Możliwości informatyki kwantowej do poprawy dokładności modelowania. Część 1 – Kwantowy algorytm ewolucyjny

W pracy zamieszczono wybrane wyniki badania wykorzystania informatyki kwantowej do zwiększenia stopnia dokładności algorytmów ewolucyjnych poprawiających parametry modeli neuronalnych systemów, co zostało zweryfikowane na wybranych przykładach takich systemów jak m.in. ruch robota PR-02. W modelowaniu neuronalnym wykorzystuje się sztuczne sieci neuronowe, które projektuje się, a następnie uczy modeli systemów na bazie danych liczbowych. Parametry sztucznych sieci neuronowych, a zwłaszcza elementy macierzy wag, biasów i parametry funkcji aktywacji można poprawiać za pomocą algorytmów ewolucyjnych. Okazuje się, że wprowadzenie rozwiązań z zakresu informatyki kwantowej do algorytmów ewolucyjnych, a zwłaszcza dotyczących tworzenia kwantowej populacji początkowej, kwantowych operatorów krzyżowania i mutacji oraz kwantowej selekcji znacznie poprawia dokładność paramentów modeli neuronalnych, co zostało zweryfikowane w środowisku MATLABA i Simulinka.

The paper presents selected results of the use of quantum computing to increase the degree of accuracy of evolutionary algorithms to improve the performance of models of neuronal movement of the end of the robot arm PR-02. For modeling, neural used SSN, which are designed and taught system models based on figures. ANN parameters, especially the elements of the matrix weights, biases, and the parameters of the activation function can be improved by using evolutionary algorithms. It turns out that the introduction of solutions in the field of quantum computing to evolutionary algorithms, especially for the creation of quantum initial population, quantum operators crossover and mutation, and quantum selection greatly improves the accuracy of modeling, as has been verified in the environment MATLAB and Simulink.