System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
【】本专利技术属于网络信息与量子计算的交叉领域,具体涉及一种基于qsvm量子增强求解战术行动中任务切割分组问题的方法
技术介绍
0、
技术介绍
1、军事c2组织中任务指的是需要特定的物理资源和决策支持才能完成的活动,是对军事c2组织作战使命进行分解得到的基本过程单元。任务作为军事c2组织元素之一,是军事c2组织设计的基础。所以任务集优化的优劣直接会对军事c2组织的性能和运行效率产生影响。由于联合作战战役行动中任务优化问题涉及大量的使命任务,同时还需要考虑任务的地理位置、资源需求、任务决策负载等属性,因此属于典型的复杂问题求解。针对这种情况,可以根据军事c2组织结构设计的粒度原理,通过引入问题论域的粒度计算来简化原问题的求解。其原理就是根据作战的目标和要求,按照任务的属性或者特征,对原任务集进行分类和分解,然后再进一步进行优化配置,从而将一个复杂的问题转化为若干个简单的问题进行求解。这种对任务集进行分解的求解思路与多分类问题的求解思路基本一致,因此利用求解多分类问题的方法可用来解决联合作战战役行动中任务切割分组问题。
2、目前针对多分类问题主要采用的求解方法有决策树、贝叶斯、神经网络、k-近邻、svm等方法。其中svm算法因其是基于vc维和结构风险最小化等统计学习理论,具有较好的泛化性、能够避免过拟合,因此该分类方法结果具有精确性和稳定性,在实际应用中较为广泛。但是,随着训练数据集合的数量和特征维度不断增大,经典算法的计算复杂度就会大幅提升,使得问题很难在多项式时间内进行求解。
3、鉴于此,实
技术实现思路
0、
技术实现思路
1、针对上述问题,本专利技术提供一种基于qsvm量子增强求解战术行动中任务切割分组问题的方法,该方法对训练数据集合进行了量子化,并构建了一种量子态内积求解的量子线路,利用量子计算在矩阵运算中所具有的加速优势,实现对该部分的量子增强,因此该方法不但提高了算法的适应性和鲁棒性,还大大降低了算法的计算复杂度,可以达到指数级效果。
2、本专利技术是通过以下技术方案实现的,提供一种基于qsvm量子增强求解战术行动中任务切割分组问题的方法,包括以下步骤:
3、s1以量子力学和量子计算理论为基础,对多分类支持向量机的训练数据集合进行量子化,生成对应的量子态;
4、s2构建一个量子态内积对应的量子路线,利用量子态内积对应的量子路线计算数据集合中各类间最近样本之间的欧氏距离和各类样本中心之间的欧氏距离,并建立欧氏矩阵,将各类样本之间的欧氏距离和样本中心之间的欧氏距离转化为量子态内积的形式;
5、s3对算法中核函数部分进行量子化处理,转化为量子态内积的形式,通过构建量子态内积的量子线路进行计算,对算法中线性方程部分通过设计基于量子奇异值评估的量子线路进行计算。
6、特别的,所述s2具体按照如下方案实施:
7、s21设训练数据集合为s,含有t个类别,在训练数据集合s中,任意两个类别间最近样本之间的欧氏距离用如下公式(1)进行计算:
8、
9、于公式(1)中,i=1,2,…,t,xi表示第i类的训练数据集合集,含有ni个训练数据集合,每个训练数据集合特征维度为m;
10、设第i类中任意训练数据集合为其中ni∈ni,第j类中任意训练数据集合为其中nj∈nj,则公式(1)进一步推导为:
11、
12、同理,在训练数据集合s中,第i类的训练数据集合集的中心位置、第j类的训练数据集合集的中心位置之间的欧氏距离用如下公式计算:
13、d′i,j=||ci-cj|| (3),
14、于公式(3)中,ci表示第i类的样本集的中心位置,cj表示第j类的训练数据集合集的中心位置,其中,ci采用如下公式计算:
15、
16、于公式(4)中,ni是第i类的样本总数,表示类i中的一个训练数据集合;
17、设第i类的训练数据集合集的中心位置ci=(ci1,ci2,…,cim)t,设第j类的训练数据集合集的中心位置cj=(cj1,cj2,…,cjm)t,公式(4)进一步推导为:
18、
19、通过公式(2)和(5),得出无论是求解任意两个类间最近样本之间的欧氏距离还是求解任意两类训练数据集合中心之间的欧氏距离,都可以转化为训练数据集合之间内积运算进行求解;
20、s22计算训练数据集合s中各类间最近样本之间的欧氏距离和各类样本中心之间的欧氏距离,并构造欧氏距离矩阵g,其中矩阵的第1列表示第i类,第2列表示第j类,第3列表示类i和类j之间最近样本的欧氏距离d″i,j,第4列表示类i和类j样本中心之间的欧氏距离d′i,j,当问题类别为t时,欧氏距离矩阵g可以表示为:
21、
22、特别的,所述s22中,在构建完欧氏距离矩阵g后,需要更新数据集合,具体按照如下方案实施:
23、s221在欧氏距离矩阵g中,找出训练数据集合s中拥有最近样本间欧氏距离最大值(maxd″i,j)的两个类i和j,并依次存入集合s1和s2中,更新s=s-(s1+s2);
24、s222若则执行s224;
25、s223在欧氏距离矩阵g中,依次对类m(m∈s)分别到类i(i∈s1)和类j(j∈s2)的类中心欧氏距离d′m,i和d′m,j进行比较,如果d′m,i≤d′m,j,则将类别m加入集合s1中,否则加入集合s2,并更新s=s-(s1+s2),直至为止;
26、s224分别将集合s1和集合s2作为二叉树的左右子树,并且在二叉树的结点处训练一个二分类支持向量机;
27、s225更新s=s1,如果s中只含有1个类别的训练数据集合,将这个类别作为二叉树的叶结点,算法结束;否则,按s221至s224的方法,利用svm算法对左子树继续进行分类求解,得到2个次子树,在此基础上继续循环,当全部二叉树结点处含有的类别数量为1时停止循环;
28、s226更新s=s2,如果s中只含有1个类别的训练数据集合,将这个类别作为二叉树的叶结点,算法结束;否则,按s221至s224的方法,利用svm算法对右子树继续进行分类求解,得到2个次子树,在此基础上继续循环,当全部二叉树结点处含有的类别数量为1时停止循环。
29、特别的,所述s3中,对算法中核函数部分进行量子化处理前,用最小二乘支持向量机作为任意一个非叶结点处的二分类支持向量机,在二分类支持向量机训练过程中,设训练数据集合集为x,x=xi∪xj,训练集的样本数量为n,n=ni+nj,训练数据集合的特征维度为m,引入误差变量εi和正则化参数τ后,对应的数学模型可以表示为:
30、目标函数:
31、约束条件:yi(w′txi+b′)=1-εi,(i=1,2,…,n) (8),
32、于公式(8本文档来自技高网...
【技术保护点】
1.基于QSVM量子增强求解战术行动中任务切割分组问题的方法,其特征在于,包括下列步骤:
2.根据权利要求1所述的基于QSVM量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述S2具体按照如下方案实施:
3.根据权利要求2所述的基于QSVM量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述S22中,在构建完欧氏距离矩阵G后,需要更新数据集合,具体按照如下方案实施:
4.根据权利要求3所述的基于QSVM量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述S3中,对算法中核函数部分进行量子化处理前,用最小二乘支持向量机作为任意一个非叶结点处的二分类支持向量机,在二分类支持向量机训练过程中,设训练数据集合集为X,X=Xi∪Xj,训练集的样本数量为N,N=Ni+Nj,训练数据集合的特征维度为M,引入误差变量εi和正则化参数τ后,对应的数学模型可以表示为:
5.根据权利要求4所述的基于QSVM量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述S3在量子路线系统中,选用RY(θ)量子逻辑门对量子态振
6.根据权利要求5所述的基于QSVM量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述S3具体按照如下方案实施:
...【技术特征摘要】
1.基于qsvm量子增强求解战术行动中任务切割分组问题的方法,其特征在于,包括下列步骤:
2.根据权利要求1所述的基于qsvm量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述s2具体按照如下方案实施:
3.根据权利要求2所述的基于qsvm量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述s22中,在构建完欧氏距离矩阵g后,需要更新数据集合,具体按照如下方案实施:
4.根据权利要求3所述的基于qsvm量子增强求解战术行动中任务切割分组问题的方法,其特征在于,所述s3中,对算法中核函数部分进行量子化处理前,用最小二乘支持向量机作为任意一个非叶结点处的二分类支持向量机,...
【专利技术属性】
技术研发人员:张毅军,何远辉,高梅,郑寇全,邢立鹏,张林胜,赵源,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。