طراحي يك كنترل كننده ژنتيكي كوانتومي در رديابي مسير سيستم هاي كوانتومي

Designing a Quantum Genetic Controller for Tracking the Path of Quantum Systems

كنترل سيستم هاي كوانتومي مبتني بر روش هاي كنترل يادگير و هوش محاسباتي از موضوعات مورد توجه در حوزه مهندسي كنترل مي-باشد. آنچه داراي اهميت است تضمين همگرايي فرآيند كنترل موردنظر در عين وضوح و سادگي روش مي باشد. در اين مقاله يك فرآيند كنترل يادگير مبتني بر يك كنترل كننده ژنتيكي كوانتومي به منظور رديابي مسير در سيستم هاي كوانتومي بسته ارائه شده است. كنترل كننده طراحي شده براي رديابي يك مسير متناظر يك تابع متغير با زمان به كار گرفته شده است. براي اين منظور يك مساله بهينه سازي مقيد با تابع هدف حداقل سازي انحراف از مسير و محدوديت ناشي از ساختار تكراري جواب معادله ديناميكي شرودينگر طراحي شده است. با توجه به نرخ بالاي همگرائي در الگوريتم ژنتيك كوانتومي، از الگوريتم ژنتيك كوانتومي براي حل مساله بهينه سازي استفاده شده است. بر اساس يك اندازه گيري تصادفي از نسل اول جمعيت حالات كوانتومي، الگوريتم ژنتيك حاصل بهترين كنترل كننده را براي رديابي مسير ارائه مي-دهد. رديابي موثر و بهينه مسير با حداقل خطاي انحراف از مسير و حداقل نوسانات سيگنال كنترل از مزاياي روش ارائه شده است. دو مثال عددي براي نشان دادن عملكرد كنترل كننده طراحي و مزاياي آن ارائه شده است. نتايج شبيه سازي هاي انجام شده نمايانگر صحت عملكرد روش پيشنهادي در كنترل سيستم هاي كوانتومي است.

Based on learning control methods and computational intelligence, control of quantum systems is an attractive field of study in control engineering. What is important is to establish control approach ensuring that the control process converges to achieve a given control objective and at the same time it is simple and clear. In this paper, a learning control method based on genetic quantum controller approach is presented. For tracking a time variant function trajectory, in a closed quantum system, the presented controller is used. For this purpose a constrained optimization problem, based on minimization of difference between a given trajectory and system states subject to an iteration relation of the dynamical solution be satisfied, is designed. According to high convergence rate in quantum genetic algorithm, a quantum genetic algorithm for solving the optimization problem is used. A stochastic measure for observation the initial population is used. Efficient an optimal tracking, with at least tracking errors and at least learned chattering are advantages of the presented method. A couple of examples for demonstrating the advantages are simulated. Simulation results reflect the good performance of the proposed method for controlling the quantum systems.