中文摘要：

本项目主要研究一种新的基于量子力学的自然演化方法。通过量子运动学和动力学模型，研究复杂环境和复杂交互模式下群体智能的演化机制，建立个体微观行为与群体宏观智能之间的关系模型，提出新的面向多目标复杂问题的量子力学并行智能优化方法。具体研究为1)提出量子力学模型方法，使之能够描述高维、非线性、宏观演化、微观演化、随机的复杂行为和动力学，实现多目标优化，具有内在并行性和强鲁棒性。2)用Lyapunov第二定理证明上述方法收敛，得到全局Pareto最优解。3)从方法的收敛性、有效性等理论证明，确定相应算法中参数的取值范围，使参数确定不依赖于先验知识和算法学习。研究目标是提出与现存自然演化方法在动机、原理、优化机制、基本单元及状态、物理模型、数学模型、理论基础等方面有本质不同的量子力学方法，为分布并行智能处理提供一种新的模型、理论和方法，解决目前传统方法难以处理的某些多目标、大规模、动态的复杂问题。

结论摘要：

本项目主要研究一种新的基于量子力学的自然演化方法。通过量子运动学和动力学模型，研究复杂环境和复杂交互模式下群体智能的演化机制，建立个体微观行为与群体宏观智能之间的关系模型，提出与现存自然演化方法在动机、原理、优化机制、基本单元及状态、物理模型、数学模型、理论基础等方面有本质不同、面向多目标复杂问题的量子力学并行智能优化方法。研究成果为1)提出量子力学模型方法，使之能够描述高维、非线性、宏观演化、微观演化、随机的复杂行为和动力学，实现多目标优化，具有内在并行性和强鲁棒性。2)用Lyapunov第二定理证明了上述方法收敛，得到全局Pareto最优解。3)从方法的收敛性、有效性等理论证明，确定相应算法中参数的取值范围，使参数确定不依赖于先验知识和算法学习。实现了提出量子力学方法的目标，为分布并行智能处理提供一种新的模型、理论和方法，解决目前传统方法难以处理的某些多目标、大规模、动态的复杂问题。