量子Qubit神经树网络模型的优化研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61502283
项目类别：
青年科学基金项目
资助金额：
20.0万
负责人：
齐峰
依托单位：
山东师范大学
学科分类：
F0605.模式识别与数据挖掘
结题年份：
2018
批准年份：
2015
项目状态：
已结题
起止时间：
2016-01-01 至2018-12-31

项目参与者：
张鸿雁；郑自然；由雪梅；邱成功；薛洁；赵玉祯；冯倩倩；
关键词：
量子Qubit神经树群体智能 Qubit神经元进化计算

项目摘要

Quantum neural network is a combination with quantum computation, related research results show that it may become an important way for information process in future. Artificial neural tree network model is a neural network model, of which structure and parameters are obtained by tree-coding evolutionary algorithms and heuristic search algorithms, respectively and with characteristics of adaptive network structure, simple parameters optimization and so on. The most studied quantum Qubit neural network in quantum neural networks is selected as the breakpoint of this project, by improving the quantum Qubit neuron and introduced into neural tree network model, a new quantum Qubit neural tree network model(QQNTNM) is proposed, meanwhile the construction, description, optimization and simulation problems in the model are studied. Related works are expected to complete the following three research goals: (1) Improve the quantum Qubit neuron, introduce it into neural tree network model and give the construction and description method of the QQNTNM; (2) Propose three improved tree-based evolution algorithms for optimizing the structure of the QQNTNM; (3) Build the simulation experiment platform for the QQNTNM to make validation and analysis on the related works.

量子神经网络是量子计算和人工神经网络的结合体，相关研究结果表明它可能成为未来信息处理的重要手段。人工神经树网络模型则是一种通过树编码进化算法和启发式搜索算法实现网络结构和参数优化的神经网络模型，具有网络结构自适应、参数优化简单等特点。本课题以量子神经网络中研究和应用较多的量子Qubit神经网络为切入点，通过改进量子Qubit神经元，将其引入神经树网络模型，提出一种新的量子Qubit神经树网络模型，并对模型的构建、优化和实验仿真等问题进行研究。课题预期研究目标包括三部分：(1) 改进量子Qubit神经元，给出量子Qubit神经树网络模型的构建和描述方法；(2)提出三种改进的基于树编码的进化算法，实现所提模型的结构优化； (3) 研究并搭建所提模型的仿真实验平台，对相关研究内容进行验证和分析。

结项摘要

本课题以量子Qubit神经树网络模型为研究对象，分别在模型的构建和描述、结构优化、参数优化以及仿真实验等方面开展了相关的研究工作。其中，在模型构建和描述方面，解决了量子Qubit神经元改进、模型构建规则和模型描述等问题；在结构优化方面，设计并实现了四种结构优化算法：基于积木块库的改进遗传规划算法、基于树编码的粒子群优化算法、基于层次可变概率向量的PIPE算法和改进的基因表达式编程算法；在参数优化方面，解决了模型待优化参数的编码问题并引入了两种新的参数优化算法：差分进化算法和天牛须搜索算法；在仿真实验方面，完成了仿真实验平台的功能模块构建并自主设计和开发了基于控制台应用程序和windows应用程序的仿真软件。同时，还在深度学习中的卷积神经网络以及膜计算中的神经膜系统等方面开展了部分相关的研究工作。综上所述，本研究为量子Qubit神经树网络的理论和应用研究奠定了坚实的基础，同时在深度学习及膜计算等领域的初步探索为后续神经网络研究的转型提供了必要的条件。项目资助发表SCI论文6篇，EI论文10篇，中文核心论文1篇。培养硕士生4人，其中2人已经取得硕士学位，2人在读。项目投入经费20万，支出14.667万，各项支出基本与预算相符。剩余经费5.333万，剩余经费计划用于本项目研究后续支出。