使用改进的遗传算法（量子遗传算法）求解多元函数的最值问题（matlab），注释详细，可用来学习
!量子比特表示
量子遗传算法这玩意儿在优化领域算是个骚操作，把量子计算的叠加态概念揉进传统遗传算法里。今天咱们直接撸个Matlab实战，用改进版量子遗传算法找多元函数最值。就拿六维Rastrigin函数开刀（这函数到处都是坑爹的局部最优，特别适合测试算法性能）。
先整点参数设置垫个底：
%% 参数初始化 pop_size = 80; % 种群规模 var_num = 6; % 变量维度 qubit_num = 20; % 每个变量用几个量子位表示 max_gen = 150; % 最大迭代次数 mutation_rate = 0.1;% 变异概率这里qubit_num决定了变量的编码精度。量子位越多，解的精度越高，但计算量也会指数级增长。一般实际问题取15-25之间足够用了。
接着搞量子种群的初始化：
% 初始化量子种群（角度表示） Q = pi/4 * ones(pop_size, var_num*qubit_num); % 所有量子位初始化为π/4的叠加态 best_fitness = -inf; % 记录历史最佳适应度 % 目标函数（六维Rastrigin） rastrigin = @(x) sum(x.^2 - 10*cos(2*pi*x) + 10, 2);量子角度初始化为π/4这个操作很关键，这时候量子位的观测概率刚好是0.5，处于完全叠加态，保证初始种群的多样性。
主循环开始前先整个观察量子态的操作：
for gen = 1:max_gen % 观测量子态生成二进制种群 binary_pop = zeros(pop_size, var_num*qubit_num); for i=1:pop_size prob = cos(Q(i,:)).^2; % 计算观测概率 binary_pop(i,:) = prob > rand(1, var_num*qubit_num); % 量子坍塌 end这里用cos²θ作为观测到1的概率，rand生成随机数模拟量子坍塌过程。注意这步相当于把连续的量子态转换成经典二进制编码。
使用改进的遗传算法（量子遗传算法）求解多元函数的最值问题（matlab），注释详细，可用来学习
接下来要把二进制串解码成实际变量值：
% 二进制转十进制 X = zeros(pop_size, var_num); for i=1:var_num start = (i-1)*qubit_num + 1; end_idx = i*qubit_num; bin_matrix = binary_pop(:, start:end_idx); X(:,i) = bin2decMat(bin_matrix) * (5.12/(2^qubit_num-1)) - 2.56; % 映射到[-5.12,5.12] end % 计算适应度 fitness = -rastrigin(X); % 求最大值所以取负 [curr_max, idx] = max(fitness);bin2decMat这个自定义函数要把二进制矩阵转十进制（文末给源码）。变量范围映射到[-5.12,5.12]是Rastrigin函数的标准定义域。
重点来了——量子旋转门更新：
% 量子旋转门调整 delta_theta = 0.05*pi; % 旋转角步长 for i=1:pop_size for j=1:var_num*qubit_num if binary_pop(i,j) == binary_pop(idx,j) % 与精英个体相同则加强当前状态 Q(i,j) = Q(i,j) + delta_theta*sign(cos(Q(i,j))); else % 不同则趋向精英个体 Q(i,j) = Q(i,j) - delta_theta*sign(cos(Q(i,j))); end Q(i,j) = mod(Q(i,j), 2*pi); % 防止角度溢出 end end这里用当前最优个体引导种群进化。delta_theta控制收敛速度，太大容易错过最优，太小收敛慢，实际调参时可以动态调整。
画个收敛曲线看看效果：
% 记录收敛过程 convergence(gen) = -curr_max; % 动态显示 if mod(gen,20)==0 fprintf('第%d代, 当前最优解:%.4f\n', gen, -curr_max); end end % 绘制收敛曲线 plot(convergence); xlabel('迭代次数'); ylabel('最优值'); title('适应度收敛曲线');!收敛曲线示例
典型的指数型收敛曲线，前50代快速下降，后面进入微调阶段。实际跑程序时可能会出现小幅震荡，这是算法在跳出局部最优的正常表现。
最后把几个关键函数补上：
function dec = bin2decMat(bin_mat) [~,n] = size(bin_mat); dec = bin_mat * (2.^(n-1:-1:0))'; end这个二进制转换函数用了矩阵运算，比用字符串转换快N倍，尤其是处理大规模种群时速度差距明显。
避坑指南：
- 量子位数目别超过25，否则二进制转十进制时会溢出
- 旋转角delta_theta建议从0.1π开始尝试
- 出现早熟收敛时，适当提高变异概率到0.15-0.2
- 六维问题种群规模不要小于50
量子遗传算法的精髓在于量子态的并行搜索能力，比起传统GA，在保持种群多样性的同时收敛速度更快。代码里那些cos²θ和旋转门操作，本质上是在利用量子叠加态同时探索多个区域。不过要注意，这算法对高维非凸问题虽然有效，但时间复杂度还是偏高，实际应用时得权衡精度和计算成本。
