一种基于分布式并行差分进化算法的参数优化方法技术

本发明专利技术涉及量子通信领域，尤其是一种基于分布式并行差分进化算法的参数优化方法，在量子密钥分配系统中，经初始化、变异、交叉、选择操作，对光强及其选择概率等参数进行优化，使该系统能够取得最佳的密钥率。本发明专利技术通过差分进化、结合并行计算的方法，极大地提高了运算速度，从而获得了更高的密钥率和更远的传输距离。本发明专利技术以参考系和测量设备双无关量子密钥分配协议系统为例进行介绍，但不仅限应用于量子密钥分配系统参数优化，也同样适用于其他量子通信、量子计算、量子测量等包含多参数的复杂系统的参数优化过程。杂系统的参数优化过程。杂系统的参数优化过程。

【技术实现步骤摘要】
一种基于分布式并行差分进化算法的参数优化方法


[0001]本专利技术属于量子信息
，具体涉及一种基于分布式并行差分进化算法的参数优化方法。

技术介绍

[0002]作为量子通信的核心，量子密码的安全与否直接决定了量子通信系统的安全性。而量子密码的安全性，基于量子力学的基本原理之上。通过结合香农提出的“一次一密”(OTP)定理，原则上可以为合法用户(Alice、Bob)提供无条件安全性的量子通信。从BB84协议提出以来，量子密码在理论上及实验上均取得了巨大的进步，而诱骗态测量设备无关QKD(Measure
‑
device
‑
independent Quantum Key Distribution,MDI
‑
QKD)协议的出现，弥补了理论和实际QKD安全性的差距，它既解决了由非理想光源引起的光子数分束攻击，也免疫了所有针对探测端的攻击。另一方面，参考系无关的QKD(Reference
‑
frame
‑
independent QKD,RFI
‑
QKD)协议，不要求在Alice和Bob之间进行参考系校准，因而提升了量子密钥分配系统的鲁棒性和实用性。而RFI
‑
MDI
‑
QKD协议，则结合MDI和RFI系统的优点，进一步提高了系统的安全性。在实际RFI
‑
MDI
‑
QKD系统中，态的光强及态制备时选基、发送的概率需根据不同场景进行变化，以获得更高的密钥率和更远的传输距离，而这些往往可以通过参数优化得到。传统的优化方法为局部搜索算法(Local search algorithm，LSA)，该算法通过对一个参数在一个维度上取最优，循环往复，以实现整体参数的优化。因此，传统的LSA方法优化耗时较大，仅适用于凸函数优化问题，且无法用于计算机并行处理。

技术实现思路

[0003]本专利技术目的在于针对现有技术的不足，提出了一种基于分布式并行差分进化算法的参数优化方法，差分进化(Differential Evolution,DE)算法不要求目标函数的凸性，还可与计算机并行处理相结合。
[0004]本专利技术的一种基于分布式并行差分进化算法的参数优化方法，依次包括初始化操作、变异、交叉、和选择操作，所述参数优化方法用于量子密钥分配系统，具体包括如下步骤：
[0005]步骤1，初始化操作；
[0006]初始化操作的目标是生成多个D维参数向量组成的初代种群，种群中的每一个体，即为一组解向量，也即其中i＝1...,NP，NP为种群中个体数，对应QKD协议(Quantum Key Distribution)中需要优化的D个参数，所述D个参数包括光强、发送光强的概率、以及制备态时选基的概率，且解向量中的每个参数都有相对应的参数范围[min，max]。
[0007]步骤2，变异操作；
[0008]将种群初始化后，针对当前种群中每个个体(目标向量)，使用突变策略生成突变向量。对于QKD协议中需优化的参数构成的现有目标向量，都可以通过突变策略生成相应的
突变向量。在本专利技术中，采用如下的突变策略生成突变向量：
[0009][0010]其中，X
best,G
是种群中最优的个体向量，比例因子F是对差向量进行缩放的正向控制参数，本专利技术中将其设为F＝0.8，和是[1,NP]范围内随机生成互斥整数，和为种群中任意选择的两个向量。
[0011]步骤3，交叉操作；
[0012]变异操作结束后，需对每一对目标向量X
i,G
，及其对应的突变向量进行交叉操作，生成实验向量:在本专利技术中，采用了二项(统一)交叉，定义如下
[0013][0014]式中，CR为交叉率，是[0,1]范围内用户指定的常量，用于控制从突变向量复制的参数值的比例；j＝1,2,...D，j
rand
是[1,D]范围内随机选择的整数。条件j＝j
rand
是为了保证实验向量U
i,G
与目标向量X
i,G
至少相差一个参数。
[0015]在生成实验向量U
i,G
后，若实验向量U
i,G
中的参数值超过设定的参数范围时，则需在设定的参数范围将这些参数随机且均匀的进行初始化。
[0016]步骤4，选择操作；
[0017]计算机分别依据密钥率公式计算每个实验向量条件下生成的目标函数值R(U
i，G
)，以及当前种群中相应目标向量X
i，G
下生成的目标函数值R(X
i，G
)，对实验向量生成的目标函数值R(U
i，G
)和目标向量生成的目标函数值R(X
i，G
)进行对比和评估，由评估结果对实验向量实现选择操作。所述目标函数值为密钥率，若实验向量的目标函数值R(U
i，G
)大于或等于相应的目标向量R(X
i，G
)，则实验向量将取代目标向量进入下一代G+1的种群，即X
i，G+1
＝U
i，G
；
[0018]重复上述步骤2
‑
4，当迭代次数达到预设上限，或R(U
i，G
)
‑
R(X
i，G
)达到设定精度，即保留对应的最优参数，并输出现阶段目标函数值R的最大值。
[0019]进一步的，步骤1中，在参数向量中第j个参数在生成时，其在G＝0代的第i个个体的初始值由式子决定，其中，j表示向量X
i，G
的第j个参数，j∈(1，2
……
，D)，rand(0，1)表示[0，1]范围内均匀分布的随机变量。
[0020]进一步的，在步骤1初始化操作阶段，引入分布式并行计算，由主计算机将个体中各参数需满足的参数范围放置在共享单元文件夹内，再由各子计算机进行读取，并按上述策略进行计算，获得初始种群中的各参数向量，并在将各子计算机获得的初始种群中的各向量汇总到主计算机。
[0021]进一步的，步骤4采用了分布式并行计算：主计算机将多个实验向量U
i，G
，目标向量传X
i，G
递至其它分计算机，随后，各子计算机分别依据密钥率公式计算每个实验向量的目标函数值R(U
i，G
)，以及当前种群中相应目标向量X
i，G
的目标函数值目标函数值R(X
i，G
)，再将计算出的R(U
i，G
)和R(X
i，G
)通过共享目录汇总至主计算机，由主计算机进行对比和评估。
[0022]进一步的，对于采用四强度诱骗态方案的RFI
‑
MDI
‑
QKD系统，在四强度诱骗态方案
中需要制备1种信号态及3种诱骗态，四种态的光强表示为(μ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式并行差分进化算法的参数优化方法，其特征在于，具体包括如下步骤：步骤1，初始化操作；初始化操作的目标是生成多个D维参数向量组成的初代种群，种群中的每一个体，即为一组解向量，也即其中i＝1...,NP，NP为种群中个体数，对应QKD协议中需要优化的D个参数，所述D个参数包括光强、发送光强的概率、以及制备态时选基的概率，且解向量中的每个参数都有相对应的参数范围[min，max]；步骤2，变异操作；将种群初始化后，针对当前种群中每个个体，使用突变策略生成突变向量；在本发明中，采用如下的突变策略生成突变向量：其中，X
best,G
是种群中最优的个体向量，比例因子F是对差向量进行缩放的正向控制参数，和是[1,NP]范围内随机生成互斥整数，和为种群中任意选择的两个向量；步骤3，交叉操作；变异操作结束后，需对每一对目标向量X
i,G
，及其对应的突变向量进行交叉操作，生成实验向量:在本发明中，采用了二项(统一)交叉，定义如下式中，CR为交叉率，是[0,1]范围内用户指定的常量，用于控制从突变向量复制的参数值的比例；j＝1,2,...D，j
rand
是[1,D]范围内随机选择的整数；条件j＝j
rand
是为了保证实验向量U
i,G
与目标向量X
i,G
至少相差一个参数；在生成实验向量U
i,G
后，若实验向量U
i,G
中的参数值超过设定的参数范围时，则需在设定的参数范围将这些参数随机且均匀的进行初始化；步骤4，选择操作；依据密钥率公式计算每个实验向量生成的目标函数值R(U
i,G
)，以及当前种群中相应目标向量X
i,G
生成的目标函数值R(X
i,G
)，并对实验向量生成的目标函数值R(U
i,G
)和目标向量生成的目标函数值R(X
i,G
)进行对比和评估，由评估结果对实验向量实现选择操作；若实验向量的目标函数值R(U
i,G
)大于或等于相应的目标向量R(X
i,G
)，则实验向量将取代目标向量进入下一代G+1的种群，即X
i,G+1
＝U
i,G
；重复上述步骤2
‑
4，当迭代次数达到预设上限，或R(U
i,G
)
‑
R(X
i,G
)达到设定精度，即保留对应的最优参数，并输出现阶段目标函数值R的最大值。2.根据权利要求1所述一种基于分布式并行差分进化算法的参数优化方法，其特征在于，步骤1中，在参数向量中第j个参数在生成时，其在G＝0代的第i个个体的初始值由式子决定，其中，j表示向量X
i,G
的第j个参数，j∈(1,2
……
,D)，rand(0,1)表示[0,1]范围内均匀分布的随...

【专利技术属性】
技术研发人员：刘琨，孙铭烁，王琴，刘靖阳，周星宇，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：