(shè)備而言，以上技術(shù)幾乎(或者根本)無效。
根據(jù)軟計算計算最優(yōu)控制包括GA，GA是在正解的固定空間上全局搜索最優(yōu)解的第一步。GA搜索該設(shè)備的一組控制權(quán)重。首先，常規(guī)比例積分微分(PID)使用權(quán)重向量K＝{k1，…，kn}生成應(yīng)用于該設(shè)備的信號δ(k)。假定與該信號上的設(shè)備之運轉(zhuǎn)有關(guān)的熵S(δ(k))為要最小化的目標(biāo)函數(shù)。以固定時間間隔將GA重復(fù)幾次，以生成一組權(quán)重向量。然后將GA生成的向量提供給FNN，并且將FNN的輸出提供給模糊控制器。模糊控制器的輸出為控制設(shè)備的PID控制器的增益進(jìn)度表的集合。對于基于GA的軟計算系統(tǒng)而言，通常沒有經(jīng)典控制意義上的實際控制定律，相反，控制是基于諸如最小熵值之類的物理控制定律的。
這樣得到更魯棒的控制，其原因在于與反饋組合的GA保證了魯棒性。然而，魯棒控制未必是最優(yōu)控制。GA試圖查找給定解空間的全局最優(yōu)解。設(shè)備的任何隨機(jī)干擾(圖1中的m(t))都有可能將GA“踢”到不同的解空間中。
理想情況是，在許多解空間中搜索全局最優(yōu)解，以查找“通用的”最優(yōu)解。
在復(fù)雜動態(tài)系統(tǒng)的高級智能控制理論中(如在控制對象中)應(yīng)用新的基于知識的控制算法，必須開發(fā)諸如計算智能(CI)之類的新的處理方法。用于CI的傳統(tǒng)計算基礎(chǔ)工具為GA、FNN、模糊集合論、進(jìn)化程序設(shè)計、定性概率推理等。在復(fù)雜系統(tǒng)運動的高級控制理論中應(yīng)用CI有兩種研究方式1)研究復(fù)雜動態(tài)系統(tǒng)的穩(wěn)定的非平衡運動；和2)研究復(fù)雜動態(tài)系統(tǒng)的不穩(wěn)定的非平衡運動。
在第一種情況(穩(wěn)定的非平衡運動)中，可利用圖1所示的結(jié)構(gòu)描述智能控制算法的開發(fā)和設(shè)計。
給定結(jié)構(gòu)的特色在于，根據(jù)諸如設(shè)備之“黑箱”或非線性模型之類的模糊系統(tǒng)理論考慮控制對象?！拜斎胼敵觥标P(guān)系的研究和優(yōu)化是基于軟計算的，如GA、FNN和模糊控制(FC)，以利用最小熵值和控制誤差描述PID控制器參數(shù)的變化規(guī)律。在小的隨機(jī)初始狀態(tài)中，對于受控對象(設(shè)備)的參數(shù)或結(jié)構(gòu)的不可控制的外部激勵或微小改變，此方法保證對可行激勵和解的固定空間的魯棒的、穩(wěn)定控制。
在全局不穩(wěn)定的動態(tài)控制目標(biāo)情況中，這種基于存在魯棒、穩(wěn)定控制的方法通常不能保證成功。對于此類不穩(wěn)定的動態(tài)控制目標(biāo)而言，有必要根據(jù)對本質(zhì)上非線性的、不穩(wěn)定的、不完整的動態(tài)系統(tǒng)運動的了解，開發(fā)一種新的智能的、魯棒算法。

發(fā)明內(nèi)容
本發(fā)明的目的在于，通過使用合并遺傳算法和量子搜索算法得到的算法，提供控制一般過程的新方法和有關(guān)硬件的體系結(jié)構(gòu)。
描述了其傳感器數(shù)目減少的一般控制系統(tǒng)的硬件結(jié)構(gòu)。描述了此類結(jié)構(gòu)的幾種實際實施方式。例如，通過使用本發(fā)明的全新結(jié)構(gòu)，實現(xiàn)內(nèi)燃機(jī)和車輛懸掛系統(tǒng)的傳感器數(shù)目減少的控制系統(tǒng)。
本質(zhì)上，本發(fā)明的方法和硬件結(jié)構(gòu)也可以用于搜索數(shù)據(jù)庫或類似應(yīng)用中的數(shù)據(jù)。
同時，描述了包含實現(xiàn)本發(fā)明之方法的不同步驟的電路的集成硅設(shè)備。
附屬權(quán)利要求書簡明定義了本發(fā)明。


通過參照附圖，閱讀以下幾種重要實施方式的說明，本發(fā)明的特性和優(yōu)點將更加清楚，其中附圖為圖1是基于軟計算的智能控制系統(tǒng)的一般結(jié)構(gòu)；
圖2是基于量子軟計算的智能靈巧控制系統(tǒng)的一般結(jié)構(gòu)；圖3是量子算法的框圖；圖4是編碼器的框圖；圖5是圖3中量子塊的一般結(jié)構(gòu)；圖6是量子電路的實例；圖7.a表示張量積變換的實例；圖7.b表示點積變換的實例；圖7.c表示恒等變換；圖7.d表示傳播規(guī)則的實例；圖7.e表示迭代規(guī)則的實例；圖7.f解釋輸入/輸出張量規(guī)則；圖8為實現(xiàn)Grover量子門(邏輯門)的電路實例；圖9為Grover量子門；圖10.a表示一組可能的輸入概率振幅；圖10.b表示圖8所示步驟1之后的一組概率振幅；圖10.c表示圖8所示步驟2之后的一組概率振幅；圖10.d表示圖8所示步驟3之后的一組概率振幅；圖11.a為向量疊加實例；圖11.b為應(yīng)用4H之后的圖11.a中的向量集；圖11.c為應(yīng)用編織算子UF(x＝001)之后的圖11.b中的向量集；圖11.d為應(yīng)用干擾算子DnI之后的圖11.b中的向量集；圖11.e為再次應(yīng)用編織算子UF之后的圖11.b中的向量集；圖11.f為再次應(yīng)用干擾算子DnI之后的圖11.b中的向量集；表1摘要敘述一般迭代次數(shù)的Grover算法的信息分析；表2摘要敘述第一迭代的Grover算法的信息分析；表3摘要敘述第二迭代的Grover算法的信息分析；圖12表示GA和QSA之間的相似性；圖13為QGSA的框圖；圖14為量子遺傳搜索算法的框圖；
圖15描述用于全局優(yōu)化的經(jīng)典遺傳搜索算法和量子搜索算法的結(jié)構(gòu)；圖16描述量子算法的一般結(jié)構(gòu)；圖17描述量子搜索算法的量子網(wǎng)絡(luò)；圖18表示量子搜索算法；圖19表示幾種可能的公路分布圖情況；圖20.a比較模糊控制模擬后車輛的傾斜角的不同動力特性；圖20.b比較圖20.a的時間圖的相位圖形；圖21.a比較圖20.a所示的相應(yīng)動力特性的熵積累；圖21.b比較圖21.a的時間圖的相位圖形；圖22為本發(fā)明的加速器的框圖；圖23為實現(xiàn)Grover算法的量子門的框圖；圖24為用于Deutsch-Jozsa算法的量子門的實例；圖25為Deutsch-Jozsa算法的疊加子系統(tǒng)的實施方式；圖26為Deutsch-Jozsa算法的干擾子系統(tǒng)的實施方式；圖27為用于Grover算法的量子門的實例；圖28為Grover算法的疊加子系統(tǒng)的實施方式；圖29為Grover算法的干擾子系統(tǒng)的實施方式；圖30為第K編織子系統(tǒng)的實施方式；圖31為第K干擾子系統(tǒng)的實施方式；圖32為其傳感器數(shù)目減少的智能控制系統(tǒng)模擬器的基礎(chǔ)結(jié)構(gòu)；圖33為圖32所示的其傳感器數(shù)目減少的智能控制系統(tǒng)模擬器的詳細(xì)結(jié)構(gòu)；表4摘要敘述圖33所示的表的含義；圖34描述活塞內(nèi)燃機(jī)；圖35是未實現(xiàn)量子遺傳搜索算法的內(nèi)燃機(jī)的簡化控制系統(tǒng)的框圖；圖36為實現(xiàn)量子遺傳搜索算法的內(nèi)燃機(jī)的簡化控制系統(tǒng)的框圖。
具體實施例方式
如上所述，直觀看來，本發(fā)明的基本方面在于，通過合并量子算法和遺傳算法得到稱為量子遺傳搜索算法的算法，將(實際上，業(yè)已證明)極大增強(qiáng)教會模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)智能控制系統(tǒng)以及搜索數(shù)據(jù)庫中的數(shù)據(jù)的功能。
上述合并是可行的，其原因在于量子算法和遺傳算法之間的“相似性”，并且為了易于理解本發(fā)明之全新量子遺傳搜索算法的描述，簡單回顧遺傳算法理論和量子算法理論是很有用的。
遺傳算法遺傳算法(GA)是基于自然遺傳和自然選擇機(jī)制的全局搜索算法。在遺傳搜索中，有限長度的二進(jìn)制串表示各設(shè)計變量，將所有可行解的集合編碼到二進(jìn)制串的種群中。隨后，使用與生物繁殖和進(jìn)化類似的遺傳變換，改變進(jìn)而改善經(jīng)過編碼的解。通常，在遺傳搜索中使用的三個主要算子為交叉、變異和選擇。
選擇處理使得搜索在種群中生成更適合的成員，并刪除不太適合的成員。因此，首先對種群中的各串分配一個適應(yīng)值。從初始種群中選擇成員的簡單方法是，以其適應(yīng)值為基礎(chǔ)，為各成員分配選擇該成員的概率。然后創(chuàng)建具有較高平均適應(yīng)值且其大小與原始種群相同的新種群。
選擇處理僅導(dǎo)致將在種群中出現(xiàn)的顯性設(shè)計的更多副本。交叉處理允許交換種群中成員之間的設(shè)計特性，以提高下一代的適應(yīng)性。交叉處理指選擇兩個配對的父串，隨機(jī)選擇串上的兩個位置，然后交換所選位置之間的0、1串。
變異保護(hù)遺傳搜索處理在選擇和交叉期間不會過早丟失有價值的遺傳信息。變異處理在于，以其變異概率為基礎(chǔ)，從種群中選擇少數(shù)成員，然后以所選串的隨機(jī)選擇的變異率，將1變?yōu)?，或相反。
在上述論述中，遺傳搜索的機(jī)制是簡單的。然而，影響該方法之強(qiáng)度的傳統(tǒng)方法有幾點關(guān)鍵區(qū)別。GA只處理函數(shù)求值，不需要函數(shù)導(dǎo)數(shù)。而導(dǎo)數(shù)影響更快地收斂到最優(yōu)解，也可能使搜索朝向局部最優(yōu)解。另外，由于搜索從設(shè)計空間中的幾個點進(jìn)行到另一組設(shè)計點，所以相對于從某個點進(jìn)行到另一個點的其他模式，該方法定位全局最小值的可能性更高。此外，遺傳算法處理設(shè)計變量的編碼而不是處理變量本身。這允許將該算法擴(kuò)展到由連續(xù)、離散和整數(shù)變量混合組成的設(shè)計空間中。
在對二進(jìn)制串進(jìn)行處理的GA環(huán)境中，模式(即相似性模板)為從字母表{0，1，#}中選取的符號串。字符#表示“無關(guān)”符號，因此，一個模式可以表示數(shù)個比特的字符串。例如，模式#10#1表示四個字符串10011，01011，11001和11011。非#符號的數(shù)目稱為模式H的階O(H)。兩個最遠(yuǎn)的非#符號之間的距離稱為該模式的定義長度L(H)。
Holland得到以下結(jié)果(模式定理)，該定理預(yù)測與某個模式匹配(屬于某個模式)的種群中的字符串?dāng)?shù)目從一代到下一代的變化情況(Holland，1992)。該定理為

其中m(H，t)為第t代中與H匹配的字符串?dāng)?shù)目，f(H，t)為與H匹配的字符串的平均適應(yīng)性，f(t)為該種群中字符串的平均適應(yīng)性，pm為每位的變異概率，pc為交叉概率，N為該字符串中的位數(shù)，M為該種群中字符串?dāng)?shù)，E[m(H，t+1)]為第t+1代中與模式H匹配的字符串的期望數(shù)。本式與Holland的原始定理有微小區(qū)別。當(dāng)同時從交配池中選取父代進(jìn)行交叉時，式(1)適用(Goldberg，1989)。方程下面的三個水平大括號表示哪個算子負(fù)責(zé)該項。方程上面的括號表示在第t代中由于交叉而破壞模式H的概率pd(H，t)。此概率依賴于交配池中該模式的頻率，以及該模式固有的脆弱性L(H)/(N-1)。
量子算法可以將量子算法解決的問題敘述為

利用圖3所示示意圖中的高級表示概要描述量子算法的結(jié)構(gòu)。
量子算法的輸入總是一個從二進(jìn)制串到二進(jìn)制串的函數(shù)f。將該函數(shù)表示為一個映射表，后者定義各串的映象。首先將函數(shù)f編碼為依賴f屬性的單位矩陣算子UF。在某些意義上，當(dāng)將該函數(shù)的輸入和輸出串編碼為復(fù)數(shù)Hilbert空間的規(guī)范基向量時，該算子計算fUF利用f將各串的向量編碼映射為其映象的向量編碼。

當(dāng)生成矩陣算子UF時，將其嵌入到量子門G中，G為一個其結(jié)構(gòu)依賴于矩陣UF的范數(shù)以及我們需要解決之問題的單位矩陣。量子門是量子算法的核心。在每個量子算法中，量子門作用于最初的規(guī)范基向量(我們可以總是選擇相同的向量)，以便生成基向量的復(fù)雜線性組合(稱其為疊加)作為輸出。以上疊加包含要回答的最初問題的所有信息。
在創(chuàng)建疊加后，進(jìn)行測量以抽取以上信息。在量子機(jī)制中，測量是一個不確定操作，該操作作為輸出生成一個進(jìn)入疊加的基向量。作為測量的輸出的各基向量的概率依賴于進(jìn)入復(fù)雜線性組合中的復(fù)數(shù)系數(shù)(概率振幅)。
量子門和測量的部分操作構(gòu)成量子塊。將量子塊重復(fù)k次，以便生成一個k個基向量的集合。由于測量是一個不確定操作，所以這些基向量不必相等，并且每個基向量將需要解決的問題的一段信息進(jìn)行編碼。
該算法的最后部分在于，解釋收集的基向量，以便以某個概率得到最初問題的正確解答。
編碼器圖4中的示意圖詳細(xì)說明編碼器塊的特性。
用三個步驟將函數(shù)f編碼為矩陣UF。
步驟1將函數(shù)f{0，1}n→{0，1}m的映射表變換為內(nèi)射函數(shù)F{0，1}n+m→{0，1}n+m的映射表，以至F(x0，..，xn-1，y0，..，ym-1)＝(x0，..，xn-1，f(x0，..，xn-1)(y0，..，ym-1)) (2)需要處理內(nèi)射函數(shù)的原因在于要求UF是單位矩陣。單位算子是可逆的，所以不能將2個不同輸入映射為同一輸出。由于UF是F的矩陣表示，所以假設(shè)F是內(nèi)射的。如果我們直接應(yīng)用函數(shù)f的矩陣表示，可能會得到一個非單位矩陣，其原因在于f可能不是內(nèi)射的。因此，通過增加位數(shù)并考慮函數(shù)F(而不是函數(shù)f)實現(xiàn)內(nèi)射性。無論如何，通過將(y0，…，ym-1)＝(0，…，0)置于輸入串中，并讀取輸出串的后m個值，總可以從F中計算函數(shù)f。

步驟2將函數(shù)F映射表變換為UF映射表，滿足以下約束s∈{0，1}n+mUF[τ(s)]＝τ[F(s)](3)編碼映射

為目標(biāo)復(fù)數(shù)Hilbert空間)為τ(0)=10=|0⟩τ(1)=01=|1⟩]]>τ(x0,..,xn+m-1)=τ(x0)⊗..⊗τ(xn+m-1)=|x0..xn+m-1⟩]]>編碼τ將位值映射到屬于C2的規(guī)范基的二維復(fù)數(shù)向量。此外，通過使用張量積，τ將n維二進(jìn)制串的一般狀態(tài)映射為一個2n維的向量，從而將此狀態(tài)減少為構(gòu)成寄存器的n位的聯(lián)合狀態(tài)。將每個位狀態(tài)變換為相應(yīng)的2維基向量，然后通過利用張量積構(gòu)成所有位向量，將字符串狀態(tài)映射到相應(yīng)的2n維基向量。在此意義上，張量積為狀態(tài)邏輯乘法的向量副本。 示例向量張量積 使用右矢(ket)記號|i＞表示基向量。該記號取自量子力學(xué)的Dirac描述。
步驟3使用以下變換規(guī)則將UF映射表變換為UF[UF]ij＝1UF|j>＝|i> (4)通過將向量|i＞和|j＞看作列向量，可以輕易理解以上規(guī)則。由于這些向量屬于標(biāo)準(zhǔn)基，所以UF定義單位矩陣各行的置換映射。一般而言，將行|j＞映射為行|i＞。
將在量子算法的第一實例—Grover算法中詳細(xì)說明以上規(guī)則。
量子塊量子塊的核心是量子門，后者依賴于矩陣UF的屬性。圖5為量子塊的詳細(xì)描述。
圖5中的矩陣算子UF為圖4所示的編碼器塊的輸出。這里，它成為量子塊的輸入。
首先將該矩陣算子嵌入到一個更復(fù)雜的門量子門G。將單位矩陣G應(yīng)用于維數(shù)為2n+m的初始規(guī)范基向量|i＞，總共k次。每次均測量基向量的作為結(jié)果的復(fù)數(shù)疊加G|0..01..1＞，從而生成一個基向量|xi＞作為結(jié)果。一并收集所有測量的基向量{|x1＞，…，|xk＞}。該集合為量子塊的輸出。
此類算法的“智能”在于能夠創(chuàng)建量子門，而量子門能夠抽取查找f之必需屬性所需的信息，并將其存儲到輸出向量集合中。
以下詳細(xì)論述各量子算法的量子門的結(jié)構(gòu)，注意一般的描述即可。
為了表示量子門，我們將使用某些稱為量子電路的特殊圖表。
圖6表示量子電路的實例。每個矩形均與一個2n×2n矩陣關(guān)聯(lián)，其中n為進(jìn)入和離開該矩形的線條數(shù)。例如，標(biāo)記為UF的矩形與矩陣UF關(guān)聯(lián)。
量子電路使我們能夠給出門的高級描述，并且通過使用圖7所示的某些變換規(guī)則，能夠?qū)⑦@些規(guī)則編碼為相應(yīng)的門矩陣。
通過提供量子算法的第一實例，將更了解這些規(guī)則的使用方式。 實例矩陣張量積 譯碼器譯碼器塊的功能是解釋在迭代執(zhí)行量子塊后收集的基向量。對這些向量進(jìn)行譯碼意味著將它們重新變換為二進(jìn)制串，如果它們已經(jīng)包含原始問題的答案，則直接解釋它們，或者例如將它們用作某些方程式系統(tǒng)的系數(shù)向量，以便獲得搜索解。由于此部分是我們不感興趣的、易于理解的經(jīng)典部分，所以不詳細(xì)研究此部分。
由于Grover算法對于控制器的實現(xiàn)特別重要，所以簡單說明Grover算法。
Grover問題
Grover題為

在Deutsch-Jozsa算法中，我們區(qū)分兩類輸入函數(shù)，我們必須確定輸入函數(shù)屬于哪一類．此時，該問題在某種意義上與其形式完全相同，只是由于我們要處理2“類的輸入函數(shù)(描述的每種函數(shù)構(gòu)成一類)，所以該問題更難以處理。
編碼器為了使討論易于理解，首先考慮n=2的特殊函數(shù)。接著討論n=2的一般情況，最后分析n＞0的一般情況。
A1.介紹性的實例考慮以下情況n=2f(01)=1在以上情況中，f映射表定義為

步驟1根據(jù)以下公式將函數(shù)f編碼為內(nèi)射函數(shù)F
F{0，1}n+1→{0，1}n+1F(x0，x1，y0)＝(x0，x1，f(x0，x1)y0)因此，F(xiàn)映射表為

步驟2通過使用一般規(guī)則將F編碼為UF的映射表s∈{0，1}n+1UF[τ(s)]＝τ[F(s)]其中，τ為等式(3)中定義的編碼映射。這意味著

步驟3
我們必須根據(jù)UF的映射表計算相應(yīng)的矩陣算子。
通過使用以下規(guī)則根據(jù)等式(4)得到該矩陣[UF]ij=1UF|j>=|i|從而得到UF

該矩陣的結(jié)果是保留輸入張量積的第一和第二輸入基向量不變，從而當(dāng)?shù)谝幌蛄繛閨0＞且第二向量為|1＞時，倒轉(zhuǎn)(flip)第三向量。這與上面敘述的UF的約束一致。
B.n＝2的一般情況現(xiàn)在考慮更一般的情況n＝2 f(X)＝1相應(yīng)的矩陣算子為

其中Mx＝C∧i≠xMi＝I。
C.一般情況將算子UF從n＝2推廣到n＞1是非常自然的。事實上，我們總是對應(yīng)于向量|x＞標(biāo)記的單元，在塊矩陣的主對角線上查找算子C，其中x為具有f映象的二進(jìn)制串。因此

其中Mx＝C∧i≠xMi＝I。
將編碼器輸出的矩陣UF嵌入到量子門中。我們使用諸如圖8所示的量子電路描述量子門。
算子Dn稱為n階擴(kuò)散矩陣，它負(fù)責(zé)此算法中的干擾。它的作用與Shor算法中的QFTn相同，并且在Deutsch-Jozsa和Simon算法中具有nH。該矩陣的定義方式為

通過使用恒等變換(圖7.c)，可以將以前的電路編碼為圖9的電路。
A2.介紹性實例動態(tài)分析在我們處理的介紹性實例中，UF具有以下形式

我們計算上述情況中的量子門G＝[(D2I)·UF]h·(2+1H)



如圖9b所示，光纖14包括一個內(nèi)芯170，一個第一玻璃層172和一個包層174。內(nèi)芯170的半徑“a”(參見圖9a)最好在大約2.0μm到4.0μm之間。更好的情形是，半徑“a”大約為3.2μm。在光纖的中心與3.2μm的半徑位置之間，內(nèi)芯170包括一種如GeO2或類似的可使折射率增加的摻雜物，在光纖14的軸中心或附近產(chǎn)生峰值折射率，在外半徑處產(chǎn)生內(nèi)芯的最小折射率。在峰值處，內(nèi)芯170的折射率Δn1最好在0.0060到0.0090之間。更好的情形是Δn1大約為0.0071。從內(nèi)芯170中心到大約3.2μm的外半徑處，可使折射率增加的摻雜物質(zhì)的濃度以一種可產(chǎn)生基本上為拋物線形狀的彎曲斜率的方式逐漸減小。最好是，根據(jù)階越折射率α分布，彎曲斜率的α在大約2到3之間。更好的情形是，α大約為2.6。
第一玻璃層172環(huán)繞著內(nèi)芯170，其特點在于在其寬度上的折射率小于沿內(nèi)芯170半徑方向的折射率。第一玻璃層172沿光纖14長度方向環(huán)繞著內(nèi)芯170。第一玻璃層172的外半徑R最好在大約3.0μm到5.0μm之間。更好的情形是，R大約為3.8μm。如圖9a所示，第一玻璃層172在其半徑上具有大體上恒定的折射率Δn2。如同內(nèi)芯170那樣，通過向玻璃層寬度內(nèi)摻入如GeO2或其它眾所周知的可使折射率增加的摻雜物，第一玻璃層172的折射率差被增加了。最好是，第一玻璃層172的折射率差Δn2在大約0.0020到0.0050之間。更好的情形是，折射率差Δn2大約為0.0025。
最后，光導(dǎo)包層174以一種傳統(tǒng)方式環(huán)繞著第一玻璃層172，有助于引導(dǎo)光沿光纖14的軸進(jìn)行傳播。包層174的折射率差Δn最好為零(圖9a中沒有給出)。
表11概括了具有圖9a和9b折射率分布的光纖的參數(shù)。
表11

描繪順序應(yīng)用算子3H、UF和D2I時各基向量的概率振幅的演變也許是有用的。圖10表示概率振幅的演變。
算子3H將最初的規(guī)范基向量|001＞變成所有基向量與同一(實)系數(shù)的疊加(模運算)，但是如果末尾向量為|0＞，則為正號，反之為負(fù)號。算子UF創(chuàng)建相關(guān)如果前兩個向量為|0＞和|1＞，則倒轉(zhuǎn)第三向量。最后，D2I產(chǎn)生干擾對于每個基向量|x0x1y0＞，它計算各向量的輸出概率振幅α′x0x1y0，其方法是，反轉(zhuǎn)其初始概率振幅αx0x1y0，累加|x0x1Y0＞形式的所有向量的概率振幅的平均值αy0的兩倍。在我們的實例中，α0＝1/(4·21/2)，α1＝-1/(4·21/2)。例如，取基向量|000＞。則α′000＝-α000+2α0＝-1/(2·21/2)+2/(4·21/2)＝0。
D.n＝2的一般情況一般而言，如果n＝2，則UF具有以下形式

其中 Mx＝C∧i≠xMi＝I(x，i∈{0，1}n).
我們計算一般情況中的量子門G＝(D2I)·UF·(2+1H)




現(xiàn)在，考慮將G應(yīng)用于向量|001＞G|001⟩=14|00⟩⊗(-M00+M01+M10+M11)H|1⟩+14|01⟩⊗(M00-M01+M10+M11)H|1⟩+]]>14|10⟩⊗(M00+M01-M10+M11)H|1⟩+14|11⟩⊗(M00+M01+M10-M11)H|1⟩]]>考慮以下情況x＝00G|001⟩=14|00⟩⊗(-C+3I)H|1⟩+14|01⟩⊗(C+I)H|1⟩+]]>14|10⟩⊗(C+I)h|1⟩+14|11⟩⊗(C+I)H|1⟩=|00⟩(|0>-|1⟩2)]]>x＝01G|001⟩=14|00⟩⊗(C+I)h|1⟩+14|01⟩⊗(-C+3I)H|1⟩+]]>14|10⟩⊗(C+I)H|1⟩+14|11⟩⊗(C+I)H|1⟩=|01⟩(|0⟩-|1⟩2)]]>x＝10G|001⟩=14|00⟩⊗(C+I)H|1⟩+14|01⟩⊗(C+I)H|1⟩+]]>14|10⟩⊗(-C+3I)H|1⟩+14|11⟩⊗(C+I)H|1⟩=|10⟩(|0⟩-|1⟩2)]]>x＝11G|001⟩=14|00⟩⊗(C+I)H|1⟩+14|01⟩⊗(C+I)H|1⟩+]]>14|10⟩⊗(C+I)H|1⟩+14|11⟩⊗(-C+3I)H|1⟩=|11⟩(|0⟩-|1⟩2)]]>這意味著如果我們測量輸出向量，然后反向編碼作為結(jié)果的張量積中維數(shù)為2的前兩個基向量，從而得到以下結(jié)果

E.一般情況(n＞0)在n＞0的一般情況中，UF具有以下形式


其中Mx＝C∧i≠xMi＝I(x，i∈{0，1}n)。
計算量子門G＝(DnI)h·UF·(n+1H)



現(xiàn)在，假設(shè)h＝1.則

由于Mx＝C且i≠xMi＝I，所以可以將以上各行寫為

因此

現(xiàn)在，考慮將矩陣算子{[-1+(2n-1)/2n-1]I+C/2n-1}H/2n/2和矩陣算子{(2n-1)/2n-1I+[-1+1/2n-1]C}H/2n/2應(yīng)用于向量|1＞12n/2{[-1+2n-12n″-1]I+12n″-1C}H|1⟩=(-1+2n″-22n″-1)|0⟩-|1⟩2(n+1)2]]>12n1/2{2n-12n-1I+[-1+12n-1]C}H|1⟩=(+1+2n-22n-1)|0⟩-|1⟩2(n+1)2]]>這意味著Gh=1|0..01⟩=[(-1+2n-22n-1)|0..0⟩+(-1+2n-22n-1)|00.1⟩+..+]]>+(+1+2n-22n-1)|x⟩+..+(-1+2n-22n-1)|1..1⟩]⊗|0⟩-|1⟩2(n+1)2]]>可以將上式寫為塊向量

現(xiàn)在，假設(shè)按以下形式將算子(DnI)·UF應(yīng)用于向量

其中α和β為滿足(2n-1)α2+β2＝1的實數(shù)。結(jié)果為



這意味著如果我們從向量Gh＝1|0..01＞開始，該向量為考慮的形式，并且應(yīng)用(DnI)·UF算子h次，則時刻t的系數(shù)滿足 因此β增加，而α減少。例如，考慮圖11.a中的向量疊加。通過應(yīng)用算子4H，向量疊加變成圖11.b的疊加。通過應(yīng)用具有x＝001的編織算子UF，生成圖11.c的向量疊加，在應(yīng)用DnI之后，疊加為圖11.d所示的疊加。這里，盡管我們不感興趣的向量的概率振幅不為零，但它們非常小。
假定再次應(yīng)用算子UF則圖11.e表示作為結(jié)果的疊加。接著，通過應(yīng)用DnI，我們得到圖11.f所示的向量的線性組合。
可以看到所需向量的概率振幅其模數(shù)已經(jīng)增加。這意味著能夠以較大概率測量向量|0010＞或|0011＞。
如果在重復(fù)Dn·UF算子h次之后進(jìn)行測量，則測量向量|x＞|0＞或|x＞|1＞的概率P(h)是多少？我們可以證明P’(b)＝O(2-n/2)只要重復(fù)量子塊1次，就能得到足夠大的h＝O(2n/2)。因此，最終收集的基向量是唯一的。
信息分析A3.介紹性實例Grover算法的信息分析考慮對輸入函數(shù)進(jìn)行編碼的算子UF=I00000000C00000000I00000000I00000000I00000000I00000000I00000000I]]>表1表示用于Grover QA的信息分析的一般迭代算法。在表2和表3中，描述了該算法的兩次迭代。從這些表中可以看到1.每次迭代中的編織算子增加不同量子比特之間的相關(guān)性；2.干擾算子降低經(jīng)典熵，但是其副作用是，它利用馮·諾伊曼熵破壞部分量子相關(guān)性測量。
Grover算法內(nèi)置多次迭代智能狀態(tài)(見等式(7))。每次迭代首先利用編織對搜索函數(shù)進(jìn)行編碼，但是干擾算子會部分破壞編碼信息；為了隱蔽需要編碼信息以及需要訪問編碼信息，需要幾次迭代。Grover算法來自算法的搜索組。QA的輸出中的最小經(jīng)典(量子)熵原則意味著有關(guān)智能輸出狀態(tài)的成功結(jié)果。搜索QA需要檢查經(jīng)典熵的最小值，并利用量子熵值協(xié)調(diào)差額。智能搜索QA的特征在于能夠協(xié)調(diào)以上兩個值。
譯碼器正如在Deutsch算法中一樣，在測量量子門的輸出向量后，必須解釋該向量以查找x。
從以上分析中看出，此步驟非常簡單。事實上，選擇一個較大的h足以得到其概率接近1的搜索向量|x＞|0＞或|x＞|1＞。在得到搜索向量后，將作為結(jié)果的張量積中的前n個基向量逆向編碼為其二進(jìn)制值，從而得到作為最終解答的字符串x。
因此，表明可以在搜索問題中使用Grover算法。
可以將搜索問題敘述為給定真值函數(shù)f{0，1}n→{0，1}以至只有一個輸入x∈{0，1}nf(x)＝1查找x這正是能夠利用Grover算法解決的問題。
通過比較以上分析的算法，顯然量子算法具有相同結(jié)構(gòu)將一組向量順序提交給疊加算子，編織算子和干擾算子。利用抽取所需信息的測量塊分析作為結(jié)果的向量集合。
最后必須注意到，本質(zhì)上，不同量子算法的區(qū)別在于選擇的干擾算子Int，編織算子UF和疊加算子S。
輸入向量是一個消息，該消息遍歷由三個主要子通道—疊加、編織和干擾—組成的量子通道。編織通道為算法門的真實輸入。它屬于某個給定種類，該種類依賴于要解決的問題以及其輸入。疊加特別是干擾通道的選擇方式為在通道末尾實行的幾種測量揭示在通道中部發(fā)生的編織類型。
總之，可以敘述為，量子算法是基于量子力學(xué)原理、定律和量子作用的全局隨機(jī)搜索算法。在量子搜索中，利用經(jīng)典初始狀態(tài)的有限線性疊加表示各設(shè)計變量，利用一系列的基本單元步驟處理最初量子狀態(tài)|i＞(用于輸入)，以至通過測量系統(tǒng)的最終狀態(tài)得到正確輸出。它首先從基本的經(jīng)典預(yù)處理開始，然后應(yīng)用以下量子實驗從所有可能狀態(tài)的初始疊加開始，計算經(jīng)典函數(shù)，應(yīng)用量子快速傅立葉變換(QFFT)，最后進(jìn)行測量。依賴于結(jié)果，可能再進(jìn)行一次類似的量子實驗，或者利用某些經(jīng)典的后處理完成計算。通常，量子搜索算法使用三個主要算子，即線性疊加(相關(guān)狀態(tài))、編織和干擾。
可以將量子搜索算法的結(jié)構(gòu)的一般形式描述為 量子算法和遺傳算法結(jié)構(gòu)具有以下相互關(guān)系 圖12比較GA和QSA的結(jié)構(gòu)。在GA中，開始種群是隨機(jī)生成的。然后應(yīng)用變異和交叉算子，以改變某些個體的基因組，并創(chuàng)建新的基因組。然后根據(jù)目標(biāo)函數(shù)刪除某些個體，并選擇優(yōu)秀個體以生成新種群。對新種群重復(fù)上述過程，直至找到最優(yōu)解。
用類推的方法，在QSA中，利用疊加算子將最初的基向量變換為基向量的線性疊加。接著，諸如編織和干擾之類的量子算子作用于以上狀態(tài)疊加，從而生成新的狀態(tài)，其中某些狀態(tài)的(不感興趣的狀態(tài))其概率振幅的模數(shù)降低，某些狀態(tài)(最感興趣的狀態(tài))的概率振幅增加。將該過程重復(fù)若干次，以得到最終的概率振幅，從而能夠輕而易舉地看到最優(yōu)解。
量子編織算子類似于遺傳變異算子事實上，通過倒轉(zhuǎn)右矢標(biāo)記中的某些位，該算子將進(jìn)入疊加的每個基向量映射為另一個基向量。量子干擾算子類似于遺傳交叉算子，它從進(jìn)入疊加的狀態(tài)的概率振幅的相互作用中，建立基狀態(tài)的新疊加。但是，干擾算子還包括選擇算子。事實上，干擾算子根據(jù)總原則，增加某些基狀態(tài)的概率振幅模數(shù)，降低某些基狀態(tài)的概率振幅模數(shù)，總原則為使該數(shù)量最大 其中T＝{1，…，n}。該數(shù)量稱為輸出狀態(tài)的智能，并測量測量方法對編織處理編碼為量子相關(guān)性的信息的理解程度。事實上，干擾算子的作用是保留進(jìn)入編織狀態(tài)的馮·諾伊曼熵，并將香農(nóng)熵降到最小值，其中疊加算子將香農(nóng)熵增加到最大值。請注意，GA和QSA的主要區(qū)別在于在GA中，目標(biāo)函數(shù)隨同一問題的不同實例改變，而變異和交叉總是隨機(jī)的。在QSA中，目標(biāo)函數(shù)總是相同的(輸出狀態(tài)的智能)，而編織算子嚴(yán)重依賴于輸入函數(shù)f。
在本發(fā)明中，我們建議合并具有相似性并集成其特性的GA和QSA模式。新模式涉及量子遺傳搜索算法(QGSA)，圖13表示該模式。
首先生成具有t個隨機(jī)非零概率振幅值的一個初始疊加|input⟩=Σi=1tci|xi⟩---(8)]]>每個右矢對應(yīng)于種群中的一個個體，并且在一般情況中，用實數(shù)標(biāo)記。因此，每個個體對應(yīng)于一個實數(shù)xi，并利用概率振幅值ci隱含加權(quán)。一般模擬編織和干擾算子的操作隨機(jī)選擇k條不同路徑，其中每條路徑對應(yīng)于應(yīng)用一個編織和干擾算子。
編織算子存在于內(nèi)射映射，后者將各基向量變換為另一個基向量。其實現(xiàn)方式為，定義一個變異微量ε＞0，并抽取t個不同值ε1，…，εi滿-ε≤εi≤ε。接著，利用以下變換規(guī)則定義路徑j(luò)的編織算子UjF|xi⟩→UFj|xi+ϵi⟩---(9)]]>當(dāng)UjF作用于初始線性疊加時，其內(nèi)的所有基向量進(jìn)行變異|ψj⟩=Σi=1tci,j||xi+ϵi,j⟩---(10)]]>可以將變異算子ε描述為以下關(guān)系
假設(shè)系統(tǒng)中有8種狀態(tài)，其二進(jìn)制編碼為000，001，010，011，100，110，111。計算過程中的一種可能狀態(tài)為 。通常構(gòu)造一個單位變換，以便在比特級執(zhí)行。
例如，單位變換 將狀態(tài)|0＞變?yōu)閨1＞，將|1＞變?yōu)閨0＞(NOT算符)。
在GA中，染色體變異改變一個或多個基因。也可以通過改變某一個位置或某幾個位置的位進(jìn)行說明。僅僅執(zhí)行單一的NOT變換也能改變位。
作為例子，可以利用以下矩陣描述的、作用于最后兩位并將狀態(tài)|1001＞變?yōu)闋顟B(tài)|1011＞以及將狀態(tài)|0111＞變?yōu)闋顟B(tài)|0101＞的單位變換 是向量集合|0000＞、|0001＞、…、|1111＞的變異算子。
可以將相位移位算子Z描述為 并且算子 是NOT和相位移位算子Z的組合。
注釋1.作為例子，以下矩陣 將交叉算子作用于最后兩位，將1011和0110變?yōu)?010和0111，其中斷點在中部(一點交叉)。
兩位條件相位移位門具有以下矩陣形式 并且利用以下矩陣描述能夠創(chuàng)建編織狀態(tài)的受控NOT(CNOT)門 作為階為t的隨機(jī)單位正方矩陣，選擇干擾算子Int1，其中根據(jù)適當(dāng)定律，依據(jù)Int1生成其他路徑的干擾算子。此類矩陣的例子為上面定義的Hadamard變換矩陣Ht以及擴(kuò)散矩陣Dt，但是也可以構(gòu)造其他矩陣。應(yīng)用編織和干擾算子生成一個最大長度為t的新的疊加|outputj⟩=Σi=1tc′i,j|xi+ϵi,j⟩---(14)]]>現(xiàn)在計算該狀態(tài)的平均熵值。令E(x)為個體x的熵值。則E(|outpputj⟩)=Σi=1t||c′i,j||2E(xi+ϵi,j)---(15)]]>
通過相對于概率振幅的平方模數(shù)，計算該疊加中各熵值的平均值，計算平均熵值。
根據(jù)以上操作順序，通過使用不同的編織和干擾算子，從初始疊加生成k種不同疊加。每次均計算平均熵值。選擇在于僅保留其平均熵值最小的疊加。當(dāng)獲得該疊加時，它成為新的輸入疊加，并且該過程重新開始。保留生成最小熵值疊加的干擾算子，并將Int1設(shè)置為新步驟的干擾算子。當(dāng)最小平均熵值在給定的臨界界限內(nèi)時，計算停止。此時，模擬測量，測量為根據(jù)其概率振幅的平方模數(shù)，從最終疊加中抽取的基礎(chǔ)值。
在圖14中，整個算法按以下方式重新開始1. ，其中xi是隨機(jī)實數(shù)，ci是隨機(jī)復(fù)數(shù)，滿足 隨機(jī)生成階為t的Int1單位算子；2.A-=Σi=1tci|xi+ϵi,1⟩Σi=1tci|xi+ϵi,2⟩…Σi=1tci|xi+ϵi,k⟩,]]>其中隨機(jī)生成-ε≤εi，j≤ε，且∀i1,i2,j:xi1+ϵi1,j≠xi2+ϵi2,j;]]>
3.B_=Int1Σi=1tci|xi+ϵi,1⟩Int2Σi=1tci|xi+ϵi,2⟩…IntkΣi=1tci|xi+ϵi,k⟩=Σi=1tci,1′|xi+ϵi.,1⟩Σi=1tci,2′|xi+ϵi,2⟩…Σi=1tci,k′|xi+ϵi,k⟩,]]>其中Int1是階為t的單位正方矩陣；4. 其中 5.E*-=Σi=1t||ci,j*′||2E(xi+ϵi,j*)]]>6.如果 并且信息風(fēng)險增量小于預(yù)先建立的數(shù)量△，則從分布 中抽取 7.否則，將|input＞設(shè)置為|output*＞，Int1設(shè)置為 ，然后返回到步驟2。
注釋2.步驟6包括精確估計并且可靠測量成功結(jié)果的方法。
通過信息流分析、信息風(fēng)險增量以及熵標(biāo)準(zhǔn)估計，表示量子搜索算法的模擬1)將有關(guān)輸入向量存儲信息的量子門G應(yīng)用于系統(tǒng)狀態(tài)，最小化經(jīng)典香農(nóng)熵與量子馮·諾伊曼熵之間的差距；2)重復(fù)所述應(yīng)用，以計算(估計)信息風(fēng)險增量(見注釋3)；3)測量所述基向量，以估計平均熵值；4)譯碼成功結(jié)果的所述基向量以計算當(dāng)最小平均熵值在給定的臨界界限內(nèi)時停止的時間。
注釋3.根據(jù)以下公式計算(估計)信息風(fēng)險增量-r(W2)2I(p~:p)≤(δr=r~-r)≤r~(W2)2I(p:p~)]]>其中·W是損失函數(shù)；r(W2)＝∫∫W2p(x，θ)dxdθ為相應(yīng)概率密度函數(shù)p(x，θ)的平均風(fēng)險；·x＝(x1，…，xn)為測量值的向量；·θ為一個未知參數(shù)； 為相對熵(信息發(fā)散性的Kullback-·Leibler測量)。
如上所述，GA在單一解空間中搜索全局最優(yōu)解。為了清楚地理解此話的含義，進(jìn)一步解釋如下。
圖15表示GA和QSA算法的詳細(xì)結(jié)構(gòu)。在GA搜索中，解空間301通向初始位置(輸入)302。使用二進(jìn)制編碼模式310將初始位置302編碼為二進(jìn)制串。將諸如選擇303、交叉304和變異305之類的GA算子應(yīng)用于編碼串，以生成種群。通過目標(biāo)函數(shù)306(如基于最小熵生產(chǎn)率或某些其他所需屬性的目標(biāo)函數(shù))，查找單一空間301的全局最優(yōu)解。
實例?！皢我唤饪臻g”包括隨機(jī)干擾下的設(shè)備的PID控制器的所有可能的系數(shù)增益，其中隨機(jī)干擾具有作為相關(guān)函數(shù)和概率密度函數(shù)的固定統(tǒng)計特性。在利用GA隨機(jī)模擬隨機(jī)激勵下的設(shè)備的動力特性后，我們僅能獲得具有固定統(tǒng)計特性的隨機(jī)激勵的智能PID控制器的最佳系數(shù)增益。既然這樣，我們把“可行解的單一空間”定義為301。如果我們在設(shè)備上與另一種統(tǒng)計特性一起使用隨機(jī)激勵，則智能PID控制器不能利用固定KB實現(xiàn)控制定律。既然這樣，我們把新的可行解空間定義為350。
注釋4.如果我們需要來自許多單一解空間的智能PID控制器的通用查找表，則使用GA不能給出最終的正確結(jié)果(GA算子不包括疊加和諸如編織之類的量子相關(guān))。GA提供單一解空間上的全局最優(yōu)解。既然這樣，我們損失了有關(guān)通用查找表中系數(shù)增益之間的統(tǒng)計相關(guān)性的重要信息。
相反，在圖15所示的QSA中，使用一群N個解空間350創(chuàng)建一個初始位置(輸入)351。諸如疊加352、編織353和干擾354之類的量子算子作用于該初始位置，以生成測量。使用Hadamard變換361(一比特操作)創(chuàng)建疊加。通過受控NOT(CNOT)操作362(2比特操作)創(chuàng)建編織。通過量子傅立葉變換(QFT)363創(chuàng)建干擾。通過使用量子算子，找到覆蓋組350內(nèi)所有解空間的通用最優(yōu)解。
注釋5.因此，經(jīng)典選擇過程大致類似于創(chuàng)建疊加的量子過程。經(jīng)典交叉過程大致類似于量子編織過程。經(jīng)典變異過程大致類似于量子干擾過程。
圖16表示QSA的一般結(jié)構(gòu)，該結(jié)構(gòu)具有概念級400，結(jié)構(gòu)級401，硬件級402和軟件級403。
在概念級400，向處理塊420提供初始狀態(tài)410，處理塊420創(chuàng)建狀態(tài)的疊加。將狀態(tài)的疊加提供給處理塊430，后者向編織提供單位算子Uf。將處理塊430的輸出提供給解答塊440，后者計算解答的干擾。將解答塊440提供給觀察/測量塊460。
在結(jié)構(gòu)級，將輸入編碼為一連串的量子比特(qubit)，在初始狀態(tài)(如邏輯零狀態(tài))中準(zhǔn)備量子比特并提供給Hadamard變換矩陣421，以生成疊加。將矩陣421的疊加提供給生成編織的算子Uf，其中在一般情況中，算子Uf是處理塊431中Schrdinger方程的解。將處理塊431的輸出提供給量子傅立葉變換(QFT)，以提供干擾。將QFT 441的輸出提供給變換矩陣451。提供變換矩陣451的輸出作為具有最大概率振幅461的量子搜索過程的解。
在硬件級，利用旋轉(zhuǎn)門422生成疊加420，實現(xiàn)算子Uf作為基本門操作和CNOT門432的結(jié)果，實現(xiàn)QFFT 441作為Hadamard和排列(P)算子門的結(jié)果，使用旋轉(zhuǎn)門452實現(xiàn)變換矩陣451。
圖17表示QSA的體系結(jié)構(gòu)，體系結(jié)構(gòu)包括從通過創(chuàng)建疊加得到的初始狀態(tài)開始的順序。將編織應(yīng)用于疊加，疊加與編織狀態(tài)一起使用其本身為相關(guān)量子系統(tǒng)的量子并行性。當(dāng)引入干擾時并行性折疊，以通過QFFT生成解的疊加。通過將經(jīng)典雙縫實驗比喻為邏輯量子操作和量子搜索操作，圖17表示上述處理。
注釋6.在經(jīng)典雙縫中，源創(chuàng)建具有初始疊加狀態(tài)的粒子。這類似于將Hadamard(旋轉(zhuǎn)門)變換應(yīng)用于特征狀態(tài)的初始量子比特的量子算法操作。返回到雙縫，利用通過縫的粒子生成編織。這相當(dāng)于使用單位算子Uf對疊加進(jìn)行處理的過程。再次返回到雙縫，當(dāng)編織粒子達(dá)到放在縫后面的攝影膠片時以生成干擾模式(解的疊加)時，生成干擾。這相當(dāng)于QFFT。最后，選擇所需解相當(dāng)于從QFFT中選擇最大概率(即，膠片上形成的最亮線段)。
圖18表示與GA或FNN一起使用QSA。初始狀態(tài)發(fā)生器604與GA605和模糊神經(jīng)網(wǎng)絡(luò)(FNN)603(可選)一起工作，以生成一組初始狀態(tài)。將初始狀態(tài)提供給Hadamard變換602，以生成狀態(tài)的疊加601。將經(jīng)典狀態(tài)的疊加提供給處理塊606，后者通過使用諸如CNOT之類的算子引入編織。將處理塊606的輸出提供給干擾塊607，后者使用QFFT計算編織狀態(tài)的干擾。將干擾塊607的輸出提供給測量/觀察塊608，后者從塊607計算的解的疊加中選擇所需解。
將測量/觀察塊608的輸出提供給決策塊609。決策塊609決定初始狀態(tài)發(fā)生器604的輸入，以及GA 605的新目標(biāo)函數(shù)(可選)。決策塊609也可以向譯碼塊610提供數(shù)據(jù)，或從塊610接收數(shù)據(jù)。譯碼塊610可以與傳感器、其他控制系統(tǒng)、用戶等進(jìn)行通信。
根據(jù)量子理論的定律得到基礎(chǔ)量子計算，其中信息為在物理系統(tǒng)的狀態(tài)中編碼，而計算可在實際物理可實現(xiàn)設(shè)備上執(zhí)行。
以下說明控制對象的隨機(jī)激勵“逆轉(zhuǎn)”模糊控制器的單一解空間的具體實例。
實例。利用GA和使用隨機(jī)高斯信號作為公路的隨機(jī)模擬，接收智能懸掛控制系統(tǒng)的KB。在利用模糊控制器進(jìn)行聯(lián)機(jī)模擬后，我們使用另外兩種實際公路信號(日本公路測量)。在圖20和21中表示傾斜角的模擬結(jié)果。圖20表示公路(見圖19)的統(tǒng)計特性的改變逆轉(zhuǎn)模糊控制器的單一解空間。
既然這樣，我們必須利用GA重復(fù)模擬，并且與目標(biāo)函數(shù)一起使用另外的單一解空間，目標(biāo)函數(shù)作為具有控制對象的非高斯激勵的模糊控制器的熵生產(chǎn)。
更詳細(xì)地，我們應(yīng)用GA以最小化動態(tài)系統(tǒng)(設(shè)備)的動力特性，并最小化熵生產(chǎn)率。我們使用不同種類的隨機(jī)信號(作為隨機(jī)干擾)，隨機(jī)信號代表公路分布狀況。某些信號是在日本的實際公路上測量的，某些信號是通過使用隨機(jī)模擬生成的，其中隨機(jī)模擬具有基于FPK(Fokker-Planck-Kolmogorov)方程的成形過濾器。在圖19中，表示了三種典型公路信號。圖1901、1902、1903表示信號的改變率。以模擬50kph車速的方式，計算分配的時間量程。前兩個信號(HouseWC)和(HouseEC)為在日本測量的實際公路。第三個信號為利用具有固定種類的相關(guān)函數(shù)的隨機(jī)模擬獲得的高斯公路。我們看到，上述公路的動力特性相似(見圖(A))，但HouseWC公路的統(tǒng)計特性與高斯公路和HouseEC公路的統(tǒng)計特性大不相同(見圖(B))。HouseWC公路表示所謂的非高斯(彩色)統(tǒng)計過程。
公路信號的統(tǒng)計特性的巨大差異，引起動態(tài)系統(tǒng)的完全不同的響應(yīng)，因此，需要不同的控制方案。
圖20和21表示懸掛系統(tǒng)(設(shè)備)對上述激勵的動力和熱動力響應(yīng)。圖(a)表示HouseWC(曲線1)、HouseEC(曲線2)和高斯(曲線3)公路上車輛的傾斜角的動力特性。通過使用高斯公路信號獲得作為模糊控制器之查找表的知識庫，然后將知識庫應(yīng)用于HouseWC和HouseEC公路。我們看到，具有相同特性的公路的系統(tǒng)響應(yīng)是類似的，這意味著GA找到具有高斯特征的信號形狀的最佳解，但是對具有HouseWC公路的系統(tǒng)的響應(yīng)是一個完全不同的信號。對于非高斯公路，我們需要與上述響應(yīng)不同的全新控制GA策略，即，它需要不同的單一解空間的解。在相位圖(圖(b))中，更容易看到系統(tǒng)響應(yīng)的差別。
然而，最好在許多解空間中搜索全局最優(yōu)解，以查找“通用”最優(yōu)解。量子遺傳算法搜索提供同時搜索許多空間的能力(下面說明)。
圖2表示本發(fā)明的智能控制系統(tǒng)的改進(jìn)形式，其中在GA和FNN之間插入量子遺傳搜索算法(QGSA)。QGSA同時搜索幾個解空間，以便查找通用最優(yōu)解，即，為所有解空間的最優(yōu)解的解。
量子算法的加速器以下說明用于在經(jīng)典計算機(jī)上模擬量子算法的硬件加速器。
加速器具有模塊結(jié)構(gòu)，從而能夠推廣到復(fù)雜模型。從已知模塊開始，構(gòu)建其目標(biāo)為將經(jīng)典計算機(jī)上的量子算法模擬所需的指數(shù)時間降到最低程度的體系結(jié)構(gòu)。該方法的主要優(yōu)點在于能夠在遺傳算法領(lǐng)域中使用量子算法的邏輯，開創(chuàng)了新的量子遺傳搜索算法分支。
硬件加速器由以下部件構(gòu)成·編碼器、譯碼器這兩塊是與連接到加速器的經(jīng)典設(shè)備的實際接口。
·量子塊包括所有要執(zhí)行的非經(jīng)典操作。它由量子門和測量門組成。
·量子門是加速器的核心，它由三個模塊組成，三個模塊以量子方式混合信息。三個模塊為·疊加模塊依賴于要解決的問題類型。
·編織模塊從編碼器讀取信息。
·干擾模塊迭代其操作直至取得解。
·測量門通過一連串的偽隨機(jī)例程抽取量子信息。
將最終信息發(fā)送到譯碼器。
適合量子比特數(shù)目之維數(shù)的疊加、編織和干擾塊，組成一般形式的量子門。然后“準(zhǔn)備”以上三塊以便實現(xiàn)所需算法。圖23和27描述實現(xiàn)Grover算法的量子門的實例，圖24描述實現(xiàn)Deutsch-Jozsa算法的量子門的實例。
以下詳細(xì)解釋該模式中包含的所有塊的設(shè)計方法。
·疊加在此步驟中，需要向量之間的張量積。依靠電子乘法器和多工單工設(shè)備實現(xiàn)此操作?？梢允褂肦OM單元構(gòu)建H矩陣。
·編織可以使用EPROM設(shè)備制作需要根據(jù)F進(jìn)行修改的大矩陣UF。
·干擾需要與疊加需要的塊的種類相同的塊。只是連接不同。
以下推薦量子門用法(見圖24-29)的兩個實例。圖24到26為相對于Deutsch-Jozsa量子算法的決策，而圖27到29為相對于Grover量子算法的結(jié)構(gòu)數(shù)據(jù)庫搜索。
正如從以上模式中看到的那樣，各子系統(tǒng)的核心是實現(xiàn)一對輸入向量之間的張量積的張量積門，從而輸出一個矩陣，矩陣的分量為一個輸入向量的分量和另一個向量的分量組成的所有不同對的值的乘積。通過適當(dāng)連接許多乘法器，能夠以硬件形式實現(xiàn)張量積門。
本文表現(xiàn)的量子門僅有兩個量子比特，但是，可以輕而易舉地改進(jìn)它們。事實上，添加到子系統(tǒng)中的各張量積門在該門中提供量子比特的加倍，如果共同地適當(dāng)調(diào)整標(biāo)量積中存在的多工單工塊的話。
請注意，推薦算法中的干擾塊似乎與體系結(jié)構(gòu)觀點不同。事實上，在構(gòu)建僅僅實現(xiàn)此類算法的門時，Deutsch-Jozsa算法的簡單性允許我們采用簡單結(jié)構(gòu)。然而，Grover干擾的結(jié)構(gòu)更普通，并且也能實現(xiàn)Deutsch-Jozsa算法。這一事實提供了邏輯門第二實例的一般性特征。
對于量子遺傳搜索算法結(jié)構(gòu)，通過簡單修改，可輕易從Grover編織和干擾塊得到其硬件部分。事實上，其唯一區(qū)別在于隨機(jī)生成所有矩陣，但是在所有情況中均保持它們?yōu)閱挝痪仃嚒?br> 圖30和31描述隨機(jī)編織算子和隨機(jī)干擾子系統(tǒng)的可能實施方式的實例。編織子系統(tǒng)的核心是點積門，點積門實現(xiàn)其分量數(shù)相同的一對輸入向量之間的點積，從而輸出作為輸入向量的各分量的成對值之乘積的和的值。通過使用至少一個乘法器和一個加法器，能夠以硬件方式實現(xiàn)點積門，其中乘法器計算成對值的乘積，而加法器累加該乘積。
用于搜索數(shù)據(jù)庫的算法本發(fā)明的量子遺傳搜索算法的使用令人滿意，既使作為搜索數(shù)據(jù)庫中屬于集合X的最接近值Y0的項目xi的算法。
如上所述，可以始終將搜索問題重新敘述為Grover問題。假設(shè)把本發(fā)明的量子遺傳搜索算法作為一類特別有效的量子算法，則通過根據(jù)Grover算法選擇疊加、編織和干擾算子，可以使用量子遺傳搜索算法解決搜索問題。
更確切地說，利用以下方法定義搜索數(shù)據(jù)庫中屬于集合X的最接近值Y0的項目xi的算法以向量形式表示屬于集合X的各項目，生成向量的初始集合；計算第二組向量，其方法是根據(jù)Grover量子搜索算法線性疊加向量的初始集合中的向量；根據(jù)Grover量子搜索算法，對第二組向量執(zhí)行確定次數(shù)的并行隨機(jī)編織操作和隨機(jī)干擾操作，生成表示集合X的項目的許多向量；把并行計算的各結(jié)果值和目標(biāo)函數(shù)聯(lián)系起來，其中目標(biāo)函數(shù)必須為以上結(jié)果值與期望值Y0之間的差值；根據(jù)遺傳算法，使用目標(biāo)函數(shù)對并行計算的結(jié)果值執(zhí)行選擇操作；標(biāo)識作為最終選擇結(jié)果的搜索項目xi。
用于控制過程及有關(guān)控制器的方法可以在用于控制由控制信號(U*)驅(qū)動的過程(設(shè)備)的方法中使用QGSA。作為參數(shù)調(diào)整信號(CGS)和誤差信號(ε)的函數(shù)，計算控制信號(U*)，其中作為過程狀態(tài)(X)和參考信號狀態(tài)(Y)之間差值得到誤差信號。
該方法的目的在于將某個物理量降到最小值，該物理值例如為受控過程的熵產(chǎn)量。為了實現(xiàn)此目標(biāo)，通過處理所述過程狀態(tài)(X)和所述控制信號(U*)的成對值，導(dǎo)出表示要最小化的物理量的信號(s)。
本發(fā)明的方法有利使用量子遺傳搜索算法，以查找最佳控制信號(U*)，從而輸入過程進(jìn)行控制。由控制器生成此類控制信號，控制器帶有可調(diào)整的傳送特性，后者作為分配給控制器的參數(shù)的值向量的函數(shù)。
可以用以下方式重新敘述控制過程的問題查找將某個數(shù)量降到最低程度的值向量，即查找將某個向量函數(shù)降到最小的向量，其中數(shù)量為所述向量的函數(shù)。
因此，遺傳算法顯然對控制過程的方法是非常重要的，以及如何在此類應(yīng)用中有效地使用量子遺傳搜索算法。
首先，從所述控制信號(U*)的一組不同值中定期計算校正信號(k2)，該信號最小化需要最小化的所述導(dǎo)出信號(s)。
通過將量子遺傳搜索算法應(yīng)用于表示許多不同控制信號(U*)的一組向量，計算校正信號(k2)，使用要最小化的數(shù)量作為目標(biāo)函數(shù)。
最后，將以上校正信號(k2)饋入模糊神經(jīng)網(wǎng)絡(luò)，后者生成所述參數(shù)調(diào)整信號(CGS)，將該信號與誤差信號(ε)一起提供給模糊處理器，模糊控制器調(diào)整控制器的傳送特性。
通過改變要最小化的物理量，可以實現(xiàn)此方法的許多不同實施方式，例如，最小化香農(nóng)熵和馮·諾伊曼熵之間的差值或Heisenberg不確定性，更確切地說，對內(nèi)燃機(jī)而言，最小化熱動力過程的熵產(chǎn)量。
通過根據(jù)任意的量子問題選擇干擾和編織算子，也能夠合適地采用本發(fā)明的量子遺傳搜索算法，例如，可以根據(jù)Grover問題或Shor問題選擇以上算子。
本發(fā)明的最佳實施方式在于，用表示許多不同控制信號(U*)一組向量運行遺傳算法，生成臨時校正信號(K)，該信號是由量子遺傳搜索算法精心生成的。此實施方式是最佳的，原因在于量子遺傳搜索算法的收斂較快。
圖2描述本發(fā)明的方法的最佳硬件實施方式的結(jié)構(gòu)。將控制信號U*驅(qū)動的過程(設(shè)備)置于經(jīng)典反饋控制環(huán)和PID控制器中。PID生成依賴于誤差信號ε的驅(qū)動信號U*，作為過程的狀態(tài)X和參考信號的狀態(tài)Y函數(shù)計算誤差信號。
電路塊驅(qū)動信號s，信號s表示要最小化的數(shù)量，該數(shù)量可以為熵產(chǎn)量，例如，通過處理過程的狀態(tài)X和控制信號U*的成對值計算的值。
可以將信號s輸入到電路QGSA，后者實現(xiàn)量子遺傳搜索算法，輸出校正信號k2，或者首先由電路GA管理信號s，電路GA實現(xiàn)遺傳算法，后者生成一個臨時校正信號K，以輸入QGSA電路。
在圖2所示的結(jié)構(gòu)中，盡管實現(xiàn)GA的電路不是必需的，其原因在于可以將本發(fā)明的量子遺傳搜索算法“推廣”到遺傳算法，但通常，實現(xiàn)遺傳算法的電路GA出現(xiàn)在系統(tǒng)體系結(jié)構(gòu)中。
這是由于GA電路生成量子遺傳搜索算法的結(jié)構(gòu)數(shù)據(jù)，從而該算法的收斂更快。通常，可以敘述為，遺傳算法生成單一解空間的最優(yōu)解這意味著借助實現(xiàn)遺傳算法GA電路，我們可以壓縮單一解空間中的信息，并確保信號K中的信息參數(shù)的安全性。結(jié)構(gòu)數(shù)據(jù)上的量子搜索保證搜索到成功解，并且比非結(jié)構(gòu)數(shù)據(jù)上的搜索具有更高概率和精確性。
模糊神經(jīng)網(wǎng)絡(luò)FNN生成一個驅(qū)動信號，該信號依賴于QGSA輸出校正信號k2的值，模糊控制器FC調(diào)整經(jīng)典PID控制器的傳送特性，PID控制器依賴于驅(qū)動信號和誤差信號ε的值。
其傳感器數(shù)目減少的智能控制系統(tǒng)的訓(xùn)練系統(tǒng)量子遺傳搜索算法可以用于實現(xiàn)智能控制系統(tǒng)，與現(xiàn)有技術(shù)的最優(yōu)智能控制系統(tǒng)相比，該控制系統(tǒng)能夠利用較少傳感器來驅(qū)動過程。
在使用模糊神經(jīng)網(wǎng)絡(luò)(FNN)之前，“訓(xùn)練”階段是必需的，F(xiàn)NN在該階段中學(xué)習(xí)驅(qū)動受控過程的方法。通過使用物理量的許多不同傳感器，在設(shè)備或修理中心進(jìn)行“訓(xùn)練”，其中物理量為過程的運行特征。通常，在該階段中，使用在該過程的正常操作中不支持的幾個傳感器。鑒于此，必須教會FNN利用較少傳感器(即，僅利用該過程的正常操作中存在的傳感器)驅(qū)動該過程的方法。
可以利用圖32和33詳細(xì)描述的體系結(jié)構(gòu)實現(xiàn)此目標(biāo)。表4為上述圖中出現(xiàn)的功能塊和信號。
圖32和33表示精簡控制系統(tǒng)的一般結(jié)構(gòu)。圖32為一個框圖，表示精簡控制系統(tǒng)480和最優(yōu)控制系統(tǒng)420。使用最優(yōu)控制系統(tǒng)420以及優(yōu)化器440和傳感器信息補(bǔ)償器460訓(xùn)練精簡控制系統(tǒng)480。在圖32中，將所需信號(表示所需輸出)提供給最優(yōu)控制系統(tǒng)420的輸入，以及精簡控制系統(tǒng)480的輸入。最優(yōu)控制系統(tǒng)420具有m個傳感器，它們提供輸出傳感器信號xb和最優(yōu)控制信號xa。精簡控制系統(tǒng)480提供輸出傳感器信號yb和精簡控制信號ya。信號xb和yb包括k個傳感器的數(shù)據(jù)，其中k≤m-n。通常，這k個傳感器為傳感器系統(tǒng)422和482之間不通用的傳感器。將信號xb和yb提供給減法器491的第一輸入和第二輸入。減法器491的輸出為信號εb，其中εb＝xb-yb。將信號εb提供給傳感器補(bǔ)償器460的傳感器輸入。將信號xa和ya提供給減法器490的第一輸入和第二輸入。減法器490的輸出為信號εa，其中εa＝xa-ya。將信號εa提供給傳感器補(bǔ)償器460的控制信號輸入。將傳感器補(bǔ)償器460的控制信息輸出提供給優(yōu)化器440的控制信息輸入。將傳感器補(bǔ)償器460的傳感器信息輸出提供給優(yōu)化器440的傳感器信息輸入。同時，將精簡控制系統(tǒng)480的傳感器信號483提供給優(yōu)化器440的輸入。優(yōu)化器440的輸出向精簡控制系統(tǒng)480的輸入提供教學(xué)信號443。
在以下說明中，脫機(jī)模式通常指校準(zhǔn)模式，其中利用m個傳感器的最優(yōu)集合運行控制對象428(和控制對象488)。在某一實施方式中，在設(shè)備或修理中心中運行脫機(jī)模式，其中在設(shè)備或修理中心使用附加傳感器(即，屬于m組但不屬于n組的傳感器)訓(xùn)練FNN1 426和FNN2 486。聯(lián)機(jī)模式通常指運行模式(即，正常模式)，在該模式中僅利用n組傳感器運行系統(tǒng)。
圖33為一框圖，詳細(xì)表示圖32中的功能塊。在圖33中，利用具有m個傳感器的傳感器組m 422的輸出提供輸出信號xb，其中m＝k+n。傳感器系統(tǒng)m 422的信息為具有最優(yōu)信息內(nèi)容I1的一個信號(信號組)。換句話說，信息I1為傳感器系統(tǒng)422中m個傳感器的全集的信息?？刂撇考?25的輸出提供輸出信號xa。將輸出信號xa提供給控制對象428的輸入。將控制對象428的輸出提供給傳感器系統(tǒng)422的輸入。將來自k組傳感器的信息Ik提供給模糊神經(jīng)網(wǎng)絡(luò)(FNN1)426的聯(lián)機(jī)學(xué)習(xí)輸入，以及第一遺傳算法(GA1)427的輸入。將來自傳感器系統(tǒng)422中的n組傳感器的信息In，提供給控制對象模型424的輸入。將算法GA1 427輸出的脫機(jī)調(diào)整信號，提供給FNN1 426的脫機(jī)調(diào)整信號輸入。FNN 426輸出的控制為控制信號xa，將該信號提供給控制對象428的控制輸入。控制對象模型424和FNN 426一起構(gòu)成最優(yōu)模糊控制部件425。
同時，在圖33中，傳感器補(bǔ)償器460包括乘法器462，乘法器466，信息計算器464，和信息計算器468。在聯(lián)機(jī)(正常)模式中使用乘法器462和信息計算器464。提供乘法器466和信息計算器468用于脫機(jī)檢查。
將加法器490輸出的信號εa，提供給乘法器462的第一輸入和第二輸入。將乘法器462的輸出(為信號εa2)提供給信息計算器464的輸入。信息計算器464計算Ha(y)≤I(xa，ya)。信息計算器464的輸出為一個有關(guān)精確性和可靠性的信息標(biāo)準(zhǔn)，I(xa，ya)→精簡控制系統(tǒng)中控制信號的最大值。
將加法器491輸出的信號εb，提供給乘法器466的第一輸入和第二輸入。將乘法器466的輸出(為信號εb2)提供給信息計算器468的輸入。信息計算器468計算Hb(y)≤I(xb，yb)。信息計算器468的輸出為一個有關(guān)精確性和可靠性的信息標(biāo)準(zhǔn)，I(xb，yb)→傳感器數(shù)目減少的控制對象的輸出信號的最大值。
優(yōu)化器440包括一個第二遺傳算法(GA2)444和一個熵模型442。將信號I(xa，ya)→信息計算器464的最大值，提供給優(yōu)化器440中的算法(GA2)444的第一輸入。從熱動力模型442的輸出，向遺傳算法GA2 444的第二輸入提供熵信號S→最小值。將信號I(xb，yb)→信息計算器468的最大值，提供給優(yōu)化器440中算法(GA2)444的第三輸入。
提供給算法(GA2)444的第一和第三輸入的信號I(xa，ya)→最大值和I(xb，yb)→最大值為信息標(biāo)準(zhǔn)，提供給算法(GA2)444的第二輸入的熵信號S(k2)最小值為基于熵的物理標(biāo)準(zhǔn)。算法GA2 444的輸出為下面說明的FNN2 486的教學(xué)信號。
精簡控制系統(tǒng)480包括精簡傳感器組482，控制對象模型484，F(xiàn)NN2486和控制對象488。當(dāng)在特定脫機(jī)檢查(驗證)模式中運行時，傳感器系統(tǒng)482還包含k組傳感器?？刂茖ο竽Ｐ?84和FNN2 486一起構(gòu)成精簡模糊控制部件485。將控制對象488的輸出提供給傳感器組482的一個輸入。傳感器組482的I2輸出包含來自傳感器組n的信息，其中n＝(k1+k2)＜m，滿足I2＜I1。將信息I2，提供給FNN2 486的調(diào)整輸入，控制對象模型484的輸入，以及熵模型442的輸入。將算法GA2 444的教學(xué)信號443提供給FNN2 486的教學(xué)信號輸入。FNN2 486輸出的控制為信號ya，將該信號提供給控制對象488的控制輸入。
控制對象模型424和484可以為完整模型或局部模型?？刂茖ο蟮耐暾麛?shù)學(xué)模型表示是一個包含耗散處理的微分方程，而局部模型為一個不包含完整分析描述的模型。
例如，對懸掛控制系統(tǒng)而言，可以寫出系統(tǒng)“車輛+懸掛”的非線性方程，然后使用非線性方程的耗散項以解析方式計算熵生產(chǎn)率，而對于引擎控制系統(tǒng)，數(shù)學(xué)模型的解析描述是不可用的。
盡管圖32和33以獨立系統(tǒng)方式表示最優(yōu)系統(tǒng)420和精簡系統(tǒng)480，通常系統(tǒng)420和系統(tǒng)480為同一系統(tǒng)。通過從系統(tǒng)420中刪除附加傳感器并訓(xùn)練神經(jīng)網(wǎng)絡(luò)，“創(chuàng)建”系統(tǒng)480。因此，通?？刂茖ο竽Ｐ?24和484相同?？刂茖ο?28和488通常也相同。
圖33表示從GA1 427到FNN1 426以及從GA2 444到FNN2 486的脫機(jī)調(diào)整箭頭標(biāo)記429。圖33還表示從傳感器系統(tǒng)422到FNN1 426的聯(lián)機(jī)學(xué)習(xí)箭頭標(biāo)記。調(diào)整GA2 444意味著改變FNN2 486中的一組連接系數(shù)。改變連接系數(shù)(例如，使用迭代反向傳播或試錯法處理)，從而I(x，y)趨向最大值，S趨向最小值。換句話說，從GA2 444向FNN2 486發(fā)送該系數(shù)的編碼集合的信息，作為I(x，y)，并且計算S。通常，在設(shè)備或服務(wù)中心，以脫機(jī)模式調(diào)整FNN2 486中的連接系數(shù)。
教學(xué)信號429為一個信號，在利用最優(yōu)控制集操縱最優(yōu)控制系統(tǒng)420期間，該信號對FNN1 426起作用。通常，當(dāng)精簡控制系統(tǒng)以聯(lián)機(jī)模式運行時，由不與精簡控制系統(tǒng)480一起使用的傳感器提供教學(xué)信號429。GA1427在脫機(jī)模式期間調(diào)整FNN1 426。用虛線表示與xb和yb有關(guān)的信號線，以表示通常僅在特定脫機(jī)檢查(即，驗證)模式期間使用xb和yb信號。在驗證模式期間，利用傳感器的最優(yōu)集合運行精簡控制系統(tǒng)。將附加傳感器信息提供給優(yōu)化器440，優(yōu)化器440驗證精簡控制系統(tǒng)480以所需(幾乎最佳)精確性運行。
對于具有非線性耗散數(shù)學(xué)模型描述和傳感器數(shù)目減少(或傳感器的不同集合)的穩(wěn)定和不穩(wěn)定控制對象，根據(jù)信息標(biāo)準(zhǔn)I(xa，ya)→最大值和I(xb，yb)→最大值，將控制系統(tǒng)設(shè)計與控制對象的輸出精度和控制系統(tǒng)的可靠性計算聯(lián)系起來。根據(jù)物理標(biāo)準(zhǔn)S(k2)→最小值，將控制系統(tǒng)設(shè)計與控制系統(tǒng)和控制對象的穩(wěn)定性和魯棒性檢查聯(lián)系起來。
在第一步驟中，使用帶有目標(biāo)函數(shù)的遺傳算法GA2 444，形成脫機(jī)模擬中模糊神經(jīng)網(wǎng)絡(luò)FNN2 486的教學(xué)信號443，其中目標(biāo)函數(shù)為最優(yōu)控制信號xa和精簡控制信號ya之間的交互信息的最大值。通過使用學(xué)習(xí)過程實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)FNN2 486，學(xué)習(xí)過程具有誤差反向傳播，以適應(yīng)學(xué)習(xí)信號，并形成用于改變控制器485中的PID控制器的參數(shù)的查找表。從而為獲得具有足夠精度的所需的控制可靠性提供了充分條件。
在第二步驟中，使用帶有目標(biāo)函數(shù)的遺傳算法GA2 444，實現(xiàn)FNN2486中的節(jié)點校正查找表，其中目標(biāo)函數(shù)為最小熵S或生產(chǎn)率dS/dt(根據(jù)控制對象488的數(shù)學(xué)模型或傳感器測量信息的實驗結(jié)果進(jìn)行計算)。該方法向精簡控制系統(tǒng)480的穩(wěn)定性和魯棒性提供可靠的足夠精確的控制。從而為設(shè)計傳感器數(shù)目減少的魯棒智能控制系統(tǒng)提供了充分條件。
不必按所列次序(即順序)執(zhí)行以上第一和第二步驟。在模擬不穩(wěn)定對象時，最好通過使用目標(biāo)函數(shù)和信息標(biāo)準(zhǔn)，并行執(zhí)行以上兩步，其中目標(biāo)函數(shù)為物理量之和。
在模擬FNN2 486的查找表后，在傳感器系統(tǒng)482上改變控制對象484的數(shù)學(xué)模型，以檢查其傳感器數(shù)目減少的精簡控制系統(tǒng)與具有全部(最佳數(shù)目)傳感器的精簡控制系統(tǒng)之間的定性特征。使用帶有兩個目標(biāo)函數(shù)的GA2 444中的并行優(yōu)化，實現(xiàn)FNN2 486中的查找表的全局校正。
熵模型442抽取傳感器系統(tǒng)信息I2中的數(shù)據(jù)，以幫助確定所需的用于測量的傳感器數(shù)，并控制控制對象488。
圖32和33表示減少的傳感器不包括控制對象的輸出中的測量傳感器且信息標(biāo)準(zhǔn)的控制信號的計算比較可行時的一般情況。傳感器補(bǔ)償器460計算信息標(biāo)準(zhǔn)，信息標(biāo)準(zhǔn)為兩個控制信號xa和ya之間的交互信息的最大值(用作GA2 444的第一目標(biāo)函數(shù))。熵模型442通過使用來自傳感器482的信息提供物理標(biāo)準(zhǔn)，物理標(biāo)準(zhǔn)為最小生產(chǎn)熵(用作GA2 444的第二目標(biāo)函數(shù))。GA2 444的輸出為FNN2 486的教學(xué)信號443，聯(lián)機(jī)使用該信號以生成精簡控制信號ya，從而精簡控制信號yb的性質(zhì)類似于最優(yōu)控制信號xa的性質(zhì)。因此，優(yōu)化器440提供控制的穩(wěn)定性和魯棒性(使用物理標(biāo)準(zhǔn))，以及具有足夠精度的可靠性(使用信息標(biāo)準(zhǔn))。
借助脫機(jī)檢查，優(yōu)化器440通過使用新的信息標(biāo)準(zhǔn)，從FNN2 486提供控制信號ya的校正。由于信息測量是附加的，所以能夠順序或并行執(zhí)行聯(lián)機(jī)/脫機(jī)步驟。在脫機(jī)檢查中，傳感器系統(tǒng)482通常僅在檢查控制信號ya的特性和校正時，才使用所有傳感器。即使控制對象488不穩(wěn)定，該方法也能提供所需的穩(wěn)定性和控制特性。
對于精簡傳感器系統(tǒng)482(有n個傳感器)，F(xiàn)NN2 486最好使用學(xué)習(xí)和適應(yīng)過程代替模糊控制器(FC)算法。
如果控制對象將在具有不同特性的不同環(huán)境中工作，則使用全局優(yōu)化器450。全局優(yōu)化器450包括GA2 444和QGSA 448。GA2的輸出449為QGSA 448的輸入。QGSA 448的輸出為FNN2 486的教學(xué)信號。必須為每個單一解空間生成輸出449。
應(yīng)用于內(nèi)燃機(jī)的精簡控制系統(tǒng)在一種實施方式中，將精簡控制系統(tǒng)應(yīng)用于內(nèi)燃活塞引擎、噴氣發(fā)動機(jī)、燃?xì)鉁u輪引擎、火箭發(fā)動機(jī)等，以便在不使用諸如氧氣傳感器之類的附加傳感器的情況下提供控制。
圖34表示內(nèi)燃活塞引擎，該引擎具有四個傳感器，一個進(jìn)氣溫度傳感器602，一個水溫傳感器604，一個曲柄角度傳感器608。氣溫傳感器602測量進(jìn)氣管620中的氣溫。燃油噴射器629向進(jìn)氣管620中的空氣提供燃油。進(jìn)氣管620向燃燒室622提供空氣和燃油。燃燒室622中燃油與空氣混合體的燃燒驅(qū)動活塞628。將活塞628連接到曲柄626，從而活塞628的運動轉(zhuǎn)動曲柄626。曲柄角度傳感器606測量曲柄626的轉(zhuǎn)動位置。水溫傳感器測量圍繞燃燒室622和活塞628的水管套630的水溫。將來自燃燒室622的廢氣提供給排氣管624，空氣燃油比率傳感器608測量廢氣中的空氣和燃油比率。
圖35是一個框圖，表示精簡控制系統(tǒng)780和優(yōu)化控制系統(tǒng)720。優(yōu)化控制系統(tǒng)720連同優(yōu)化器740和傳感器補(bǔ)償器760，用于訓(xùn)練精簡控制系統(tǒng)780。在圖35中，向最優(yōu)控制系統(tǒng)720的輸入和精簡控制系統(tǒng)780的輸入，提供所需信號(表示所需的引擎輸出)。具有5個傳感器的最優(yōu)控制系統(tǒng)720，提供最優(yōu)控制信號xa和傳感器輸出信號xb。精簡控制系統(tǒng)780提供精簡控制輸出信號ya和輸出傳感器信號yb。信號xb和yb包括來自A/F傳感器608的數(shù)據(jù)。將信號xb和yb提供給減法器791的第一輸入和第二輸入。減法器791的輸出為信號εb，其中εb＝xb-yb。將信號εb提供給傳感器補(bǔ)償器760的傳感器輸入。將信號xa和ya提供給減法器790的第一輸入和第二輸入。減法器790的輸出為信號εa，其中εa＝xa-ya。將信號εa提供給傳感器補(bǔ)償器760的控制信號輸入。將傳感器補(bǔ)償器760的控制信息輸出提供給優(yōu)化器740的控制信息輸入。將傳感器補(bǔ)償器760的傳感器信息輸出提供給優(yōu)化器740的傳感器信息輸入。同時，將精簡控制系統(tǒng)780的傳感器信號783提供給優(yōu)化器740的輸入。優(yōu)化器740的輸出向精簡控制系統(tǒng)780的輸入提供教學(xué)信號747。
由傳感器系統(tǒng)722的輸出提供輸出信號xb，系統(tǒng)722具有5個傳感器，包括進(jìn)氣溫度傳感器602，水溫傳感器604，曲柄角度傳感器607和空氣燃油比率傳感器608。來自傳感器系統(tǒng)722的信息為具有最優(yōu)信息內(nèi)容I1的一組信號。換句話說，信息I1為來自傳感器系統(tǒng)722中所有5個傳感器的信息。
由控制部件725的輸出提供輸出信號xa。將輸出信號xa提供給引擎728的輸入。將引擎728的輸出提供給傳感器系統(tǒng)722的輸入。將來自A/F傳感器608的信息Ik1提供給模糊神經(jīng)網(wǎng)絡(luò)(FNN)726的聯(lián)機(jī)學(xué)習(xí)輸入，以及第一遺傳算法(GA1)727的輸入。將來自除A/F傳感器608之外的四組傳感器的信息Ik1，提供給引擎模型724的輸入。將算法GA1 727輸出的脫機(jī)調(diào)整信號，提供給FNN 726的脫機(jī)調(diào)整信號輸入。FNN 726輸出的控制為燃油噴射控制信號U1，將該信號提供給引擎728的控制輸入。信號U1也是信號xa。引擎模型724和FNN 726一起構(gòu)成最優(yōu)控制部件725。
傳感器補(bǔ)償器760包括乘法器762，乘法器766，和信息計算器764。在聯(lián)機(jī)(正常)模式中使用乘法器762和信息計算器764。提供乘法器766和信息計算器768用于脫機(jī)檢查。
將加法器790輸出的信號εa，提供給乘法器762的第一輸入和第二輸入。將乘法器762的輸出(為信號εa2)提供給信息計算器764的輸入。信息計算器764計算Ha(y)≤I(xa，ya)。信息計算器764的輸出為一個有關(guān)精確性和可靠性的信息標(biāo)準(zhǔn)，I(xa，ya)→最大值。
將加法器791輸出的信號εb，提供給乘法器766的第一輸入和第二輸入。將乘法器764的輸出(為信號εb2)提供給信息計算器768的輸入。信息計算器768計算Hb(y)≤I(xb，yb)。信息計算器768的輸出為一個有關(guān)精確性和可靠性的信息標(biāo)準(zhǔn)，I(xb，yb)→最大值。
優(yōu)化器740包括一個第二遺傳算法(GA2)744和一個熱動力(熵)模型742。將信號I(xa，ya)→信息計算器764的最大值，提供給優(yōu)化器740中的算法(GA2)744的第一輸入。從熱動力模型742的輸出，向算法(GA2)744的第二輸入提供熵信號S→最小值。將信號I(xb，yb)→信息計算器768的最大值，提供給優(yōu)化器740中算法(GA2)744的第三輸入。
提供給算法(GA2)744的第一和第三輸入的信號I(xa，ya)→最大值和I(xb，yb)→最大值為信息標(biāo)準(zhǔn)，提供給算法GA2 744的第二輸入的熵信號S(k2)→最小值為基于熵的物理標(biāo)準(zhǔn)。算法GA2 744的輸出為FNN 786的教學(xué)信號。
精簡控制系統(tǒng)780包括精簡傳感器系統(tǒng)782，引擎模型784，F(xiàn)NN 786和引擎788。精簡傳感器系統(tǒng)782包括除A/F傳感器608之外傳感器系統(tǒng)722中的所有引擎?zhèn)鞲衅?。?dāng)在特定脫機(jī)檢查模式中運行時，傳感器系統(tǒng)782還包含A/F傳感器608。引擎模型784和FNN 786一起構(gòu)成精簡控制部件785。將引擎788的輸出提供給傳感器組782的一個輸入。傳感器組782的I2輸出包含來自4個傳感器信息，滿足I2＜I1。將信息I2提供給控制對象模型784的輸入，以及熱動力模型742的輸入。將算法GA2744的教學(xué)信號747，提供給FNN 786的教學(xué)信號輸入。FNN 786輸出的控制為噴射控制信號U2，該信號也是信號ya。
圖35所示的系統(tǒng)的操作在許多方面類似于圖32和33所示的系統(tǒng)的操作。
使用熵生產(chǎn)與來自水溫傳感器604(TW)和氣溫傳感器602(TA)的溫度信息之間的熱動力關(guān)系，構(gòu)造熱動力模型742。使用以下關(guān)系式計算熵生產(chǎn)S(TW，TA)S=c[ln(TWTA)]2Δτ-ln(TWTA)---(16)]]>其中Δτ為有限過程的周期。
兩種任意狀態(tài)之間的外部比功滿足以下公式I(Ti,Tf,τi,τf)=c(Ti-Tf)-cTelnTiTf-cTe[lnTiTf]2τf-τi-lnTiTf---(17)]]>在等式(17)中，由于Ti＝TW和Tf＝TA，所以熵生產(chǎn)的最小整數(shù)為Sσ=c[lnTWTA]2Δτ-ln(TWTA),]]>其中△τ＝τf-τi(18)等式(17)中的函數(shù)滿足反向Hamilton-Jacobi方程。
當(dāng)以隨機(jī)A/F比率(約束控制)的方式表示部分引擎模型時，在圖36中使用QGSA。這意味著，利用不同的密度概率函數(shù)(高斯、非高斯均勻分布，Rayleigh分布等)模擬隨機(jī)A/F比率的統(tǒng)計特性。
權(quán)利要求
1.一種控制由控制信號(U*)驅(qū)動的過程(設(shè)備)以生成相應(yīng)輸出的方法，該方法包括生成誤差信號(ε)，該信號為所述過程的狀態(tài)(X)和參考信號的狀態(tài)(Y)的函數(shù)；生成一個控制信號(U*)，并將其饋送到所述過程(設(shè)備)，控制信號為所述誤差信號(ε)和參數(shù)調(diào)整信號(CGS)的函數(shù)；導(dǎo)出信號(S)，該信號表示要最小化的數(shù)量，通過處理所述過程的狀態(tài)(X)和所述控制信號(U*)的成對值，計算該信號；根據(jù)所述控制信號(U*)的一組不同值，計算校正信號(k2)，該信號最小化將要最小化的所述導(dǎo)出信號(S)；根據(jù)所述誤差信號(ε)和校正信號(k2)，利用神經(jīng)網(wǎng)絡(luò)和模糊邏輯處理器計算所述參數(shù)調(diào)整信號(CGS)，其特征在于利用量子遺傳搜索算法定期計算所述校正信號(k2)，合并遺傳算法和量子搜索算法包括以下步驟生成一組初始向量，該組向量以向量形式表示所述校正信號(k2)的不同的可能值；通過線性疊加所述初始集合的向量，計算第二組向量；根據(jù)量子搜索算法，對所述第二組向量進(jìn)行一定次數(shù)的并行的隨機(jī)編織運算和隨機(jī)干擾運算，生成表示該過程(設(shè)備)的所述控制信號(U*)值的許多向量；把所述并行計算的各結(jié)果值與目標(biāo)函數(shù)聯(lián)系起來，目標(biāo)函數(shù)為要最小化的數(shù)量(S)，通過使用與考慮的結(jié)果值相對應(yīng)的所述控制信號(U*)和過程(設(shè)備)的狀態(tài)(X)的成對值，計算該數(shù)量；使用所述目標(biāo)函數(shù)，根據(jù)遺傳算法，對所述并行計算的結(jié)果值進(jìn)行選擇操作；計算所述校正信號(k2)，作為所述選擇的最終結(jié)果。
2.根據(jù)權(quán)利要求1的方法，其中按以下方式獲得所述初始向量組生成第一組向量，該組向量表示所述校正信號(k2)的幾個不同的可能值；對所述第一組向量應(yīng)用遺傳算法，使用目標(biāo)函數(shù)計算臨時校正信號(k)，目標(biāo)函數(shù)為要最小化的數(shù)量(S)，通過使用與考慮的結(jié)果值相對應(yīng)的所述控制信號(U*)和過程(設(shè)備)的狀態(tài)(X)的成對值，計算該數(shù)量；作為所述臨時校正信號(k)的不同值的集合，生成所述初始集合。
3.權(quán)利要求1或2的方法，其中需要最小化的所述導(dǎo)出信號(S)，表示所述控制信號(U*)和狀態(tài)(X)對的香農(nóng)熵和馮·諾伊曼熵之間的信息距離；所述目標(biāo)函數(shù)為所述并行計算的各結(jié)果值的信息智能度量。
4.權(quán)利要求1或2的方法，其中需要最小化的所述導(dǎo)出信號(S)為Heisenberg不確定性。
5.根據(jù)上述權(quán)利要求之一的方法，其中所述量子搜索算法為Grover量子搜索算法。
6.根據(jù)上述權(quán)利要求之一的方法，其中所述線性疊加為Hadamard旋轉(zhuǎn)。
7.根據(jù)上述權(quán)利要求之一的方法，其中利用實現(xiàn)快速量子傅立葉變換的隨機(jī)單位正方矩陣構(gòu)成的干擾算子，實現(xiàn)所述干擾操作。
8.一種由控制信號(U*)驅(qū)動的過程(設(shè)備)的控制器，包括生成誤差信號(ε)的第一電路塊，誤差信號為所述過程的狀態(tài)(X)和參考信號的狀態(tài)(Y)的函數(shù)；具有可調(diào)整的傳送特性的第二電路塊，該電路塊生成一個控制信號(U*)，并將其饋送到所述過程(設(shè)備)，控制信號為所述誤差信號(ε)的函數(shù)；第三電路塊，該電路塊導(dǎo)出信號(S)，該信號表示要最小化的數(shù)量，通過處理所述過程的狀態(tài)(X)和所述控制信號(U*)的成對值，計算該信號；第四電路塊，該電路塊根據(jù)所述控制信號(U*)的一組不同值，計算校正信號(k2)，該信號最小化所述導(dǎo)出信號(S)，導(dǎo)出信號表示熵生產(chǎn)能力；模糊神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)依據(jù)所述校正信號(k2)的值，生成一個驅(qū)動信號；模糊控制器，該控制器依據(jù)所述驅(qū)動信號和所述誤差信號(ε)的值，調(diào)整所述第二電路塊的傳送特性；其特征在于所述第四電路塊執(zhí)行以下操作生成一組初始向量，該組向量以向量形式表示所述校正信號(k2)的不同的可能值；通過線性疊加所述初始集合的向量，計算第二組向量；根據(jù)量子搜索算法，對所述第二組向量進(jìn)行一定次數(shù)的并行的隨機(jī)編織運算和隨機(jī)干擾運算，生成表示該過程(設(shè)備)的所述控制信號(U*)值的許多向量；把所述并行計算的各結(jié)果值與目標(biāo)函數(shù)聯(lián)系起來，目標(biāo)函數(shù)為要最小化的數(shù)量(S)，通過使用與考慮的結(jié)果值相對應(yīng)的所述控制信號(U*)和過程(設(shè)備)的狀態(tài)(X)的成對值，計算該數(shù)量，使用所述目標(biāo)函數(shù)，根據(jù)遺傳算法，對所述并行計算的結(jié)果值進(jìn)行選擇操作；計算所述校正信號(k2)，作為所述選擇的最終結(jié)果。
9.以上權(quán)利要求的控制器，其中按以下方式獲得所述初始向量組生成第一組向量，該組向量表示所述校正信號(k2)的幾個不同的可能值；對所述第一組向量應(yīng)用遺傳算法(GA)，使用目標(biāo)函數(shù)計算臨時校正信號(k)，目標(biāo)函數(shù)為要最小化的數(shù)量(S)，通過使用與考慮的結(jié)果值相對應(yīng)的所述控制信號(U*)和過程(設(shè)備)的狀態(tài)(X)的成對值，計算該數(shù)量；作為所述臨時校正信號(k)的不同值的集合，生成所述初始集合。
10.根據(jù)權(quán)利要求8或9之一的控制器，其中要控制的所述過程(設(shè)備)為一臺內(nèi)燃機(jī)，所述第三電路導(dǎo)出表示所述引擎的熵生成的信號(S)。
11.根據(jù)權(quán)利要求8或9之一的控制器，其中需要最小化的所述導(dǎo)出信號(S)，表示所述控制信號(U*)和狀態(tài)(X)對的香農(nóng)熵和馮·諾伊曼熵之間的信息距離；所述目標(biāo)函數(shù)為所述并行計算的各結(jié)果值的信息智能度量。
12.根據(jù)權(quán)利要求8到11之一的控制器，其中所述第二電路塊為比例-積分-微分控制器(PID)。
13.一種搜索數(shù)據(jù)庫中屬于集合(X)的最接近值(Y0)的項目(xi)的方法，其中合并遺傳算法和量子搜索算法包括以下步驟以向量形式表示屬于所述集合(X)的各項目，從而生成一組初始向量；通過根據(jù)Grover量子搜索算法，線性疊加所述初始向量集合的向量，計算第二組向量；根據(jù)Grover量子搜索算法，對所述第二組向量進(jìn)行一定次數(shù)的并行的隨機(jī)編織運算和隨機(jī)干擾運算，生成表示所述集合(X)的所有項目的許多向量；把所述并行計算的各結(jié)果值與目標(biāo)函數(shù)聯(lián)系起來，目標(biāo)函數(shù)為所述結(jié)果值與所述理想值(Y0)之間的差；使用所述目標(biāo)函數(shù)，根據(jù)遺傳算法，對所述并行計算的結(jié)果值進(jìn)行選擇操作；標(biāo)識所述搜索項目(xi)作為所述選擇的最終結(jié)果。
14.一種隨機(jī)編織邏輯門，用于根據(jù)量子搜索算法對輸入向量組進(jìn)行隨機(jī)編織操作，包括確定數(shù)目(N)的隨機(jī)發(fā)生器，各發(fā)生器生成各自的隨機(jī)向量；所述確定數(shù)目的點積門，每個點積門包括至少一個乘法器和至少一個加法器，乘法器計算其分量數(shù)相同的輸入向量對的分量的成對值的乘積，加法器輸出所述乘積之和，它們分別與各自的隨機(jī)向量以及所述輸入向量組的各向量結(jié)合，從而生成向量的隨機(jī)編織集合。
15.一種隨機(jī)干擾邏輯門，用于根據(jù)Grover量子搜索算法隨輸入向量組進(jìn)行隨機(jī)干擾操作，包括述第二向量組中選擇一個輸出向量；一個譯碼器，利用查找表比較所述輸出向量，輸出表示所述輸出向量之所述位向量函數(shù)(f)之屬性的信號。
17.權(quán)利要求16的加速器，其中所述編碼器生成表示所述變換矩陣(UF)的所述值集合，作為表示內(nèi)射位向量函數(shù)(F)的變換矩陣的值集合，函數(shù)(F)的定義域維數(shù)為定義域維數(shù)N和所述函數(shù)(f)的上域維數(shù)M之和，在各自的位向量(B)中變換其定義域的各位向量(A)，通過將所述向量(A)的前N位鏈接到以下位向量，即通過在所述向量(A)的后M位與通過將所述位向量函數(shù)(f)應(yīng)用于由所述向量(A)的前N位組成的位向量得到的相應(yīng)位向量之間執(zhí)行XOR操作得到的位向量，得到位向量(B)。
18.根據(jù)權(quán)利要求16或17之一的加速器，其中所述量子門由根據(jù)Deutsch-Jozsa量子算法，執(zhí)行所述線性疊加的疊加子系統(tǒng)、執(zhí)行所述編織操作的編織子系統(tǒng)和執(zhí)行所述干擾操作的干擾子系統(tǒng)組成，所述疊加子系統(tǒng)包括一組數(shù)目為N+1的矩陣塊，利用所述輸入向量組的各向量輸入各塊，生成通過執(zhí)行Hadamard旋轉(zhuǎn)獲得的各旋轉(zhuǎn)向量，第一張量積門，由至少一個乘法器組成，乘法器以第一輸入向量的分量和第二輸入向量的分量組成的所有不同對的值的乘積的方式，計算輸出矩陣的分量，執(zhí)行數(shù)目為N的所述旋轉(zhuǎn)向量的張量積，從而生成某個矩陣(2XN)，與所述第一張量積門類似的第二張量積門，執(zhí)行所述某個矩陣(2XN)與所述第一張量積門中未輸入的旋轉(zhuǎn)向量的張量積，生成向量的線性疊加集合；所述編織子系統(tǒng)通過將所述變換矩陣(UF)應(yīng)用于所述向量的線性疊加集合，生成向量的編織集合；所述干擾子系統(tǒng)包括與所述第一張量積門類似的張量積門，利用Hadamard矩陣(H)和單位矩陣(I)作為輸入，生成一個輸出矩陣(OUT1)，一個點積門，由至少一個乘法器組成，乘法器計算其分量數(shù)相同的輸入向量對的分量的成對值的乘積，利用所述輸出矩陣(OUT1)和所述編用于生成隨機(jī)擴(kuò)散矩陣的電路，該電路包括一個單位塊，用于輸出單位矩陣；一個隨機(jī)發(fā)生器，用于輸出隨機(jī)酉矩陣；第一張量積(邏輯)門，由至少一個乘法器組成，作為第一輸入向量的分量和第二輸入向量的分量組成的所有不同對的值的乘積，計算輸出矩陣的分量，乘法器與所述單位矩陣和所述隨機(jī)酉矩陣相連，從而生成第一矩陣(4XN1)；第二張量積門，與所述第一張量積門類似，與所述第一矩陣(4XN1)和所述隨機(jī)酉矩陣相連，從而生成第二矩陣(4XN2)；第三張量積門，與所述第一張量積門類似，利用所述單位矩陣的兩個副本作為輸入，從而生成第三矩陣(4XN3)；第四張量積門，與所述第一張量積門類似，與所述第一矩陣(4XN3)和所述單位矩陣相連，從而生成第四矩陣(4XN4)；一個減法器，與所述第二矩陣(4XN2)和第四矩陣(4XN4)相連，生成所述隨機(jī)擴(kuò)散矩陣，作為所述第二矩陣(4XN2)和所述第四矩陣(4XN4)之間的差；通過計算所述隨機(jī)擴(kuò)散矩陣和所述輸入向量組之間的標(biāo)量積，輸出所述干擾操作之結(jié)果的塊。
16.經(jīng)典計算機(jī)執(zhí)行的量子算法加速器，用于查找正在處理的位向量函數(shù)(f)的某個屬性，包括一個編碼器，根據(jù)所述位向量函數(shù)(f)生成表示變換矩陣(UF)的一組值；加速器核心(QUANTUM_BLOCK)包括一個量子門，根據(jù)量子算法，使用所述變換矩陣(UF)作為編織算子，對輸入向量組依次執(zhí)行線性疊加、編織操作和干擾操作，從而生成第二組向量；一個測量塊(MEASUREMENT)，作為所述輸入向量組的各所述向量的分量的平方之和的平方根，計算所述第二向量組的各向量的概率系數(shù)，通過利用所述概率系數(shù)運行隨機(jī)選擇例程，從所織算子生成的向量作為輸入，生成所述第二向量組。
19.根據(jù)權(quán)利要求16或17之一的加速器，其中所述量子門由根據(jù)Grover量子算法，執(zhí)行所述線性疊加的疊加子系統(tǒng)、執(zhí)行所述編織操作的編織子系統(tǒng)和執(zhí)行所述干擾操作的干擾子系統(tǒng)組成，所述疊加子系統(tǒng)包括一組數(shù)目為N+1的矩陣塊，利用所述輸入向量組的各向量輸入各塊，生成通過執(zhí)行Hadamard旋轉(zhuǎn)獲得的各旋轉(zhuǎn)向量，第一張量積門，由至少一個乘法器組成，乘法器以第一輸入向量的分量和第二輸入向量的分量組成的所有不同對的值的乘積的方式，計算輸出矩陣的分量，執(zhí)行數(shù)目為N的所述旋轉(zhuǎn)向量的張量積，從而生成某個矩陣(2XN)，與所述第一張量積門類似的第二張量積門，執(zhí)行所述某個矩陣(2XN)與所述第一張量積門中未輸入的旋轉(zhuǎn)向量的張量積，生成向量的線性疊加集合；所述編織子系統(tǒng)通過將所述變換矩陣(UF)應(yīng)用于所述向量的線性疊加集合，生成向量的編織集合；所述干擾子系統(tǒng)包括一個點積門，由至少一個乘法器組成，乘法器計算其分量數(shù)相同的輸入向量對的分量的成對值的乘積，利用所述向量的編織集合和擴(kuò)散矩陣(DN)作為輸入，生成所述第二向量組。
20.其傳感器數(shù)目減少的智能控制系統(tǒng)的訓(xùn)練系統(tǒng)，包括具有確定數(shù)目傳感器(m)的智能控制系統(tǒng)，包括控制過程的復(fù)制品(428)，模糊控制部件(425)，該部件生成輸入到所述復(fù)制過程(428)的驅(qū)動信號(xa)，第一組第二數(shù)目(k)的傳感器，其數(shù)目與所述復(fù)制過程的狀態(tài)數(shù)相同，該組傳感器生成饋送到所述模糊控制部件的傳感器信號(xb)，第二組第三數(shù)目的傳感器(k1)，其數(shù)目與所述復(fù)制過程的狀態(tài)數(shù)相同，該組傳感器生成饋送到所述模糊控制部件的第二傳感器信號(4222)，第三組第四數(shù)目的傳感器(k2)，其數(shù)目與所述復(fù)制過程的狀態(tài)數(shù)相同，該組傳感器生成第三傳感器信號(4221)，實現(xiàn)第一遺傳算法(GA1)的電路塊，根據(jù)所述第三傳感器信號(4221)計算輸入到所述模糊控制部件(425)的教學(xué)信號；利用第五數(shù)目的傳感器(n)進(jìn)行訓(xùn)練的智能控制系統(tǒng)包括控制過程(488)，第二模糊控制部件(485)，該部件生成輸入到所述復(fù)制過程(488)的第二驅(qū)動信號(ya)，所述第一組所述第二數(shù)目(k)的傳感器的復(fù)制品，其數(shù)目與所述過程的狀態(tài)數(shù)相同，該組傳感器生成第四傳感器信號(yb)，所述第二組所述第三數(shù)目的傳感器(k1)的復(fù)制品，其數(shù)目與所述過程的狀態(tài)數(shù)相同，該組傳感器生成饋送到所述第二模糊控制部件(485)的第五傳感器信號(4822)，所述第三組所述第四數(shù)目的傳感器(k2)的復(fù)制品，其數(shù)目與所述過程(488)的狀態(tài)數(shù)相同，該組傳感器生成第六傳感器信號(4821)，根據(jù)所述第五傳感器信號(4821)生成信號(S[k])的電路塊，信號(S[k])表示要最小化的物理量(s)，全局優(yōu)化器(450)，根據(jù)所述信號(S[k])和分別表示所述第一驅(qū)動信號(xa)和所述第二驅(qū)動信號(ya)之間的交互信息以及所述傳感器信號(xb)和所述第四傳感器信號(yb)之間的交互信息的一對信號，導(dǎo)出所述第二模糊控制器(485)的教學(xué)信號(443)；傳感器信息補(bǔ)償器(450)，該補(bǔ)償器計算分別表示所述第一驅(qū)動信號(xa)和所述第二驅(qū)動信號(ya)之間的交互信息以及所述傳感器信號(xb)和所述第四傳感器信號(yb)之間的交互信息的一對信號。
21.權(quán)利要求20的訓(xùn)練系統(tǒng)，其中所述全局優(yōu)化器(450)是一個功能塊，它利用第二遺傳算法導(dǎo)出所述教學(xué)信號(443)。
22.權(quán)利要求20的訓(xùn)練系統(tǒng)，其中所述全局優(yōu)化器(450)是一個功能塊，它利用權(quán)利要求1所述的量子遺傳搜索算法導(dǎo)出所述教學(xué)信號(443)。
23.權(quán)利要求21和22的訓(xùn)練系統(tǒng)，其中所述全局優(yōu)化器(450)是一個功能塊，作為在所述第二遺傳算法的輸出上應(yīng)用所述量子遺傳搜索算法的最終結(jié)果，導(dǎo)出所述教學(xué)信號(443)。
24.根據(jù)權(quán)利要求20至23之一的訓(xùn)練系統(tǒng)，其中所述要最小化的物理量為所述過程(488)的熵生產(chǎn)。
25.權(quán)利要求20至24之任意權(quán)利要求的訓(xùn)練系統(tǒng)，其中所述控制過程(488)為內(nèi)燃機(jī)，所述復(fù)制過程(428)為所述內(nèi)燃機(jī)的復(fù)制品，所述第一組傳感器包括一個空氣燃油比率傳感器，所述第二組傳感器包括一個曲柄角度傳感器和一個壓力傳感器，所述第三組傳感器包括一個氣溫傳感器和一個水溫傳感器。
26.權(quán)利要求20至24之任意權(quán)利要求的訓(xùn)練系統(tǒng)，其中所述控制過程(488)為車輛懸掛系統(tǒng)，所述復(fù)制過程(428)為所述車輛懸掛系統(tǒng)的復(fù)制品，至少一組所述傳感器包括至少一個屬于由位置傳感器、傾斜角傳感器和橫搖角傳感器組成的傳感器組的傳感器。
27.一種訓(xùn)練智能控制系統(tǒng)(480)的模糊控制部件(485)的方法，包括控制過程(488)，模糊控制部件(485)，該部件生成輸入到所述復(fù)制過程(488)的第一驅(qū)動信號(ya)，第一組第一數(shù)目(k)的傳感器，其數(shù)目與所述過程(488)的狀態(tài)數(shù)相同，該組傳感器生成第一傳感器信號(yb)，第二組所述第二數(shù)目的傳感器(k1)，其數(shù)目與所述過程(488)的狀態(tài)數(shù)相同，該組傳感器生成饋送到所述模糊控制部件(485)的第二傳感器信號(4822)，第三組第三數(shù)目的傳感器(k2)，其數(shù)目與所述過程(488)的狀態(tài)數(shù)相同，該組傳感器生成第三傳感器信號(4821)，根據(jù)所述第三傳感器信號(4821)生成信號(S[k])的電路塊，信號(S[k])表示要最小化的信號(s)，全局優(yōu)化器(450)，生成所述模糊控制部件(485)的臨時教學(xué)信號(442)，使用所述控制過程的復(fù)制品(428)的控制系統(tǒng)(420)包括所述控制過程的復(fù)制品(428)，控制部件(425)，該部件生成輸入到所述復(fù)制過程(428)的第二驅(qū)動信號(xa)，所述第一、第二、第三組所述第一(k)、第二(k1)、第三(k2)數(shù)目傳感器的復(fù)制品，其數(shù)目分別與所述復(fù)制過程(428)的狀態(tài)數(shù)相同，這些傳感器分別生成饋送到所述控制部件的第四(xb)、第五(4222)和第六(4221)傳感器信號，其特征在于包括以下步驟利用表示外部提供的所需輸出的信號，作為兩個控制系統(tǒng)(480，420)的輸入；計算所述第一驅(qū)動信號(ya)和第二驅(qū)動信號(xa)的成對值的交互信息(I1)；計算所述第一傳感器信號(yb)和第四傳感器信號(xb)的成對值的交互信息(I2)；利用最終教學(xué)信號(443)作為所述模糊控制部件(485)的輸入，作為所述臨時教學(xué)信號(442)、所述驅(qū)動信號的交互信號(I1)和所述傳感器信號的交互信息(I2)的函數(shù)，計算最終教學(xué)信號(443)。
28.權(quán)利要求27的方法，其中通過使用目標(biāo)函數(shù)對所述臨時教學(xué)信號(442)實行遺傳算法，導(dǎo)出所述最終教學(xué)信號(443)，目標(biāo)函數(shù)依賴于所述交互信息值(I1，I2)。
29.權(quán)利要求27的方法，其中通過使用目標(biāo)函數(shù)對所述臨時教學(xué)信號(442)實行權(quán)利要求1所述的量子遺傳搜索算法，導(dǎo)出所述最終教學(xué)信號(443)，目標(biāo)函數(shù)依賴于所述交互信息值(I1，I2)。
30.權(quán)利要求28的方法，其中通過使用目標(biāo)函數(shù)對所述臨時教學(xué)信號(442)實行遺傳算法，并且通過將量子遺傳搜索算法應(yīng)用于所述遺傳算法計算的值，導(dǎo)出所述最終教學(xué)信號(443)，目標(biāo)函數(shù)依賴于所述交互信息值(I1，I2)。
31.根據(jù)權(quán)利要求27到30之一的方法，其中所述要最小化的物理量(s)為所述控制過程(488)的熵生產(chǎn)。
32.根據(jù)權(quán)利要求27到30之一的方法，其中所述控制過程(488)為內(nèi)燃機(jī)，至少所述第一和第二組傳感器之一包括至少一個屬于由曲柄角度傳感器、壓力傳感器和水溫傳感器組成的傳感器組的傳感器。所述第三組傳感器至少包括一個空氣燃油比率傳感器。
33.根據(jù)權(quán)利要求27到30之一的方法，其中所述控制過程(488)為懸掛車輛，至少一組所述傳感器包括至少一個屬于由位置傳感器、傾斜角傳感器和橫搖角傳感器組成的傳感器組的傳感器。
全文摘要
一種控制由控制信號(U
文檔編號H04L29/06GK1350664SQ00807374
公開日2002年5月22日 申請日期2000年3月9日 優(yōu)先權(quán)日2002年4月26日
發(fā)明者塞歸·烏爾雅諾夫, 江古多·雷佐托, 倉脅一郎, 塞歸·潘飛洛夫, 法比奧·吉斯, 保羅·阿馬托, 馬西莫·波托 申請人:St微電子公司, 雅馬哈發(fā)動機(jī)歐洲股份有限公司