量子進化演算法放置

❶ 量子蟻群演算法求解TSP問題的matlab編程實現

可以的 你的點坐標都是多少

❷ 量子遺傳演算法的國內外研究現狀

當前科學技術正進入多學科互相交叉、互相滲透、互相影響的時代，生命科學與工程科學的交叉、滲透和相互促進是其中一個典型例子，也是近代科學技術發展的一個顯著特點。遺傳演算法的蓬勃發展正體現了科學發展的這一特點和趨勢。
製造機器智能一直是人類的夢想，人們為此付出了巨大的努力。人工智慧技術的出現，就是人們得到的成果。但是，近年來，隨著人工智慧應用領域的不斷拓廣，傳統的基於符號處理機制的人工智慧方法在知識表示、處理模式信息及解決組合爆炸等方面所碰到的問題已變得越來越突出，這些困難甚至使某些學者對強人工智慧提出了強烈批判，對人工智慧的可能性提出了質疑。
眾所周知，在人工智慧領域中，有不少問題需要在復雜而龐大的搜索空間中尋找最優解或准優解。像貨朗擔問題和規劃問題等組合優化問題就是典型的例子。在求解此類問題時，若不能利用問題的固有知識來縮小搜索空間則會產生搜索的組合爆炸。因此，研究能在搜索過程中自動獲得和積累有關搜索空間的知識，並能自適應地控制搜索過程，從而得到最優解或准有解的通用搜索演算法一直是令人矚目的課題。遺傳演算法就是在這種背景下產生並經實踐證明特別有效的演算法。
遺傳演算法(Genetic Algorithm, GA)是近年來迅速發展起來的一種全新的隨機搜索與優化演算法,其基本思想是基於Darw in的進化論和Mendel的遺傳學說。該演算法由密執安大學教授Holland及其學生於1975年創建。此後，遺傳演算法的研究引起了國內外學者的關注。自1985年以來.國際上已召開了多次遺傳演算法的學術會議和研討會.國際遺傳演算法學會組織召開的ICGA( International Conference on Genetic Algorithms)會議和FOGA( Workshop on Foundation of Genetic Algorithms)會議。為研究和應用遺傳演算法提供了國際交流的機會。
作為一種通用的問題求解方法，遺傳演算法採用簡單的編碼技術來表示各種復雜的結構並通過對一組編碼表示進行簡單的遺傳操作和優勝劣汰的自然選擇來指導學習和確定搜索的方向。
近年來，遺傳演算法已被成功地應用於下業、經濟答理、交通運輸、工業設計等不同領域.解決了許多問題。例如，可靠性優化、流水車間調度、作業車間調度、機器調度、設備布局設計、圖像處理以及數據挖掘等。本文將從遺傳演算法的理論和技術兩方而概述目前的研究現狀。描述遺傳演算法的主要特點、基木原理以及各種改進演算法，介紹遺傳演算法的程序設計。
遺傳程序設計是借鑒生物界的自然選擇和遺傳機制，在遺傳演算法的基礎上發展起來的搜索演算法，它己成為進化計算的一個新分支。在標準的遺傳演算法中，由定長字元串(問題的可行解)組成的群體藉助於復制、交叉、變異等遺傳操作不斷進化找到問題的最優解或次優解。遺傳程序設計運用遺傳演算法的思想，常採用樹的結構來表示計算機程序，從而解決問題。對於許多問題，包括人工智慧和機器學習上的問題都可看作是需要發現一個計算機程序，即對特定輸入產生特定輸出的程序，形式化為程序歸納，那麼遺傳程序設計提供了實現程序歸納的方法。
把遺傳演算法和計算機程序結合起來的思想出現在遺傳演算法中，Holland把產生式語言和遺傳演算法結合起來實現分類系統，還有一些遺傳演算法應用領域的研究者將類似於遺傳演算法的遺傳操作施加於樹結構的程序上。
近年來，遺傳程序設計運用遺傳演算法的思想自動生成計算機程序解決了許多問題，如預測、分類、符號回歸和圖像處理等，作為一種新技術它己經與遺傳演算法並駕齊驅。 1996年，舉行了第1次遺傳程序設計國際會議，該領域己引起越來越多的相關學者們的興趣。
1967年，Holland的學生J.D.Bagley在博士論文中首次提出「遺傳演算法（Genetic Algorithms）」一詞。此後，Holland指導學生完成了多篇有關遺傳演算法研究的論文。1971年，R.B.Hollstien在他的博士論文中首次把遺傳演算法用於函數優化。1975年是遺傳演算法研究歷史上十分重要的一年。這一年Holland出版了他的著名專著《自然系統和人工系統的自適應》（Adaptation in Natural and Artificial Systems），這是第一本系統論述遺傳演算法的專著，因此有人把1975年作為遺傳演算法的誕生年。Holland在該書中系統地闡述了遺傳演算法的基本理論和方法，並提出了對遺傳演算法的理論研究和發展極其重要的模式理論（schema theory）。該理論首次確認了結構重組遺傳操作對於獲得隱並行性的重要性。同年，K.A.De Jong完成了他的博士論文《一類遺傳自適應系統的行為分析》（An Analysis of the Behavior of a Class of Genetic Adaptive System）。該論文所做的研究工作，可看作是遺傳演算法發展進程中的一個里程碑，這是因為，他把Holland的模式理論與他的計算實驗結合起來。盡管De Jong和Hollstien 一樣主要側重於函數優化的應用研究，但他將選擇、交叉和變異操作進一步完善和系統化，同時又提出了諸如代溝（generation gap）等新的遺傳操作技術。可以認為，De Jong的研究工作為遺傳演算法及其應用打下了堅實的基礎，他所得出的許多結論，迄今仍具有普遍的指導意義。
進入八十年代，遺傳演算法迎來了興盛發展時期，無論是理論研究還是應用研究都成了十分熱門的課題。1985年，在美國召開了第一屆遺傳演算法國際會議（International Conference on Genetic Algorithms ，ICGA），並且成立國際遺傳演算法學會（International Society of Genetic Algorithms ，ISGA），以後每兩年舉行一次。
1989年，Holland的學生D.E.Goldberg出版了專著《搜索、優化和機器學習中的遺傳演算法》（Genetic Algorithms in Search , Optimization, and Machine Learning）。該書總結了遺傳演算法研究的主要成果，對遺傳演算法及其應用作了全面而系統的論述。同年，美國斯坦福大學的Koza基於自然選擇原則創造性地提出了用層次化的計算機程序來表達問題的遺傳程序設計( genetic programming, GP)方法，成功地解決了許多問題。
在歐洲，從1990年開始每隔一年舉辦一次Parallel Problem Solving from Nature 學術會議，其中遺傳演算法是會議主要內容之一。此外，以遺傳演算法的理論基礎為中心的學術會議還有Foundations of Genetic Algorithms，該會也是從1990年開始隔年召開一次。這些國際會議論文，集中反映了遺傳演算法近些年來的最新發展和動向。
1991年，L.Davis編輯出版了《遺傳演算法手冊》（Handbook of Genetic Algorithms），其中包括了遺傳演算法在工程技術和社會生活中的大量應用實例。
1992年，Koza發表了他的專著《遺傳程序設計:基於自然選擇法則的計算機程序設計》」。1994年，他又出版了《遺傳程序設計，第二冊:可重用程序的自動發現》深化了遺傳程序設計的研究，使程序設計自動化展現了新局面。有關遺傳演算法的學術論文也不斷在《Artificial Intelligence》、《Machine Learning》、《Information science》、《Parallel Computing》、《Genetic Programming and Evoluable Machines》\《IEEE Transactions on Neural Networks》,《IEEE Transactions on Signal Processing》等雜志上發表。1993年，MIT出版社創刊了新雜志《Evolutionary Computation》。1997年，IEEE又創刊了《Transactions on Evolutionary Computation》。《Advanced Computational Intelligence》雜志即將發刊，由模糊集合創始人L.A.Zadeh教授為名譽主編。目前，關於遺傳演算法研究的熱潮仍在持續，越來越多的從事不同領域的研究人員已經或正在置身於有關遺傳演算法的研究或應用之中。

❸ 對數據科學家來說最重要的演算法和統計模型

對數據科學家來說最重要的演算法和統計模型
作為一個在這個行業已經好幾年的數據科學家，在LinkedIn和QuoLa上，我經常接觸一些學生或者想轉行的人，幫助他們進行機器學習的職業建議或指導方面相關的課程選擇。一些問題圍繞教育途徑和程序的選擇，但許多問題的焦點是今天在數據科學領域什麼樣的演算法或模型是常見的。
由於可供選擇的演算法太多了，很難知道從哪裡開始學起。課程可能包括在當今工業中使用的不是很典型的演算法，而課程可能沒有包含目前不是很流行的但特別有用的方法。基於軟體的程序可以排除重要的統計概念，並且基於數學的程序可以跳過演算法設計中的一些關鍵主題。

我為一些有追求的數據專家整理了一個簡短的指南，特別是關注統計模型和機器學習模型(有監督學習和無監督學習);這些主題包括教科書、畢業生水平的統計學課程、數據科學訓練營和其它培訓資源。(其中有些包含在文章的參考部分)。由於機器學習是統計學的一個分支，機器學習演算法在技術上歸類於統計學知識，還有數據挖掘和更多的基於計算機科學的方法。然而，由於一些演算法與計算機科學課程的內容相重疊，並且因為許多人把傳統的統計方法從新方法中分離出來，所以我將把列表中的兩個分支也分開了。

統計學的方法包括在bootcamps和證書程序中概述的一些更常見的方法，還有一些通常在研究生統計學程序中所教授的不太常見的方法(但在實踐中可以有很大的優勢)。所有建議的工具都是我經常使用的工具:
1)廣義線性模型，它構成了大多數監督機器學習方法的基礎(包括邏輯回歸和Tweedie回歸，它概括了在工業中遇到的大多數計數或連續結果……)
2) 時間序列方法(ARIMA, SSA, 基於機器學習的方法)
3) 結構方程建模 (模擬和測試介導途徑)
4) 因子分析法(調查設計與驗證的探索和驗證)
5) 功率分析/試驗設計 (特別是基於模擬的試驗設計，以免分析過度)
6) 非參數檢驗(從零開始的推導, 尤其通過模擬)/MCMC
7) K均值聚類
8) 貝葉斯方法(Na?ve Bayes, 貝葉斯模型求平均值, 貝葉斯自適應試驗...)
9) 懲罰回歸模型 (elastic net, LASSO, LARS...) ，通常給模型增加懲罰因素(SVM, XGBoost...), 這對於預測值超過觀測值的數據集是有用的(常見於基因組學與社會科學研究)
10) 樣條模型(MARS...) 用於靈活性建模過程
11)馬爾可夫鏈和隨機過程 (時間序列建模與預測建模的另一種方法)
12)缺失數據填補方案及其假設(missForest, MICE...)
13) 生存分析(非常有助於製造建模和消耗過程)
14) 混合建模
15) 統計推斷與分組測試(A/B測試和在許多交易活動中實施更復雜的設計)
機器學習擴展了許多這樣框架，特別是K均值聚類和廣義線性建模。在許多行業中一些有用的常見技術(還有一些更模糊的演算法，在bootcamps或證書程序中出人意料的有用，但學校里很少教) 包括:
1)回歸/分類樹(用於高精度、可解釋性好、計算費用低的廣義線性模型的早期推廣)
2)維數約簡(PCA和多樣學習方法如MDS和tSNE)
3)經典前饋神經網路
4)裝袋組合(構成了隨機森林和KNN回歸整合等演算法的基礎)
7)加速整合(這是梯度提升和XGBoost演算法的基礎)
8)參數優化或設計項目的優化演算法(遺傳演算法，量子啟發進化演算法，模擬鍛煉，粒子群優化)
9)拓撲數據分析工具，特別適合於小樣本大小的無監督學習(持久同調, Morse-Smale聚類, Mapper...)
10)深度學習架構(一般的深度架構)
11) KNN局部建模方法(回歸, 分類)
12)基於梯度的優化方法
13)網路度量與演算法(中央度量法、中間性、多樣性、熵、拉普拉斯運算元、流行病擴散、譜聚類)
14)深度體系架構中的卷積和匯聚層(專門適用於計算機視覺和圖像分類模型)
15)層次聚類 (聚類和拓撲數據分析工具相關)
16)貝葉斯網路(路徑挖掘)
17)復雜性與動態系統(與微分方程有關，但通常用於模擬沒有已知驅動程序的系統)
依靠所選擇的行業，可能需要與自然語言處理(NLP)或計算機視覺相關的附加演算法。然而，這些是數據科學和機器學習的專門領域，進入這些領域的人通常已經是那個特定領域的專家。

❹ 你好，我想知道像差分進化演算法、蟻群演算法、蜂群演算法、量子進化演算法屬於進化演算法嗎

蟻群演算法和蜂群演算法屬於進化演算法沒有問題，都是源於對生物種群的進化機制的模擬
差分進化演算法也是基於種群進化的智能演算法，這個不清楚屬於進化演算法是否合適
量子進化演算法沒接觸過，不過如果是模擬量子運動，更類似模擬退火演算法，不應該屬於進化演算法
水平有限，望請指正

❺ 量子遺傳演算法與遺傳演算法有什麼區別

遺傳演算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。遺傳演算法是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經過基因（gene）編碼的一定數目的個體(indivial)組成。每個個體實際上是染色體(chromosome)帶有特徵的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現（即基因型）是某種基因組合，它決定了個體的形狀的外部表現，如黑頭發的特徵是由染色體中控制這一特徵的某種基因組合決定的。因此，在一開始需要實現從表現型到基因型的映射即編碼工作。由於仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼，初代種群產生之後，按照適者生存和優勝劣汰的原理，逐代（generation）演化產生出越來越好的近似解，在每一代，根據問題域中個體的適應度（fitness）大小選擇（selection）個體，並藉助於自然遺傳學的遺傳運算元（genetic operators）進行組合交叉（crossover）和變異（mutation），產生出代表新的解集的種群。這個過程將導致種群像自然進化一樣的後生代種群比前代更加適應於環境，末代種群中的最優個體經過解碼（decoding），可以作為問題近似最優解。
量子遺傳演算法是量子計算與遺傳演算法相結合的產物。目前，這一領域的研究主要集中在兩類模型上：一類是基於量子多宇宙特徵的多宇宙量子衍生遺傳演算法(Quantum Inspired Genetic Algorithm)，另一類是基於量子比特和量子態登加特性的遺傳量子演算法(Genetic Quantum Algorithm,GQA)。
量 子遺傳演算法(Quantum GeneticA lgorithm,QGA)。QGA採用多狀態基因量子比特編碼方式和通用的量子旋轉門操作。引入動態調整旋轉角機制和量子交叉，比文獻[2]的方法更具有通用性，且效率更高。但該方法仍是一個群體獨自演化沒有利用盈子信息的多宇宙和宇宙間的糾纏特性效率有待進一步提高。文獻[3]提出一種多宇宙並行量子遺傳演算法(Multiuniverse Parallel Quantum Genetic Algorithm,MPQGA)，演算法中將所有的個體按照一定的拓撲結構分成一個個獨立的子群體，稱為宇宙；採用多狀態基因量子比特編碼方式來表達宇宙中的個體；採用通用的量子旋轉門策略和動態調整旋轉角機制對個體進行演化；各宇宙獨立演化，這樣可擴大搜索空間，宇宙之間採用最佳移民、量子交叉和量子變異操作來交換信息使演算法的適應性更強，效率更高。

❻ 利用遺傳演算法求解TSP問題 從北京出發 四個城市

作為一種模擬生物自然遺傳與進化過程的優化方法,遺傳演算法(GA)因其具有隱並行性、不需目標函數可微等特點,常被用於解決一些傳統優化方法難以解決的問題。旅行商問題(TSP)是典型的NP難題組合優化問題之一,且被廣泛應用於許多領域,所以研究遺傳演算法求解TSP具有重要的理論意義和應用價值。具有量子計算諸多特點的量子遺傳演算法(OGA)作為—新的概率進化演算法,在解決實際問題時,其高度並行性能極大地提高計算效率,因而研究OGA求解TSP同樣有重要的價值;而將具有遍歷性和隨機性的「混沌」概念引入量子遺傳演算法求解較復雜的組合優化問題又為求解優化問題開拓了一個新的思路。

❼ bp神經網路與量子行為粒子群演算法有什麼不一樣

這四個都屬於人工智慧演算法的范疇。其中BP演算法、BP神經網路和神經網路
屬於神經網路這個大類。遺傳演算法為進化演算法這個大類。
神經網路模擬人類大腦神經計算過程，可以實現高度非線性的預測和計算，主要用於非線性擬合，識別，特點是需要「訓練」，給一些輸入，告訴他正確的輸出。若干次後，再給新的輸入，神經網路就能正確的預測對於的輸出。神經網路廣泛的運用在模式識別，故障診斷中。BP演算法和BP神經網路是神經網路的改進版，修正了一些神經網路的缺點。
遺傳演算法屬於進化演算法，模擬大自然生物進化的過程：優勝略汰。個體不斷進化，只有高質量的個體（目標函數最小（大））才能進入下一代的繁殖。如此往復，最終找到全局最優值。遺傳演算法能夠很好的解決常規優化演算法無法解決的高度非線性優化問題，廣泛應用在各行各業中。差分進化，蟻群演算法，粒子群演算法等都屬於進化演算法，只是模擬的生物群體對象不一樣而已。

❽ 量子是什麼、量子具有什麼特性、又有什麼作用

量子究竟是什麼

量子（quantum）是現代物理的重要概念。即一個物理量如果存在最小的不可分割的基本單位，則這個物理量是量子化的，並把最小單位稱為量子。

1900 年，普朗克首次提出量子概念，用來解決困惑物理界的“紫外災難”問題。

紫外災難：19世紀末，科學界許多科學家已經開始深入研究電磁波，由此誕生了黑體，黑體則是屬於熱力學范疇，黑體是一個理想化了的物體，為了研究不依賴於物質具體物性的熱輻射規律，物理學家以此作為熱輻射研究的標准物體。

它能夠吸收外來的全部電磁輻射，並且不會有任何的反射與透射。換句話說，黑體對於任何波長的電磁波的吸收系數為1，透射系數為0。而我們知道一切溫度高於絕對零度的物體都能產生熱輻射，溫度愈高，輻射出的總能量就愈大，短波成分也愈多。

隨著溫度上升，黑體所輻射出來的電磁波則稱為黑體輻射。紫外災難則指的是在經典統計理論中，能量均分定律預言黑體輻射的強度在紫外區域會發散至無窮大，這和事實嚴重違背。

普朗克假定，光輻射與物質相互作用時其能量不是連續的，而是一份一份的，一份“能量”就是所謂量子。

晶體管

科學家認為量子計算機可以突破目前的困境，量子計算是一類遵循量子力學規律進行高速數學和邏輯運算、存儲及處理量子信息的物理裝置。當某個裝置處理和計算的是量子信息，運行的是量子演算法時，它就是量子計算機。

❾ 熊蓉的學術成果

期刊論文
1. Yue Wang, Rong Xiong, and Qianshan Li. EM-based Point to Plane ICP for 3D Simultaneous Localization and Mapping. International Journal of Robotics and Automation. Accepted Oct 2012.
2. 張大松, 熊蓉, 吳俊, 褚健. 基於分解動量的仿人機器人手臂高速運動實時平衡控制. 控制理論與應用. 2011年4月錄用.
3. Rong Xiong, Yichao Sun, Qiuguo Zhu, Jun Wu and Jian Chu. Impedance Control and its Effects on a Humanoid Robot Playing Table Tennis. International Journal of Advanced Robotic Systems.2012, 9,178:1-11, DOI: 10.5772/51924.
4. 章逸豐，熊蓉. 乒乓球機器人的視覺伺服系統. 中國科學. 2012,42(9): 1115-1129.
5. 任子武, 熊蓉. 混合量子差分進化演算法及應用. 控制理論與應用. 2011, 28(10): 1349-1355.
6. 任子武, 熊蓉, 褚健. 基於混合類電磁機制演算法的混沌系統控制與同步. 控制理論與應用. 2011, 28(7): 1009-1014.
7. Wang Wen-Fei, Xiong Rong, Chu Jian, Map Building for Dynamic Environment Using Grid-Vectors. Journal of Zhejiang University Science C (Computers & Electronics), 2011, 12(7):574-588.
8. Yonghai Wu, Rong Xiong, Hongbo Zheng. Real Time Trajectory Generation for Omnidirectional Mobile Robots. Journal of Information & Computer Science, 7(11): 2271-2279, 2010.
9. Rong Xiong, Yichao Sun, Jian Chu, Changjiu Zhou. An Inverted Penlum Model Based Humanoid Gait Generation Using Convex Optimization, Journal of Information & Computational Science, 2010, 7(12): 2529-2538.
10. 任子武, 熊蓉. 基於混合量子進化計算的混沌系統參數估計. 控制理論與應用. 2010, 27(11): 1148-1154.
11. 王立，熊蓉，褚健，劉勇. 基於模糊評價的未知環境地圖構建探測規劃. 浙江大學學報(工學版). 2010, 44(2):1029-1034.
12. 王文斐, 熊蓉, 褚健. 基於粒子濾波和點線相合的未知環境地圖構建方法. 自動化學報. 2009, 35(9): 1185-1192.
13. 劉勇, 熊蓉, 褚健. Hash快速屬性約簡演算法. 計算機學報, 2009, 32(8): 1493-1499.
14. Tang Qing, Xiong Rong, Chu Jian. Tip over avoidance control for biped robot. Robotica. 2009, 27: 883-889.
15. Tang Liang, Xuan Qi, Xiong Rong, Wu Tie-jun, Chu Jian. A multi-class large margin classifier. Journal of Zhejiang University-SCIENCE A. 2009, 10(2): 253-262.
16. 杜鑫峰, 熊蓉，褚健. 仿人足球機器人視覺系統快速識別與精確定位. 浙江大學學報（工學版）. 2009, 43(11): 1975-1981.
17. Luo Dijun, Xiong Rong. An improved error-correcting output coding frameworkwith kernel-based decoding. Neurocomputing, 2008, 71: 3131-3139.
18. 唐亮, 熊蓉, 褚健. 單樣本條件下權重模塊2DPCA人臉識別. 中國圖象圖形學報. 2008, 13(12): 2307-2313.
19. 湯卿, 熊蓉, 褚健. 基於最優化線性搜索的穩定步態規劃方法. 控制理論與應用. 2008, 25(4): 661-664.
20. Yong Liu, Rong Xiong, Yifeng Zhang, Jian Chu. Vision Based Ping-Pong Tracking with Physical Model. Journal of Information & Computational Science. 2008.11, 2008, 5(5):2235-2242.
21. Yu Yang, Jun Wu, Rong Xiong, Weihua Xu, Sheng Chen. Single-input and single-output (SISO) controller rection based on the L1-norm. Asia-Pacific Journal of Chemical Engineering, 2008(3):684-694.
22. 熊蓉, 褚健, 吳俊. 基於點線相合的機器人增量式地圖構建. 控制理論與應用, 2007, 24(2): 170-176.
23. 江萬里, 熊蓉, 褚健. 復雜動態環境下基於側滑力的局部路徑規劃. 浙江大學學報(工學版), 2007, 41(10) 1609 - 1614.
專著章節
Yong Liu, Rong Xiong, Shouxian Chen, Jian Chu: Collaboration based Self-localization Algorithm for Humanoid Robot with Embedded Vision System, in book Chapter of Embedded Visual System and its Applications on Robots, Bentham Science Publishers, 2010.
國際會議論文
1. Yifeng Zhang, Rong Xiong, Yongsheng Zhao, Jian Chu. An Adaptive Trajectory Prediction Method for Ping-Pong Robots. International Conference on Intelligent Robotics and Applications,Montreal, Canada, October 3-5, 2012.
2. Penghui Yin, Rong Xiong, Jun Wu, Yonghai Wu. Real-Time Generation of A Continuous Acceleration Trajectory for Mobile Robots. 2012 International Conference of Mechatronics and Automation, Cheng, China, August 5-8, 2012.
3. Q.-L. Huang, J. Wu, R. Xiong. A Solution of Inverse Kinematics for 7-DOF Manipulators and Its Application. The 10th World Congress on Intelligent Control and Automation, Beijing, China. Accepted in March 2012.
4. Yichao Sun, Rong Xiong, Qiuguo Zhu, Jun Wu, Jian Chu. Balance Motion Generation for a Humanoid Robot Playing Table Tennis. 11th IEEE-RAS International Conference on Humanoid Robots, Bled, Slovenia, October 26th - 28th, 2011.
5. Xinfeng Du, Rong Xiong, Jian Chu. A Real-time Randomized Navigation Method for Biped Robot. The 9th World Congress on Intelligent Control and Automation, Taipei, June 21-25, 2011, pp. 892-897.
6. Rong Xiong, Hongbo Zheng, Yonghai Wu, Jian Chu. HAIBAO Intelligent Robot Developed for Shanghai World Expo 2010. 2011 IEEE International Conference on Robotics and Automation, Shanghai, China, May 9-13, 2011.

❿ Matlab量子進化中量子實數編碼程序

matlab後台程序是用c語言寫的，可以通過VC和matlab引擎連接來進行C++和matlab的混合編程，或者通過matlab命令導出.m文件的dll庫，直接在VC中使用