本发明涉及一种基于量子计算的大数据处理方法，属于量子计算领域。
背景技术：
大数据给当今的社会发展带来了无数的机遇，也带来了巨大的挑战。随着数据库越来越庞大，所需要的数据分析算法越来越复杂，加之科学研究和某些商业领域对高精确度的要求，计算资源成为大数据技术发展的一个瓶颈。由于量子系统的独特性质，量子计算具有经典计算不具有的量子超并行计算能力，能够对某些重要的经典算法进行加速。人们发现，除了大数分解算法，量子计算的更多用途是对量子体系的仿真计算和在数据分析领域的应用。近年来，大数据和量子计算开始融合，虽然实际使用的量子计算机尚未建成，量子计算在大数据的应用在理论上已经取得了一些重要的进展。
量子计算是应用量子力学原理来进行有效计算的新颖计算模式。基于量子叠加性原理，采用合适量子算法可以加快某些函数的运算速度，如Shor量子并行算法可以将“大数因子分解”这个电子计算机上指数复杂度的难题变成多项复杂度的“易解”问题，从而可攻破现有广泛使用的公钥RSA等体系。
所谓“量子信息”是指以量子比特(即两态量子系统)的量子态:
|φ>＝α|0>+β|1>，|α|2+|β|2＝1
为信息单元的信息，其信息的产生，存储，传输，处理和检测等均要遵从量子力学的规律。显然，现在广泛使用的经典信息(以0或1即比特作为信息单元)是量子信息的一种特例(即α或β为0)。因此量子信息是经典信息的扩展和完善，正如复数是实数的扩展和完善一样。设想有一台由N个存储器构成的计算机，若这台是现在使用的电子计算机，那么计算机只能存储一个数据，即2N个可能数据中的任一个，计算机操作一次只能实现一个数据的变换(处理)。如若是台量子计算机，基于量子力学的叠加原理，N个量子存储器可同时存储2N个数据，数据量随N呈指数增长，同时，量子计算机操作一次可同时对2N个数据实现变换，这种并行处理数据的能力等效于电子计算机要进行2N次操作的效果，或者由2N个CPU构成的(硬件)并行计算机的一次操作效果。从这个例子，我们不难看到量子计算的诱人前景。但是，量子力学的基本原理在对这个新生事物提供巨大优势的同时也为其设置了障碍：虽然，我们可以在N个量子比特上同时对2N个数据进行并行的计算，但是计算结束后，我们不能同时提取这2N个计算结果。我们只能提取一个结果，该结果随机地来自2N个结果中的任意一个，其结果出现的概率由量子的几率幅来决定。也就是说，要想获得计算的结果，就要对计算的末态进行测量，而量子的测量过程相当于将“量子状态”重新打回“经典状态”的过程，这使得我们只能非常有限地获得计算结果的信息。从输出结果的随机性上来说，这有点像经典意义下的概率计算，但是与经典的概率计算所不同的是，量子的几率幅之间可以干涉，而几率幅的模平方对应于结果出现的概率，正是有这样的干涉特性，人们有可能设计出特殊的量子算法，使得想获得的结果以大的概率出现，从而大大提高在求解某些难解问题时的运算速度。
技术实现要素：
本发明的目的是提供一种基于量子计算的大数据处理方法，用以解决传统计算方法在分析处理大数据时，计算量大占用资源多以及难以求解的问题。
为实现上述目的，本发明的方案包括：
本发明的一种基于量子计算的大数据处理方法，包括如下方案：
方案一，将待处理问题与算法评估模型相比较，选择合适的算法模型，采用对应算法模型的量子计算方法解决待处理问题。
方案二，在方案一的基础上，所述算法评估模型包括，搜索算法、进化算法、人工神经网络算法、退火算法、聚类算法、蚁群算法；所述算法模型的量子计算方法包括：量子搜索算法、量子进化算法、量子人工神经网络算法、量子退火算法、量子聚类算法、量子蚁群算法。
方案三，在方案一的基础上，还分析待处理问题的精度要求和/或经典算法处理对应问题的资源占用，若不满足第一标准，则采用对应算法模型的传统计算方法解决待处理问题。
方案四，在方案三的基础上，所述第一标准为，精度要求高于精度设定值和/或经典算法处理对应问题的资源占用高于资源设定值。
方案五，在方案四的基础上，还判断量子计算方法的输出结果或传统计算方法的输出结果是否满足所述精度要求，若不满足，则采用量子计算方法和/或改变计算参数，重新解决待处理问题。
方案六，在方案五的基础上，所述计算参数包括迭代次数。
方案七，在方案五的基础上，将所述重新解决待处理问题的输出结果与原输出结果相对比，取精度高的输出结果作为最终结果。
本发明的有益效果为：
本发明能够对待解决问题进行分析，基于精度或计算资源占用的标准选择量子计算方法或传统计算方法。量子计算方法利用量子力学的迭加和纠缠等特性，在经典算法模型基础上进行量子计算，以解决经典计算机算法难于或不能解决的难题。此外，量子计算能满足复杂的数据分析能力和高精度的要求，且具有经典计算不具有的量子超并行计算能力,能够对某些重要的经典算法进行加速。这样，就可以解决在经典计算中运算速度慢，对复杂的数据分析能力低和精度达不到要求的问题。
另外，对于一些待处理问题精度要求不高的情况下，本方法可以基于精度判断并将对应精度要求不高的问题使用传统计算机来处理，节约了能耗、延长了设备的使用寿命，降低了系统的使用成本。
本发明对输出结果进行精度检查，在精度不满足要求时，进行第二遍分析计算，最大程度提高输出结果的精度。
附图说明
图1是一种基于量子计算的大数据处理系统的系统结构图；
图2是量子计算模块组成图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
如图1所示的一种基于量子计算的大数据处理系统的系统结构图，该基于量子计算的大数据处理系统包括输入模块，计算评估模块，经典计算模块，智能分配模块，量子计算模块，智能判定模块和显示器。
如图2所示的量子计算模块组成图，所述量子计算模块包括量子搜索模块、量子进化模块、量子人工神经网络模块、量子退火模块、量子聚类模块、量子蚁群模块。
输入模块为该系统的输入端口，为该系统处理大数据的数据接口，用于获知各个数据的类型以及支持传输和处理的具体协议类型，输入模块通过分析待处理问题的描述和要求，筛选核心关键词和待处理数据信息以及要求进行参数预置，将接收到的数据转换为统一的数据格式，并将预置的参数数据备份，储存并发送给计算评估模块，等待下一步的指令，同时还将精度要求发往智能判定模块。所述输入模块可以接收通过不同的输入方式输入传递的数据和要求，比如手动输入，批量输入以及调用数据库等。
计算评估模块用于根据内部内嵌预置的不同算法识别模块来评估从输入模块传递来的数据、参数和要求，该模块内部内嵌有搜索算法参数评估模型，主要包括用于解决无序，缺乏可利用的结构信息问题，全局优化问题，非受限的全局优化问题，基于结构信息的多目标优化问题等；进化算法参数评估模型，主要包括用于解决数值优化，组合优化，信号处理以及参数估计等方面的问题；神经网络参数评估模型，主要包括用于解决聚类分化，非线性函数的拟合，回归预测分析，建模自变量降维等问题；退火算法参数评估模型，主要包括最大优化问题，0-1背包问题，图着色问题，调度问题，NP问题等；聚类算法参数评估模型，主要包括用于解决的模式识别问题，数据压缩和信息检索的问题，数据挖掘问题以及序列和异类数据分析问题；蚁群算法参数评估模型，主要用于解决包括次分配问题，路线优化问题，机构同构判定问题，学习模糊规则问题等。通过对计算评估模块中的搜索算法参数评估模型，进化算法参数评估模型，神经网络参数评估模型，退火算法参数评估模型，聚类算法参数评估模型，蚁群算法参数评估模型针对不同的问题，分别预置相应的参数模型，然后与输入模块传输过来的预置的参数数据进行对比，如果达到设定相似度，则选定对应的计算模型作为计算评估的结果，最后将计算评估的结果传输到智能分配模块。具体的说，计算评估模块根据传递来的预置好的参数，进行问题的分类。该模块内预置有多个算法参数评估模型，通过输入模块传输过来的预置参数和在计算评估模块内的预置参数评估模型进行对比，达到设定相似度的计算模型最为评估结果，将评估结果和预置参数通过指定路径传输给智能分配模块。
智能分配模块具有承上启下的作用，接收计算评估模块发来的数据信息(包括评估结果信息以及从输入模块传送过来的预置参数数据和精度要求信息)并进行初步的分析，根据评估结果信息选择对应的量子计算模型，并将预置参数数据发送给量子计算模块。同时，为了提高该系统的效率，智能分配模块具有根据输入模块的预置参数数据和精度要求来判断计算的难易度，如果计算简单占用系统资源低或精度要求低，经典计算方法可以解决对应问题，则将预置的参数数据直接传送到经典计算模块，用对应的经典算法的计算模型进行计算和解决问题，减少量子计算系统的负荷，使资源得到更加合理的利用。
经典计算模块，该模块主要内置搜索算法模块，进化算法模块，神经网络模块，退火算法模块，聚类算法模块，蚁群算法模块等经典计算模块，通过接收智能分配模块传送的任务，进行相应的数据分析和计算，然后把处理的结果传递给智能判定模块进行对结果的判断分析。
量子计算模块，如图2所示，该模块包括量子搜索模块，量子进化模块，量子人工神经网络模块，量子退火模块，量子聚类模块，量子蚁群模块；量子搜索模块，是以量子力学为基础，结合传统经典搜索计算的原理而设计而成的，主要解决那些精度要求高，数据处理难度大的无序，缺乏可利用的结构信息问题，全局优化问题，非受限的全局优化问题，基于结构信息的多目标优化问题等；量子进化模块，是以量子力学为基础，结合传统经典搜索计算的原理而设计而成的，主要解决那些精度要求高，数据处理难度大的数值优化问题，组合优化问题，信号处理问题以及参数估计问题等；量子神经网络模块，是以量子力学为基础，结合传统经典搜索计算的原理而设计而成的，主要解决那些精度要求高，数据处理难度大的聚类分化问题，非线性函数的拟合问题，回归预测分析问题，建模自变量降维问题等；量子退火模块，是以量子力学为基础，结合传统经典搜索计算的原理而设计而成的，主要解决那些精度要求高，数据处理难度大的最大优化问题，0-1背包问题，图着色问题，调度问题，NP问题等；量子聚类模块，是以量子力学为基础，结合传统经典搜索计算的原理而设计而成的，主要解决那些精度要求高，数据处理难度大的模式识别问题，数据压缩和信息检索的问题，数据挖掘问题以及序列和异类数据分析问题等；量子蚁群模块，次分配问题，路线优化问题，机构同构判定问题，学习模糊规则问题等；该模块通过接收到的数据参数信息以及问题分配信息，把数据参数送入指定处理模块，进行基于量子的分析与计算，并将得到的结果传送给智能判定模块，对其处理的结果进行分析和判定是否符合要求。
各量子计算模块包括对应的量子计算模型，各量子计算模型的处理步骤如下：
所述的量子搜索模型按如下原理进行数据的处理：
1)将数据的量子态进行初始化；
2)应用哈达码变换对初始化的量子态进行处理，得到前n个量子比特，结合哈达码变换的逻辑非操作得到最后一个量子比特；
3)对以上处理结果进行迭代；
4)测量前n个量子比特。
所述的量子进化模型按如下原理进行数据的处理：
1)对数据进行初始化；
2)对数据进行基于量子比特概率的测量；
3)对测量的结果进行适应度评价；
4)利用量子门对测量的结果进行处理并更新；
5)对比最佳结果并保存。
所述的量子神经网络模型按如下原理进行数据的处理：
1)初始化各项预置参数；
2)将输入的实数值转换为量子态的形式；
3)计算神经元的实际输出值；
4)相关参数进行调整；
5)对计算误差值进行判断，当误差值小于预先设定的值时，训练结束；否则，增加步骤，重新计算。
所述的量子退火模型按如下原理进行数据的处理：
利用量子波动产生的量子隧穿效应来使算法摆脱局部最优，而实现全局的最优。具体来说，就是让经典系统量子化得到量子系统，讲过计算处理后，将量子系统退火回到经典系统，即，经典系统→量子系统→经典系统基态。
所述的量子聚类模型按如下原理进行数据的处理：
1)对数据的各项参数进行量子态的初始化；
2)对聚类的参数进行计算；
3)对样本间的相异性度量进行测量；
4)计算聚类势能；
5)对聚类个数进行迭代+1；
6)计算当前样本集中的最小样本势能样本点；
7)根据相异性度量的测量结果对所有样本进行处理；
8)对步骤7中的处理的样本进行聚类势能的判定对比，符合要求的保留，并在原样本集中删除；
9)如果样本集为空，则数据处理结束，否则从第4步开始重新计算，直至样本集为空。
所述的量子蚁群模型按如下原理进行数据的处理：
1)初始化量子蚁群数据；
2)在初始化的量子蚁群数据中，随机选择一个数据，并对该数据进行处理；
3)设置城市总数K，并将n个蚂蚁随机散落到某一个城市上；
4)蚂蚁按照状态一定的规则计算下一步需要选择的城市，并在新建立的路径上释放信息素；
5)记录本次迭代的最优解，并应用量子旋转门更新每条边的信息；
6)判断结果是否满足，满足则结束，否则，增加步骤，从第3步重新进行计算。
智能判定模块，该模块主要接受输入模块对精度的要求以及量子计算模块传输的结果和经典计算模块传输的结果，并对结果的精度和是否符合要求进行判定，如果符合要求，将结果传送给显示器，如果不符合要求，保留结果，同时给计算评估模块发出指令，计算评估模块重新对该问题适应的算法进行评估，更改计算参数(如迭代次数)或将原先的经典算法改为量子算法，重新计算，将计算结果与上次保留的结果进行对比，精度高的作为最终结果传递给显示器。
显示器，其主要功能是接收智能判定模块传递过来的结果，然后在显示器上显示出来。