طراحی یک کنترل کننده ژنتیکی کوانتومی در ردیابی مسیر سیستم های کوانتومی

کنترل سیستم های کوانتومی مبتنی بر روش های کنترل یادگیر و هوش محاسباتی از موضوعات مورد توجه در حوزه مهندسی کنترل میباشد. آنچه دارای اهمیت است تضمین همگرایی فرآیند کنترل موردنظر در عین وضوح و سادگی روش می باشد. در این مقاله یک فرآیند کنترل یادگیر مبتنی بر یک کنترل کننده ژنتیکی کوانتومی به منظور ردیابی مسیر در سیستم های کوانتومی بسته ارائه شده است. کنترل کننده طراحی شده برای ردیابی یک مسیر متناظر یک تابع متغیر با زمان به کار گرفته شده است. برای این منظور یک مساله بهینه سازی مقید با تابع هدف حداقل سازی انحراف از مسیر و محدودیت ناشی از ساختار تکراری جواب معادله دینامیکی شرودینگر طراحی شده است. با توجه به نرخ بالای همگرائی در الگوریتم ژنتیک کوانتومی، از الگوریتم ژنتیک کوانتومی برای حل مساله بهینه سازی استفاده شده است. بر اساس یک اندازه گیری تصادفی از نسل اول جمعیت حالات کوانتومی، الگوریتم ژنتیک حاصل بهترین کنترل کننده را برای ردیابی مسیر ارائه میدهد. ردیابی موثر و بهینه مسیر با حداقل خطای انحراف از مسیر و حداقل نوسانات سیگنال کنترل از مزایای روش ارائه شده است. دو مثال عددی برای نشان دادن عملکرد کنترل کننده طراحی و مزایای آن ارائه شده است. نتایج شبیه سازی های انجام شده نمایانگر صحت عملکرد روش پیشنهادی در کنترل سیستم های کوانتومی است.

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

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.