基于量子聚类的MAS群体智能处理的理论和方法

本项目研究基于量子聚类的多Agent智能处理的理论和方法，通过建立二维阵列作为带有量子状态的粒子的移动空间，利用量子的纠缠性、相干性、叠加性和隧穿等特性，粒子在该阵列中移动和碰撞，最终将粒子分配到各个不同的纠缠类中。每一个纠缠类中的粒子都携带相似的数据对象，从而建立量子数据聚类的模型。提出基于量子聚类的并行算法，从而得到一个与最优聚类相对应的是在稳定概率分布中具有最大概率的纠缠划分。.利用量子纠缠的特性来实现信息自组织聚类中的粒子的群体智能行为，将多Agent智能处理求解问题，转化成量子聚类模型，建立相应的薛定谔方程，求其近似解。通过微扰项进行修正，从而达到求近似精确解的目的。为复杂环境下的分布并行智能处理提供新的可能途径，对分布式人工智能，认知科学、信息技术、控制工程、系统科学、生命科学、感知理论、学习机理、社会学中基于群体智能的问题求解都有重要意义。

1)利用量子的纠缠性、相干性、叠加性和隧穿特性建立基于MAS(Multi-Agent System)的广义量子模型。建立一个二维矩阵作为拥有量子态粒子的运动空间，多个粒子的运动和碰撞都是在此矩阵上进行的，每个粒子都携带确定数据集中的一个给定的数据对象。在任何时刻，粒子在矩阵上都具有两种不同的构形：几何构型和状态构型。在量子聚类模型矩阵上粒子的空间分布，我们定义其为粒子的几何构形；而通过量子纠缠所体现出来的纠缠分布，则定义为粒子的状态构形。当粒子运动和碰撞的过程中，这两种构形将不断随着时间的流逝而演化，并构成它们的随机演化过程。也就是说，量子聚类就是将粒子的数据聚类过程转化为其在纠缠分布中的随机自组织过程，而这个随机过程中的一个平稳概率分布就得到包含所有粒子的最优纠缠分布。并将量子聚类优化模型算法应用在服务器负载均衡中进行模拟仿真，到达了很好的效果。该模型能够把MAS问题求解过程转换成运动学和动力学的大粒子模型的特殊领域。这个广义量子模型适合在这些比较复杂的环境下进行MAS问题求解：多自治agent，多类型协调，多目标优化，高度并行性，随机性和突发事件。.2) 提出了基于人工鱼群的量子群优化算法，新算法在量子粒子群算法的基础上，引入聚群和追尾活动，同时使用自适应的参数条件，有利于避免种群陷入局部极值。提出量子行走方法在服务器流量控制管理中的模型研究，基于改进混合蛙跳的量子遗传算法，基于改进量子遗传的混合粒子群优化算法。.3)提出了基于量子纠错码的小型量子网络路由通信协议，根据小型量子网络的路由特点构建路由表；依据路由表实现源量子节点到一跳、两跳目的量子节点的量子隐形传态，利用量子纠错码纠正因噪声产生的误码信息；对该协议的安全性进行理论证明。提出了基于量子隐形传态的水下传感器网络分级加密通信协议，抗特洛伊木马攻击的量子密钥多播通信协议，无线网络中基于量子隐形传态的鲁棒安全通信协议，一种前向纠错差错控制的量子网络广播通信协议，异构家庭网络中融合量子信息技术的安全通信协议，噪声情况下的量子网络直接通信，基于量子GHZ的无线安全通讯协议。

内容获取失败，请点击重试