量子计算的优势范文1
【关键词】计算机技术 信息化 发展趋势
一、计算机科学与技术的历史步伐
已去的20 世纪，是计算机飞速发展的一个时期。世界上第一台电子计算机“ENIAC”诞生于1946年，至此计算机的发展才不过60年的光阴。现代计算机体系结构的形成及其技术实现的有关发明，主要归功于两位数学家，与四位物理学家，由于他们的不懈努力奠定了计算机科学与技术发展的基石。
英国数学家布里顿.艾伦.图灵和美国数学家冯.诺依曼在计算机体系结构方面做出了巨大的贡献。1935 年到1936年间由图灵设计的抽象计算机“图灵机”成为计算机发展历史中的里程碑，因此，图灵被人们公认为计算机科学之父。冯.诺依曼在1945年总结了ENIAC计算机的优缺点， 提出了基于存储程序的通用电子计算机EDVAC逻辑设计方案，1952年成功设计建造，它在体系结构设计中实现了数字化的计算过程、存储程序控制并按电子学原理工作，这三点奠定了现代计算机体系结构的基础，因此，人们又把现代计算机称之为“冯.诺依曼计算机”。
1947美国贝尔实验室的物理学家威廉.肖克莱、约翰.巴丁和沃尔特.布莱顿共同发明了晶体管，他们一起成为了晶体管之父。11年之后，美国物理学家杰克.基尔比研制出第一块集成电路（IC），从此，以晶体管为基础的芯片按照摩尔预言的速度发展，带来了今天计算机的普及，基尔也成为了电子学革命之父。
大规模集成电路的发展和微处理器的出现，其直接成果就是带来了计算机的高性能和快速小型化，1971年，世界上第一款微处理器—Intel4004问世，1978年，英特尔公司开发出了8086，首次用于IBM PC机中，电脑走入家庭。一个全新的概念“个人电脑（PC）”取代了“微电脑”的概念，
二、计算机科学与技术得到发展的原因
（一）日新月异的时代需求
起初对计算机的时代需求为“二战”时期，有着对各种信息进行处理加工的欲求，这样促使进算计的研发运用。随后信息化时代的快速发展，计算机的运算速度也在不断的提高，存储功能不断强大，使其在教育、经济等领域迅速发展普及。市场激烈的竞争之下，计算机要顺应社会需求，不断的研发变化着，无形的竞争很大程度上促进了计算机科学技术的发展进步。
（二）稳定的选择机制基于计算机技术
对于相互竞争的技术价值做出一个共识性判断之前需要一段时间，这种不确定因素可能最后影响选择机制。大多数，同时发挥作用的围绕计算机技术的若干选择判据和机制及其影响要素，选择的环境常常是非常敏锐和稳定的，这是计算机技术迅速发展的一个重要原因。
在实践中，最强的技术性创新，把经济之间的激烈竞争转化为了技术性的较量。其计算机的发展在工程学科和应用学科也给我们许多启发。这使计算机的选择机制判断更加稳定明显，这样就更容易解决计算机在生产生活的运用中所存在的各种问题。同时，计算机选择机制的发展与计算机的发展是一种双向促进的关系，一种技术的发展可以促进另一种技术的进步。
（三）科学技术的发展离不开计算机技术的支持
新一代的技术与其他领域结合，又为了满足其需求不断的研发更新，慢慢计算机技术成为生活生产中的重要工具，并成为其他行业生产中重要的工具，直接与间接的促进了各个行业科学技术的发展，最终提高了社会的经济水平。
三、计算机科学与技术的发展趋势
计算机的具体发展趋势主要分为两大部分：
（一）智能化
智能化计算机是指设计结构独特并采用平行的处理技术，对计算机中的多个数据及多种指令可进行同时处理和分析的一种超级计算机。超级计算机相对于普通的计算机来说有着更高的运算速度。这些更智能化的计算机跟接近与人类大脑的性能，可以为人们生活和工作提供方便。更可以在某些高端行业，帮忙处理大量繁杂数据，提高工作效率，节省时间与成本。这也就是计算机发展的趋势是更人性化，更智能化。
（二）新型计算机
计算机的发展是基于硅芯片技术的不断更新，但由于需求的不断加强，硅芯片的研发潜力已近极限。所以很多新型计算机就成为了计算机技术的发展趋势。
（1）纳米计算机。计算机技术与纳米技术相结合，便有了纳米计算机。纳米元件与电子元件相比，其体积较小，质地优良且导电性能较高，完全可以取代传统的硅芯片。纳米技术兴起于20世纪80年代初，纳米作为一种计量单位，它的目标是使人类可以自由的操作原子。使用纳米级芯片组成的纳米计算机的能耗非常小，几乎可以忽略不计，性能上远远高于现有的计算机，所以纳米计算会是计算机技术的发展趋势之一。
（2）量子计算机。量子力学的原理来对大量数据进行运算以及存储和分析处理的源自可逆计算机的一种物理装置，而量子计算机就是基于这个。量子效应是量子计算机研发的基础，这种计算机中，开与关的状态是通过激光脉冲来改变一种链状分子聚合物的特性来决定的。由于量子的叠加效应，与传统计算机对比而言，量子计算机存储的数据量要大得多，还有就是，其运算速度是传统计算机的十亿倍。除了其存储性能及运算速度方面的优势外，其在安全性及安保体系等方面的优良性能也远远高于传统计算机。这也成为了计算机发展的另一趋势。
（3）光子计算机。光子计算机是利用光子进行计算，用光子代替传统的计算机通过电子进行数据计算、传输和储存。并把传统计算机的导线互联转变成了光互联。传统的计算机硬件结构复杂，多数为电子硬件，而光子计算机则为光子硬件，并为光运算，不同的数据是由光的不同波长表现出来的，对于复杂的任务可以进行快速处理。成为新型计算机一员。
四、总结
以上为对计算机科学与技术发展趋势的探究，从其发展趋势到发展其必要原因到未来计算机从智能化到新型化的发展态势的必然进行了探究阐述。
量子计算的优势范文2
【关键词】计算机科学 技术 发展趋势 探讨
计算机已经有60多年的发展基础，计算机的开发与应用等多方领域得到了飞速的发展。伴随着社会的不断变迁以及科学技术的迅速发展，计算机的更新与发展也是日新月异，并且在自身飞速发展演变的同时还衍生出众多的发展方向。如今计算机已经在各个领域都涉及广泛，例如军事、政治、文化等。本文通过对计算机的发展历程分析，从而对计算机未来的趋势进行了浅析和探讨。
1 计算机科学与技术的历史步伐
20世纪在美国诞生了世界上第一台计算机，标志着我们进入信息化的时代，当时的计算机体积和重量庞大，运行速度也慢，成本也非常高。但是随着社会科学的不断发展和进步，许多国家机关和一些先进企业开始利用计算机来进行一些高度数据的处理，处理器也随着发展的需要而诞生，并逐渐得到广泛的利用。到了1982年，诞生了世界上第一台个人计算机，这样计算机的成本得到了明显的降低，也可以更广泛的得到发展和利用。所以计算机的应用逐渐从政府机关开始延伸到中小型的公司企业，最终甚至延伸到了普通家庭中来。总体来看，计算机一直沿着积极的方向迅速发展。随着科学技术的不断发展和深入，计算机的应用领域也是出现了分化的趋势，首先计算机被高度利用在国防，军事和科技研发中。其次，计算机的微型领域也是得到了科学迅速的发展，融入到了各个行业领域中。经过六十多年的发展，计算机已经逐渐深入到了人们的生活中，很大程度上丰富了人们的生活，社会进步的速度也在不断更新。
2 计算机科学与技术得到发展的原因
2.1 时展的需要
如今信息化的进程在不断的更新，计算机科学与技术也是随着时代的迅速发展而发展。最初计算机是由于战争的需要和繁多的信息数据的处理需要，加之计算机的发展技术还不够成熟，会在利用计算机的过程中投入大量的人力和财力。但是正是因为这样才能促进计算机的诞生以及不同领域的需要促使计算机技术的不断发展。现在，由于国家政府对计算机技术的大量需求和利用，需要通过利用计算机科学与技术来对国家各个领域的发展起到推动的作用，对计算机各种硬件和软件的要求也越来越高，这就使得计算机的革新技术的速度也随着需求而加快了发展的脚步。
2.2 技术的发展基于计算机的理论基础
在计算机技术更新的研发中，开发者需要有活跃的设计开发理念创新，并要把这些创新理念实际应用到具体计算机技术操作当中。当然创新理念在应用中需要不断的检验才能证明其是否存在利用价值，会不会对原来的操作产生更为便捷的途径。在检验计算机技术是否成熟的过程中必然会出现失败或者错误的情况，这就需要研究者不断进行反思和修改，并促进其开发研究内容的更加丰富和实用。当某一个计算机技术成熟后会对下一次的技术革新有强大的推动作用。
3 计算机科学与技术的发展趋势
3.1 智能化的计算机
如今各个领域对计算机的要求日益趋高，很多计算机的旧技术已经不能满足大量数据整理的需求。所以就需要更为强大的计算机技术来满足需求。智能化的计算机的研究利用，它在较之前的计算机有了处理速度上的提升，以及更全面的数据技术的分析和处理。节省更多的时间，大大增强了工作效率。
3.2 新型的计算机
硅技术在近些年的技术发展到了一个瓶颈期，所以要发新的技术成为当前信息化社会发展的一个重要目标。计算机领域的研究人员把目光投入到光子计算机、量子计算机和纳米计算机等新型计算机的研究开发。而今计算机更新换代的周期越来越短，所以新型计算机的广泛应用也指日可待。
3.2.1 光子计算机
光子计算机是利用光子对大量数据进行处理和分析的，采用光子硬件和光子运算方式，数据处理量大，处理的速度也快，使更为复杂的数据的处理在光子计算机的技术上得到优化。所以光子计算机会随着对计算机科学技术要求的不断提升会成为新型的计算机类型。
3.2.2 量子计算机
量子计算机是对庞大的数据量进行运算处理储存和分析处理源，它是在遵循量子力学规律原理的依据上进行大量数据的处理和运算的。与传统的计算机比较起来，量子计算机在计算速度方面也是要快许多的，主要原理是量子计算机可以通过量子来进行计算。并且量子计算机在系统的安全防护方面比传统计算机有明显的优势，这目前是很多人对计算机应用方面的追求。
3.2.3 纳米计算机
纳米计算机是把纳米技术运用到计算机的技术中来，通过纳米原件体积小的优势来取代传统原件，并且其导电性会比一般传统的计算机原件有明显突出的优点，相信纳米技术一定会成为计算机技术领域重要的一部分。
4 结语
综上所述，社会的发展已经不能与计算机科学技术的发展脱离，计算机技术对人们日常生活也有着越来越大的影响。计算机技术也不断朝着智能化、多元化的方向发展，对人们未来的生活和社会的发展提供强大的动力。
参考文献
[1]张瑞.计算机科学与技术的发展趋势探析[J].制造业自动化，2010（08）.
[2]谢平.对计算机科学与技术发展趋势的探讨[J].工程技术，2012（05）.
[3]郑宏莉.探究计算机科学与技术的发展趋势[J].信息技术，2014（36）.
量子计算的优势范文3
【关键词】差分进化;粒子群;定向变异;物流配送优化
1.引言
优化问题普遍存在于科学研究、经济管理和工程技术等诸多领域，近年来以遗传算法、粒子群算法和差分进化算法为代表的群智能优化算法得到了迅速的发展和广泛应用，与传统优化方法相比，这些智能优化算法的优势在于能够保证收敛的前提下，对所求优化问题动力学信息不苛求，具有全局优化能力。
差分进化算法（Differential Evolution， 简称DE）是一种新的进化计算技术，它其实是一种基于实数编码的具有保优思想的贪婪遗传算法。同遗传算法一样，差分进化算法包含变异和交叉操作，但同时相较于遗传算法的选择操作，差分进化算法采用一对一的淘汰机制来更新种群。它的特点是具有良好的优化性能，但是对于多峰值函数以及搜索空间较大时，算法收敛速度较慢，且易早熟。粒子群优化算法（Particle Swarm Optimization， 简称PSO）也是一种典型的群智能算法，它源于对鸟群、鱼群觅食行为的研究和模拟。PSO算法简单易于实现，并且在保持种群多样性上具有一定优势，且具有相对较快的收敛速度。在PSO算法中，群体中所有的粒子具有相同的搜索行为，并表现出相同的全局或局部搜索能力。
2.研究现状
PSO和DE算法都是一种基于群体进化的智能优化算法，他们有自身的特点和优势，同样也都存在缺陷和不足。具体讲就是DE是一种基于随机种群搜索的算法，它通过特有的变异、交叉和选择操作使种群能够快速进化到最优值附近，算法简单，控制参数少，易于实现。DE算法在具有简易和快速收敛性的同时，其在种群多样性方面优势不明显，算法易陷入局部极小。PSO算法也比较简单，便于实现，并且在种群多样性保持上具有一定优势，收敛速度相对较快。
国内外很多学者对DE和PSO算法进行了深入研究，文献[2]在基本差分进化算法的基础上，把自适应变空间思想融入提出了自适应变空间差分进化算法，在进化代数达到预设周期整数倍时，按变空间算法自动扩展或收缩搜索空间，实现了自动寻找合适搜索空间、提高收敛速度和精度的目的;文献提出了两种新的改进算法：DERL和DELB，并进行了大量对比仿真，验证了改进算法的有效性;文献改进了粒子速度的更新公式，引入了惯性权因子，并提出了自适应调整的策略，使算法在搜索初期有较大的搜索能力，而在后期又能得到较精确的结果。文献[9]提出了算法模型，PSO模型是基于繁殖和子种群的杂交，在子群的繁殖过程中，PSO算法引入繁殖概率，每次迭代可产生相同数目的后代微粒，父代微粒可用后代微粒取代，实现保持不变的种群的微粒数目，对于后代的微粒位置由父母位置的算术“交叉”得到，达到了防止早熟和加快收敛速度的效果。
另一方面，为突破单一算法的局限，继承和发扬算法各自的优点，国内外学者对混合种群智能优化算法进行了很多研究和探讨。文献[1]根据遗传算法和粒子群算法各自的特点，设计了一种遗传算法和粒子群优化的多子群分层混合算法，底层由遗传算法组成，贡献算法的全局搜索能力，上层由各子群的最有个体组成精英群，采用粒子群加速收敛。文献[10]结合混沌差分进化思想，提出混沌差分进化的粒子群优化算法，利用信息交换机制，引入混沌变异操作，用差分进化算法和粒子群算法将两组种群分别进行协同进化，提高了算法的局部搜索能力和收敛速度。文献[11]提出一种差分进化与粒子群双种群协同进化算法（DEPSO），仿真结果显示了有效性。基于上述思想，本文对差分进化和粒子群算法以及两者的混合算法进行了深入研究，提出了一种新的混合差分粒子群优化算法（New hybrid differential evolution and particle swarm optimization algorithm，简称NHDEPSO），仿真验证其有效性，并应用到物流配送问题研究中。
3.NHDEPSO算法
3.1 基本DE算法
DE算法是一种基于群体进化的算法，通过种群内个体间的合作与竞争来优化问题的解，具有记忆最优个体和共享种群内信息的特点，其本质就是一种用实数编码具有保优思想的贪婪遗传算法[19]。
算法首先要取得一组在搜索空间上随机初始化的种群：
（1）
Np是种群规模，经过一系列规定的操作，第t代个体进化为：
（2）
式中，D为所优化问题的维数。
为防止陷于局部极值，可采用变异进化，有多种变异的方式，本文列出其中DE/rand/1和DE/best/2：两种基本的变异方式。
（3）
（4）
式（1）和（2）中，当前种群中随机个体是各不相同的;为适应度最好的个体;为缩放因子。
交叉策略为：在种群中假设个体与进行交叉操作，产成试验个体，为了确证个体的进化，首先通过随机选择，使试验个体xT至少有一位由贡献。其他位则利用交叉概率因子CR，交叉操作方程为：
（5）
选择策略：采用“贪婪”的搜索策略，谁的适应值高，就选择谁作为子代：
（6）
上述算法中，父代两个不相同的随机个体相减得到差分矢量，随机选取第3个个体把差分矢量加到其上，产生一个变异的个体，依据一定的概率，将父代个体同变异个体之间进行交叉操作，得到试验的个体，然后按照应度函数值的大小在父代个体与试验个体之间进行选择，择优的个体作为子代，保证了最优的进化方向。
3.2 标准粒子群算法
标准PSO算法，是由m个粒子组成的群体在n维搜索空间中以一定的速度飞行，每个粒子在搜索时，考虑到了自己搜索到的历史最好点和群体内其他粒子的历史最好点，在此基础上进行位置的变化，直到满足条件时停止并输出最优解：
（6）
式中，上标i对应于第i个个体（，N为种群规模），下标j对应于粒子的第j维，t表示当前迭代代数;和分别表示第i个粒子的位置和速度，其中;是惯性因子;c1、c2分别是个体历史最优和全体最优的加速因子;r1、r2为[0，1]内随机数。
3.3 算法改进
对于DE算法和粒子群算法的改进，已有很多学者进行了研究，这里采用两种简单的改进方式，来提高算法的性能。文献[12]提出一种新的差分变异方式，该变异方式能有效地提高算法的收敛速度，同时也在一定程度上还能保持较高的种群的多样性。在种群中新的差分变异方案是随机选取不同的四个个体，来生成差分矢量对每代个体进行变异操作。其变异的方程为：
（7）
在（7）式的变异中，对于第t代的种群的第i个个体，基向量仍然采用，表示在的基础上进行变异，这种变异方式使初始种群的多样性得到了很好保持，种群进化的方向同时也得到了兼顾。后面一项是作为“扰动项”引入的，经过这种方式处理后，使变异后的个体可以保持尽可能大的差异，从而使种群的多样性得到很好的保持。
文献[13]认为以往的粒子群算法都是基于“位置”和“速度”两个概念，并且改进算法也都是围绕这两个参数增加操作算子，如杂交、变异等，使得算法描述越来越复杂。对此作者经过研究分析相关文献资料，提出一种简化的不含速度项的粒子群位置变换公式：
（8）
式中，右边的第1项为“历史（history）”部分，表示过去对现在的影响，通过调节影响程度;第2项为“认知（cognition）”部分，表示粒子对自身的思考;第3项为“社会（social）”部分，表示与邻居粒子的比较和模仿，实现粒子间的信息共享与合作。
3.4 NHDEPSO算法步骤
Step1：设定参数Np、D、D、CR、xmin、xmax、c1、c2等参数;设置进化代数计数器t=0;设置变空间次数最大值T。
Step2：初始化.在搜索空间[xmin，xmax]中随机产生Np个个体作为初始种群P（0）。
Step3：个体评价.计算群体P（t）中每一个体的评价函数值f（i），并根据评价值对和进行赋值。
Step4：按照（7）式进行变异操作产生群体P1（t）;按照（8）式进行变异操作产生群体P2（t）。
Step5：P1（t）和P2（t）按照（5）式进行交叉操作产生下一代种群P'（t）。
Step6：按照（6）式对种群P1（t）和P'（t）进行选择操作产生子代种群P（t+1），并对种群P（t+1）个体进行评价。
Step7：如满足精度则停止进化输出最优个体;否则，转步骤3。
4.算法性能分析
算法性能测试参数设置：设置维数D=30;种群规模取维数的5～10倍[4]，这里取NP=200;最大迭代次数8000;差分缩放因子取F=0.6;差分交叉概率取CR=0.6。设置粒子群算法参数=0.729，c1=c2=1.49445[14]，测试函数如表1所示。
对比算法选取标准DE、PSO和DEPSO算法， DE和PSO参数的设置同上，DEPSO参数设置参见文献[11]中的设置，仿真精度VTR=10-6。仿真结果如图1～3所示，为方便对比，在图1～3中取适应值的对数来画图。
对文献[15]测试函数F1-F4、文献[16]测试函数f 7和f 8进行仿真分析，参数设置同上。为便于比较4种方法计算6个测试函数的收敛情况，参考文献[15]，若求得的结果与理想最优解的误差若小于10-4，则视其算法收敛性已实现，最大迭代代数为4000。记录算法第一次达到收敛的代数和时间，分别称为收敛代数、收敛时间。采用编程工具MATLAB 2013a，配置计算机的系统为：Pentium4 3.00GHz，4GHz内存，Win7。每个测试的算法分别独立执行50次，分别平均计算50次的试验结果如表2所示。
表1 测试函数
函数名 表达式 取值范围
Dejong
Griewank
Rosenbrock
表2 基准函数的优化结果比较
算法 性能 F1 F2 F3 F4 f7 f8
PSO 收敛率 0.27 0.31 0.21 0.19 0.35 0.3
平均收敛代数 2358 3520 3200 3321 1920 1832
平均收敛时间/ms 45.32 86.22 75.26 82.35 37.25 35.26
DE 收敛率 0.34 0.24 0.33 0.23 0.4 0.38
平均收敛代数 2198 3652 2635 3457 1735 1507
平均收敛时间/ms 41.25 61.23 49.67 58.35 32.48 27.89
DEPSO 收敛率 0.6 0.58 0.73 0.67 0.8 0.9
平均收敛代数 1423 2347 1378 1736 536 796
平均收敛时间/ms 37.25 46.35 35.26 39.57 15.6 23.12
NHDEPSO 收敛率 0.82 0.79 0.92 0.89 0.93 0.97
平均收敛代数 807 1423 652 1576 825 756
平均收敛时间/ms 25.12 37.35 20.14 37.58 22.25 20.35
从图1～图3及表2对比数据可以看出，NHDEPSO算法在f1～f3、F1～F4、f7～f8测试函数上的寻优性能普遍好于其他几种对比算法。例如图1中，在f1函数上DE、PSO和DEPSO算法均趋向于早熟收敛，但是NHDEPSO却能够在保持种群多样性，防止早熟收敛以及收敛速度上具有明显优势。
5.NHDEPSO算法在电子商务物流配送路径优化问题中的应用
5.1 B2C电子商务物流配送数学模型
文献[17]给出了B2C电子商务物流配送路径优化模型：
（9）
满足如下条件：
（10）
（11）
模型中的符号有两类：决策变量和模型参数。
决策变量：xijk表示车辆k是否从节点i开往节点j;yij表示顾客j是否由配送中心i配送;zjk表示顾客j是否由车辆k配送。
模型参数：G是配送中心、顾客两类节点和代表之间配送线路的边组成的不完全无向图，，其中：表示配送中心节点集合，表示顾客的节点集合，表示配送中心、顾客间直接线路边的集合;K配送车辆集合，每辆车仅属于一个配送中心;L配送商品种类集合;Ap配送中心p的可用车辆数;Bk车辆k的一次性启动费用;Cij车辆k在路线（i，j）单位路程的运输费用;qjl顾客j对商品l的需求量;dij顾客（或配送中心）i，j间的距离;Q单个车辆的装载量;商品l的重量系数;vil配送中心i商品l的供应量。
图1 目标函数f1的收敛曲线
图2 目标函数f2的收敛曲线
图3 目标函数f3的收敛曲线
图4 实际配送网络图
5.2 基于NHDEPSO算法的配送路线优化仿真
设某B2C电子商务企业在某时段由3个配送中心为17个顾客配送3类商品，配送网络节点（站点和客户）及他们之间的相互距离如图4所示。设三个配送中心可用车辆数均为Ap=3辆，最大载重量均为Q=10t，车辆启动费用元，单位距离费用元，3类商品的重量系数分别为吨/件、吨/件，其他相关参数见文献[18]。为了验证基于NHDEPSO算法的物流分配方案的有效性，将基于该算法与基于DE算法和PSO算法所得到的目标函数优化值进行对比（各随机计算10次，求平均值），如表3所示，基于NHDEPSO算法的B2C物流配送最优配送路径如图5所示，随机各选取其中一次目标函数收敛曲线对比如图6所示（为方便对比，选取同一初始种群）。
图5 基于NHDEPSO算法的车辆最优配送路径
图6 目标函数收敛曲线
从表3对比数据可以看出，虽然在程序运算时间上基于NHDEPSO的物流配送优化算法略长于基于DE算法的优化算法，但是在目标函数的优化值上基于NHDEPSO算法的优化值要具有明显优势，10次优化计算的最优值的平均值和标准值均小于基于其他两种基本算法的物流配送方案。因此，基于NHDEPSO算法的B2C物流配送路线方案是可行和高效的。
表3 仿真结果对比
计算次数 目标值/元 计算时间/秒
PSO DE NHDEPSO PSO DE NHDEPSO
1 2352 2148 2085 0.952 0.756 0.658
2 2248 2096 2085 1.253 0.563 0.547
3 2153 2085 2085 1.123 0.624 0.589
4 2458 2085 2085 1.258 0.524 0.668
5 2247 2124 2085 1.145 0.468 0.758
6 2189 2085 2085 0.975 0.587 0.987
7 2315 2178 2085 1.365 0.652 0.752
8 2478 2085 2097 1.287 0.498 0.675
9 2185 2179 2085 0.976 0.513 0.694
10 2368 2085 2085 0.953 0.487 0.587
平均值 2299.3 2115.0 2086.2 1.129 0.567 0.692
标准差 113.95 39.58 3.79 0.133 0.070 0.085
6.结论
本文基于生物遗传思想，设计了一种新的差分进化粒子群混合算法，该算法能够继承差分进化和粒子群算法的优势，提高算法的性能，通过仿真对比显示该算法在保持种群多样性和收敛性能上要优于所对比算法。最后将该算法应用到B2C电子商务物流配送中，仿真结果显示该算法要优于基于差分进化和粒子群算法的物流配送优化方案。
参考文献
[1]金敏，鲁华祥.一种遗传算法与粒子群优化的多子群分层混合算法[J].控制理论与应用，2013，30（10）：1231-1238.
[2]姚峰，杨卫东，张明，李仲德.改进自适应变空间差分进化算法[J].控制理论与应用，2010，27（1）：32-35.
[3]张洁，裴芳.多策略协同进行粒子群优化算法[J].计算机应用研究，2013，30（10）：2965-2967.
[4]阳春华，钱小山，桂卫华.一种混沌差分粒子群优化混合算法[J].计算机应用研究，2011，28（2）：32-35.
[5]杨卫东，姚峰，张明.基于自适应交叉概率因子的差分进化算法及其应用[J].信息与控制，2010，39（2）：187-193.
[6]胡旺，李志蜀.一种更简化而高效的粒子群优化算法[J].软件学报，2007，18（4）：861-868.
[7]蒋忠中，汪定伟.B2C电子商务中物流配送路径优化的模型与算法[J].信息与控制，2005，34（1）：481-485.
[8]汪定伟，王俊伟，王洪峰等.智能优化算法[M].北京：高等教育出版社，2007.
量子计算的优势范文4
关键词：电信业关联挖掘；变化趋势；三元素编码； PSO
中图分类号：TP301.6 文献标识码：A DOI：10.3969/j.issn.1003-6970.2013.06.014
0 引言
电信行业的竞争愈演愈烈使运营商面对着严重的客户流失的问题。如何将管理活动精确细分、重视营销的个性化来挽留客户防止客户流失成为各大运营商关注的焦点[1]。客户的日常通信行为为运营商积攒了大量的数据，这些数据蕴藏着丰富的客户消费行为习惯，对客户的消费行为、客户服务信息和缴费情况等数据进行分析挖掘可以对客户实施个性的客户业务推荐来挽留客户，提升客户价值[2-3]。通过关联规则进行客户的业务推荐是各大运营商常用的技术，伴随着各种改进的关联挖掘算法也出现了各种优秀的数据仓库与挖掘系统应用在电信业的客户消费行为数据挖掘中[4-5]。
客户在消费行为中常常存在着一定的趋势属性，传统的关联挖掘算法应用在电信业客户消费行为分析挖掘中仅仅将客户的消费记录数据进行单独的数据预处理，通过频繁项集的计算来进行支持度与置信度约束下的关联挖掘[6-7]。这种方法忽略了记录间存在的变化与联系，造成了关联挖掘的误判，挖掘的效果达不到要求。
为此提出了动态感知PSO关联的电信业客户消费行为分析方法。将群体智能的搜索优化技术通过目标函数的设计与关联规则挖掘进行联系。使用重要时间点压缩的方法对连续数据进行预处理与相似形度量，这种处理可以保留数据的趋势属性。通过包含时间变化的三元素微粒进行粒子的编码，并且通过目标函数的反馈来动态调整粒子的更新参数。实验证明，这种机制下的电信业客户消费行为关联挖掘准确率较高且挖掘的效率也大大提升，有很强的实用价值。
1 关联挖掘的数据预处理
电信业客户消费行为关联分析的数据源来自多个表或者系统，在客户的通信消费记录中大部分是连续型的数据，而关联规则处理的数据应该是离散型的数据。传统的离散方法是采用区间化的数据处理办法，将连续型的数据区间化分为不同的子区间，并且使用某一个数值代替该区间中的所有数据，设代表客户消费行为的某一属性，且，将划分为
每一个区间分别使用一个值来代表。这种处理方法会丢失数据中蕴藏的很多信息，特别是无法将客户消费行为的变化趋势信息保留。本文使用时间压缩的方法来进行数据的离散化。对离散化的数据使用相似形度量的方法来进行频繁模式的获取。
设客户的某一属性的时间变化趋势如下图的曲线所示：
图1 趋势属性的时间压缩图
在图1 中选取重要时间点作为区间的划分边界点，如上图横坐标的所示，设对应的属性数据值为，如果存在个子序列的划分，上述的曲线可以表示为：
（3）
为了描述上述的属性的趋势信息，使用最小二乘法的思想，将每一个序列分别拟合为直线，这样每一个区间就可以表示为一个元模式，，每一个元模式不但表述了该属性在区间的范围还相应提供了区间变化的趋势信息，这样时间序列的模式表示为：
（4）
将关注属性的压缩时间点进行同步后，对每一个时间序列的属性进行上述的区间化，不但可以表征该数据的区间范围，还将该数据所属的区间变化趋势表现，实际证明这种区间化的方法能够更好地应用在电信业客户消费行为的关联分析中。
在一些变量中由于业务的原因，某些变量之间存在着巨大的相关性，比如客户的长途次数与长途时间这样的变量在建模的过程中同时使用是没有必要的，有时对模型的运行还会存在一定的副作用。数据预处理中关于变量的约简就是尽量地减少信息量情况下寻找更低维的变量。主成份分析法是统计中最主流的约简方法，但是本身的结果就是若干信息量的综合，即使经过了因子旋转处理后也难于优化[8]。本文选用下面的两种简单的步骤进行维数简约：
1）利用众数的分析方法找出微效变量，特别是众数表示值为0的一些变量，比如某客户的国际长途次数这样的变量，就可以在模型中去掉。
2）利用相关系数的分析方法解决变量间存在的线性冗余的问题：
（5）
两两变量经过相关系数公式的分析以后，选取的高度相关组中的某一变量作为代表。如果则要根据实际的模型情况对变量约简进行分析。
在数据挖掘的整个过程中，数据的预处理的工作量能占到80%。电信业的IT系统众多，其企业结构数据异常复杂，客户的数据分布在呼叫中心、渠道支撑、计费帐务、结算系统等数据结构可能不同的系统中，高质量的数据能够更加准确地表示关联模型挖掘。
3 动态感知PSO的消费关联分析
关联挖掘算法是采用频繁项集的计算来进行，这种计算方式主要读取某种交易数据在交易库中出现的次数，没有把握这些数据中存在着的变化信息。粒子群优化算法（PSO）是群体智能中经典的优化算法，本文将粒子进行三元素的模式编码，通过目标函数的反馈动态调整粒子的更新，实验结果证明这种方法能够更加快速准确地对电信业客户消费进行关联分析。
PSO的思想是设计一定数目的粒子，在未知量的维空间中进行函数的最优化。电信业客户消费行为关联分析的粒子为；式中代表将要分析的消费属性的个数也就是搜索空间的维度，映射到关联挖掘中就代表交易中出现的项。本文使用三元素模式对粒子的具有时间属性的变量进行编码。经过合理的细分以后，不但可以表示每一个连续属性处的区间，还能将其所处的变化趋势表示出来。经过三元素编码的粒子可以表示为：该粒子是将式（3）进行时间压缩以后的对具有时间趋势属性比如本地通话费来进行的编码，第个粒子空间更新的速度示为；第个粒子的历史最优位置为；整粒子群的最优位置为，粒子可以根据如下的目标函数公式来进行速度与位置的更新：
（6）
上式中
是分别表示设置的支持度与置信度。粒子的位置与速度更新的公式如下：
（7）
式（7）中， 为微粒群优化迭代次数，和是在区间[0，1]上的随机数，这两个随机数能够有效保持微粒群优化的多样性。和是两个学习因子通常取值为2，这两个系数可以保证粒子对全局位置的学习能力。可以有效维护全局与局部的搜索能力的平衡。一般的方法会将该值设为特定的经验值或者线性降低，这种方式经常会使函数极易收敛到局部的极值点。本文采用目标函数反馈的动态感知来调整的数值。
（8）
式（8）中与分别代表种群在与次的全局最优适应值。指数可以代表两次迭代中适应度值的比较率，当比值小于1的时候，迭代趋向总体收敛，此时的搜索步长越大全局搜索能力越强；当比值大于1的时候迭代趋向总体发散，步长越小，局部的搜索能力越强，上述系数的更新充分使用了目标函数的信息，整个搜索的启发性大大加强。
4 实验结果分析
本文基于中国电信某市分公司的2011年的客户消费数据库数据为基础进行实验仿真，数据主要采集于中国电信的BOSS、DSMP等数据系统共600000条数据记录。这些记录来自2011年的全年，本文在数据预处理阶段的时间划分采用每一周的时间周期进行区间划分。在Windows XP系统下结合 MATLAB的仿真平台进行算法的仿真训练。设定最小支持度与信任度下共进行了30条关联规则挖掘，以下部分规则及其支持度与置信度：
1）性别为女性—炫铃（s=3%，conf=70%）
2）性别为男性+手机报—掌中宽带（s=3%，conf=69%）
3）月消费金额大于600+掌中宽带—掌中股市（s=4%，conf=72%）
4）一周之内消费市话增长率大于1—家庭套餐（s=3%，conf=70%）
5）某段时间客户访问网站次数持续增加—掌中宽带（s=4%，conf=73%）
图2是对四种算法对不同支持度下某种规则挖掘的运行时间对比图：
从2图可以看出，经过群体智能的关联规则挖掘算法运行时间的性能有了很大的提高。
为了验证本文的关于时间趋势属性的编码与离散化对关联规则挖掘的准确度优势，引入了误荐率的评价指标，如果在关联中挖掘了某种客户消费的规则，可以采取对其推荐某项业务服务，如果不符合客户的需求则表现为一次错误推荐，误荐率用下式表示：
（11）
图3是对20个关联属性，300位客户进行了误荐率计算。采取传统的频繁项集获取方法与本文提出的时间趋势三元素编码的方法进行误荐率的对比：
图3可知在大部分的规则约束下，使用趋势属性的三元素编码以后进行PSO优化规则挖掘的误荐率小于传统的方法。这种算法能够切实反映客户的业务规则，提供更为高效的个。
5 结束语
本文针对电信业中客户消费形式变化多样且数据量巨大的特点，结合传统的关联挖掘算法无法结合时间属性把握客户消费的变化趋势而出现关联误判，效率不高的问题。提出了动态感知PSO关联的电信业客户消费行为分析方法。在数据预处理的阶段使用时间点压缩法对连续数据进行离散化，粒子的编码使用包含趋势属性的三元素模式对粒子进行编码，为了保证粒子的更新能力与全局搜索能力的维持提出了两种粒子更新的动态感知变量。实验结果证明，这种方法在关联挖掘的过程中效率较高，误荐率得到了有效的控制具有很强的实用价值。
参考文献
[1]杜金刚.数据挖掘在电信客户关系管理及数据业务营销中的应用[D]. 北京邮电大学，2010
[2]林向阳.基于数据挖掘的电信客户流失研究综述[J].移动通信.2010（08）：71-75
[3]张超.电信产业链整合与商业运营模式创新[D]西安邮电学院.2007
[4]章玥 邱雪松 孟洛明. 面向电信运营商务过程的管理服务构建方法[J].计算机应用研究. 2008（07）：2124-2128
[5]王华秋 曹长修 何波. 改进RPE算法的神经网络在客户欺诈预测中的应用[J]，计算机工程，2006（18）：25-27
[6]郭明.基于数据挖掘的电信客户流失分析[D]南京.南京邮电大学，2005
量子计算的优势范文5
关键词：云计算；云端；电子商务；电商
中图分类号：TP393 文献标识码：A DoI: 10.3969/j.issn.1003-6970.2012.05.021
【Abstract】lately, Cloud computing ,as a new computing model and a new kind of core technology in network computing platform, attracts more and more attention and has been used in many fields. Cloud computing also brings great opportunities to Electronic Commerce . It can help to resolve problems in ec such as reducing cost in engineering It environment. this paper focus on overview the concept, feathers and development of cloud computing, discussing application of cloud computing in electronic commerce, and issues which may come out.
【Key words】cloud computing; SaaS; electronic commerce; ec
不管是从产业的规模还是从产业价值来看，被视为第三次IT革命的云计算越来越显示出强劲的发展势头。根据美国国际数据公司的预测，全球云计算的市场规模将在2013年以前达到420亿美元。目前，云计算已经被广泛的应用在教育、医疗、就业等领域，其中电子商务领域，作为重要的互联网应用之一，更是应该积极的应用云计算这种新的网络平台计算技术，以期得到更好的发展。IDG全球高级副总裁熊晓歌表示,以云计算为代表的互联网技术在电子商务方面提供了更多的想象空间。“电子商务应用是中国云计算产业的突破口。”中国电子学会云计算专家委员会秘书长林如是说。
电子商务对云计算需求强烈的原因，主要是因为云计算大大降低了电商企业的成本，这些企业不必再花费大量的人力、物力、财力来建立电子商务系统及进行后台维护，而把这些工作交给云计算服务提供商处理，企业可以更专心的从事市场营销工作，从而提高了企业效益。另外，电子商务的网站的流量具有较强的突发性，其服务器在面对大量网民的并发访问时可能会引起网站的堵塞或直接崩溃的现象。而云计算技术具有高稳定性，高可靠性的优点，可以有效的解决电商网站的这个难题。
自从2006年亚马逊公司提出“弹性云计算”服务，到现在普遍认为云计算是继80年代计算机到客户机-服务器的大转变之后的又一个巨变，但是云计算的概念至今并没有形成一个统一的标准。百度百科中把云计算定义为：“云计算是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。”云计算领域著名的实践家Reuven Cohen认为云计算是：“是一种基于 Web的服务，目的是让用户只为自己需要的功能付钱，同时消除传统软件在硬件，软件，专业技能方面的投资。云计算让用户脱离技术与部署上的复杂性而获得应用[1-9]。”美国Elastra公司的CEO Kirill曾经形象的描述了云计算：“我曾经和客户这样比喻云计算，我们可以把云计算比作“云厨”，我是一家的厨师，负责一家人的饭食，如果我的孩子想吃意大利食物，我就或做或订意大利饭给他，这些东西可能每天都变。拿我们的 Data Center 3.0 来说，你可以决定你的应用程序是在本地运行，还是在别的其它数据中心运行，如果发现资源不够，你也可以中途改变主意。事实上，基于自动化管理，你可以实时改变。”[10-16]
综上所述，我们可以看到，云计算是一种基于互联网的超
企业资源[21]，降低经营成本，从而提高企业的核心竞争力。应用了云计算的电子商务系统主要有以下几个优势：
云计算对电子商务来说，最有用的优点就是它的覆盖化和自动化。覆盖化在一定程度上就是全球性，大的云服务提供商都是讲全球市场纳入他们的云发展计划中，即在世界各地都会有相应的数据中心。而云计算的自动化可以使电子商务过程中的很多交易和后台数据处理变的更为有效、灵活。
云计算具有低成本的优势，可以有效帮助企业降低IT成本开支。企业信息化、应用电子商务服务的新趋势是基于云计算的电子外包。即企业不需要自己单独投资建立整套的内部软件和程序，而是通过云计算访问云服务提供商放在云端上的软件库，就可以获得企业所需的管理软件，成本比自己投资开发低廉很多。这种电子服务外包其实体现了电子商务“随需而变”的一种形式[22]，这种形式就是利用云计算，是企业使用所需的网络框架、应用程序就像使用电力等一般公共服务那样方便。这种形式不仅可以同时为多个客户服务，而且能够保证使用环境的绝对安全。企业在使用这种外包形式进行电子商务运作时，其实采用了以用户为核心的设计原理，应用外向资源配置，帮助企业节省新的软件程序开发、添加新的硬件等成本。此外，云计算的应用还可以帮助企业节省网络带宽的成本。电子商务企业网站一般来说具有用户访问时间集中，流量大的特点，因此对带宽要求很高[23]。而IDC行业内提供的带宽标准是100M共享2M上限的免费带宽。现在，利用云计算的优势，可以大大降低带宽的费用投入。例如，使用中国万网的云服务，在成功登陆之后，即可免费享有5M独享带宽的优惠服务，超出5M的部分价格也降到了200元/M/月。如果一家电子商务网站每月使用10M带宽来算，那么应用云计算后每月在带宽方面可以减少支出6M的费用，这对一些中小型电子商务企业降低经营成本无疑是非常有利的。
云计算模式对于电子商务系统有多种应用。在运营模式上可以灵活的管理所有的流量，一个新开发出来的产品，只有知道具体有多少计算和存储的要求，在半小时内就可以应用，同时，在应用上线之后即有一个界面用来统计流量，从而使整个云解决方案在SaaS层面实现自动化起。
量子计算的优势范文6
关键词：计算机技术 发展态势
引言
计算机是当前社会发展中必不可少的设备，尤其是进入21世纪以来，计算机技术的极大发展，在很大程度上推动了社会进步。本文将简要分析当前计算机技术的发展态势。
1.计算机技术发展趋势
1.1智能化
计算机智能化发展是自1956年提出该理念至今一直努力的方向，它要求计算机能够像人类的大脑一样进行思考，具有基本的逻辑判断能力、推理考证能力、决策分析能力以及实践运用能力。这项功能的实现有赖于模糊控制理论、灰色理论、混沌和分岔理论等只能技术的快速发展。
1.2网络化
网络化发展是当前计算机技术发展的大潮流，单体计算机、局域计算机时代已经完全不适合当前的发展形势。利用网络通信技术以及远程控制、协助等技术通过数字化的方式进行沟通和协作，使得人们在不同的地点就能够享受到计算机技术发展带来的各类便捷服务。
1.3微型化
计算机发展微型化是大势所趋，计算机普及率逐年上升，人们对计算机的使用提出了更高的要求。方便、便捷、轻便、小巧的笔记本、掌上电脑等微型计算机的普遍使用都是目前发展要求的缩影，这些设备以其多样的性能、较低的价格越来越受到人们的喜爱，特别是商务人士的青睐。
1.4绿色化
绿色发展是可持续发展的要求，也是计算机发展的趋势之一。耗能低、耗材少、低辐射、使用舒适以及设计、生产、使用、销毁过程都要符合环保要求，尽可能做到可再生利用。对于能源要求，趋向于自身实现能源供给和储备，如光能收集电池等，解决能源供给问题。
2.新计算机技术革新
2.1量子计算机
量子计算机可简单理解为遵循量子力学能够进行高速运算、存储和处理信息的计算机，它是在社会对高速度、保密好、容量大的通讯及计算提出较高要求的情况下产生的。物理主体主要包括：液态核磁共振量子计算机、（固态）硅晶体核磁共振量子计算机、离子陷阱、量子光学、腔室量子电动力学、超导体方案等。
量子计算机的功能在于进行大数的因式分解，和Grover搜索破译密码，但是同时也提供了另一种保密通讯的方式，此外还可以用来做量子系统的模拟。但是在昨晚高难度运算后，能耗高、寿命短，散热量大等缺点则暴露出来，真正有价值的量子计算机还有待继续研究。
2.2光子计算机
光子计算机进行数字运算、逻辑操作、信息存贮等内容利用的是光信号，以光运算代替电运算，主要由激光器、光学反射镜、透镜、滤波器等光学元件设备组成。它具有运算、处理能力极强的优点，同时，兼具容错性，能够进行模糊处理，但并不影响运算结果，智能化更高端。它主要具有以下好处：光子不带电荷，不产生磁场，也不受磁场作用影响；光子也不具有静止质量，可以在真空和介质两种状态下传播；信息存储容量大，通道宽，通信能力强；能量耗用低，散热量小，节能环保性较强，也避免了计算机运行时内部过热的情况。
目前虽然光子计算机在功能和运算速度方面和电子计算机有一定差距，但光子计算机的进一步研制、完善，在对图像处理、目标识别和人工智能等方面发挥重大作用。
2.3生物计算机
生物计算机也叫做放生计算机，是以仿生学研究为基础而形成的新型计算机技术，它以生物工程技术生产的蛋白分子制成生物芯片作为基础元件。它具有并行处理的功能，运行速度比普通的电子计算机要快10万倍，存储空间占用更是少之又少。它具有的优点很多，首先，体积小、功效高，比集成电路小很多，可以隐藏在地板、墙壁等地方；其次，具有自我修复功能，它的内部芯片出现故障时，不需要人工修理，能自我修复，永久性、可靠新高；再者，能耗很低，能量消耗仅占普通电子计算机的10亿分之1，散热量很小；第四，不受电路间信号干扰。目前，这种计算机还在研制阶段，存在技术不成熟、信息提取难等问题，还需要继续优化。
2.4纳米计算机
纳米计算机研制是计算机发展过程中的一场革命，它以纳米技术为基础研制出计算机内存芯片，其体积相当于发丝直径的千分之一，生产成本非常低，不需要建造超洁净生产车间，也不需要昂贵的实验设备和人数众多的生产团队，同时，纳米计算机也需要耗费能源可以忽略不计，但是对其强大其性能的发挥丝毫不产生影响。
纳米计算机可以应用到微型机器人，以至于日用电子设备，甚至玩具中，都能获得强大的微处理功能，其应用范围也涉及到现代物理学、化学、电子学、建筑学、材料学等各个学科领域。这项新的课题技术也在不断的完善和发展，将为计算机发展带来新的内容。
3.云技术和网络技术发展
3.1云技术
云计算是分布式计算的一种形式，它通过将计算拆散计算再进行组合回传的方式进行，可以达到和超级计算机同样强大的网络服务，这是云技术的根本。云技术不仅仅作为资料搜集手段，它是集网络技术、信息技术、整合技术管理平台技术、应用技术为一体的综合资源池，灵活便捷。
云技术作为一种商业模式的体现方式，其应用非常广泛，目前，已经在搜索引擎、网络信箱等领域投入使用，未来在手机、GPS等行动装置上也可实现。云技术正以它的可靠、实用、安全等性能逐渐被人们所接受，云物联、云存储、云呼叫、私有云、云游戏、云教育、云会议以及云社交等正逐步强化它的服务功能。
3.2网络技术
网络技术发展有赖于光纤技术的快速发展。光导纤维技术在通信、电子和电力等领域日益扩展，成为大有前途的新型基础材料，与之相伴的光纤技术也以新奇、便捷赢得人们的青睐。它具有耐湿、耐辐射、易于安装和保养、24小时的连续工作等性能被广泛应用。尤其在塑料光纤产生后，海底光缆工程得以顺利实施，对世界范围网络通信起到良好的推动作用。
4.移动计算机技术发展
无线移动通信技术逐渐成熟，计算机处理能力不断提高，移动计算机的发展也逐渐成为主导方向。
目前最热门的是wifi无线技术，而最新的是4G通信技术，这两项技术对移动计算机的发展起到了关键的支撑作用。4G网络时代刚刚开启，目前开始应用于移动设备上，但是在微型便携计算机上的应用尚未起步。如何将移动计算机等终端产品通过芯片等形式与4G网络完没相连接，如发展移动电视、移动电脑、成为一项热门话题，有待进一步研究探索。
5.结束语
计算机技术的大发展，使得计算机深入人们的生产、生活当中，带给人们诸多方便，也成为了人们生产、生活的一部分，因此，其发展态势更加受到人们关注，所以趋于社会需求的发展方向就是计算机技术的主要发展方向。
参考文献：
[1]蔡芝蔚.计算机技术发展研究[J].电脑与电信，2008，（02） .
