一种城市交通路网实时动态多路口路径导航量子搜索方法与流程

本发明属于计算机科学和智能交通系统
技术领域：
，具体涉及一种城市交通路网实时动态多路口路径导航量子搜索方法。
背景技术：
：大中城市交通路网日益拥堵，因拥堵产生的时间成本、管理成本和经济成本越来越大，交通拥堵增加了居民出行时间，影响了人们的工作效率和生活质量，制约了城市发展，增加了能源消耗和尾气排放，加剧了环境污染，解决城市交通路网的拥堵问题利国利民。然而城市交通路网格局已难以改变，道路资源有限，高效的路径导航和合理的道路资源分配成为解决城市路网拥堵的主要途径。路径导航可以分为静态路径导航和动态路径导航，静态路径导航指的是以物理地理信息和交通规则等条件为约束来寻求最短路径，动态路径导航是在静态路径导航的基础上，结合实时的交通信息对预先规划好的最优行车路线进行适时的调整直至到达目的地最终得到最优路径。目前，投入市场应用的成熟路径导航系统大多基于静态的路径导航，主要有Dijkstra算法、Lee算法、Floyd算法、盲目搜索、A*启发式算法等，然而面对存在众多不稳定因素的交通现实，用户并不满足于现有的系统。静态的路径导航虽然可以迅速找到单个车辆的最优路径，但由于缺乏车辆间协调很难避免道路局部拥堵和其他局部资源相对闲置，并且发生交通事故和交通堵塞时,静态路径导航不能实时根据路况信息及时改变路线。因此为车辆提供实时动态的路径导航对缓解道路交通拥堵至关重要。车辆动态路径导航基于历史的、当前的交通信息数据对未来交通流量进行预测,并用于及时调整和更新最佳行车路线,从而有效减少道路阻塞和交通事故。动态路径导航中交通预测的重要性逐渐凸显，越来越多的研究学者们应用卡尔曼滤波方法、时间序列方法、神经网络法、Markov预测及灰色预测理论等对交通信息预测进行了深入研究。虽然随着网络的蓬勃发展，为车辆提供实时的路径导航信息已不难做到，但简单的动态实时预测流模型限制了实时预测模型的准确性，致使对实时的交通紧急状况的处理能力较差，而复杂的动态实时预测模型考虑因素众多，计算复杂度随路网规模增大呈指数级增加，因此目前的动态路径导航尚不成熟，多数停留在理论阶段。动态实时预测模型的准确性和复杂性的矛盾限制了动态路径导航的发展。技术实现要素：为了解决上述技术问题，本发明提供了一种城市交通路网实时动态多路口路径导航量子搜索方法，通过综合考虑影响交通的各种因素并量化这些因素以此评估路径导航方案得到能有效缓解交通拥堵的导航方案，并使得城市交通路网道路资源利用率最大化。本发明所采用的技术方案是：一种城市交通路网实时动态多路口路径导航量子搜索方法，将真实路网映射成模型图R(B,E)，其中B表示路口节点集合，Bi(i＝1,2,...,r)表示单个路口节点，r是总路口数，E表示带方向的路段集合；假设该路网中有n辆车，任一辆车w都有当前起始点Ps和目的地终点Pd，则该车的某条可行路径用连续相邻路口节点表示为{Ps,...,Pi,...,Pd}；每辆车均选择一条可行路径，所有车的行驶路径形成一个可行路径集合FPSn，即一个路径导航方案；其特征在于，所述方法包括以下步骤：步骤1：根据车辆数n、起止点信息及每辆车的可选路径，初始化车辆集{v1,v2,...,vn}及可选路径集其中vi表示第i辆车，表示第i辆车的一条可选路径；步骤2：对车辆及其可选路径0,1,...,bi进行量子编码{|0>,|1>,...,|2n×h-1>}，确定量子态可完全表示所有的路径导航方案；其中bi表示第i辆车的可选路径数，h表示对可选路径编码需要的最少二进制位数；步骤3：根据路况信息确定各影响因素的独立乘法因子αi,βj，确定效用值计算函数U(x)；其中每种路径导航方案对应自变量x值；步骤4：制备路径导航方案的等权叠加态|x>，计算每个路径导航方案x对应的效用值|U(x)|，得到效用值函数的等权叠加态|U(x)>；步骤5：确定效用值的经验值k，对效用值函数的等权叠加态|U(x)>进行量子搜索，搜索出满足要求的效用值|Us>；步骤6：输出满足要求的效用值Us及对应的路径导航方案，对每辆车进行路径导航。作为优选，步骤3中所述效用值函数U(x)为：U(x)＝Fr(x)×(α1×Rs(x)+α2×Sl(x)+α3×Ls(x)+α4×Os(x)+α5×Fd(x))-(β1×Ta(x)+β2×Tc(x)+β3×De(x)+β4×Oc(x)+β5×Tl(x))其中Fr(x)表示路段是否可抵达，取1表示可达，取0表示不可达；Rs(x)表示路段状况，取值[0，1]；Sl(x)表示速度限制，取值[0，1]；Ls(x)表示路段照明状况，取值[0，1]；Os(x)表示司机对系统推荐的顺从程度，取值[0，1]；Fd(x)表示司机对路段的熟悉程度，取值[0，1]；Ta(x)表示突发的交通事故或临时管制等带来的道路影响，取值[0，1]；Tc(x)表示所选路径耗费的时间代价，取值[0，∞]；De(x)表示所选路径耗费的距离代价，取值[0，∞]；Oc(x)表示所选路径耗费的油量代价，取值[0，∞]；Tl(x)表示交通灯的影响，取值[0，1]；αi(i＝1,2,...,5)、βi(i＝1,2,...,5)分别表示各影响因素对应的独立乘法因子。作为优选，步骤4的具体实现包括以下子步骤：步骤4.1：利用Hadamard门制备初始自变量路径导航方案的量子等权叠加态其中N表示量子态总数；步骤4.2：设计函数对应的幺正变换线路UU(x)及可用于实现函数计算的辅助量子比特|z>；步骤4.3：输入路径导航方案的等权叠加态，并行计算函数U(x)：UU(x)|x>|z>=|x>|z⊕U(x)>;]]>步骤4.4：得到效用值函数的等权叠加态|U(x)>。作为优选，步骤5的具体实现包括以下子步骤：步骤5.1：给出用于确定目标态的谕示函数f(y)，并设置对应的量子线路；f(y)={1,ify≥k0,else;]]>效用值函数的等权叠加态|U(x)>经过谕示函数判别之后，函数值f(x)为1的态为目标态；步骤5.2：将目标态累加，得出目标态数m并计算综合效用值目标态|Ua>；|Ua>=1mΣi=0m-1|ai>;]]>其中，ai表示目标态，|ai>表示目标态的量子形式；步骤5.3：根据|Ua>确定谕示询问O，确定O变换；O＝I-2|Ua><Ua|；其中I表示与|Ua>量子位数相同的等权叠加态，<Ua|表示|Ua>的共轭矢量；步骤5.4：根据等权叠加态确定D变换；其中，是所有基本状态的等权叠加态，H表示Hadamard变换，用来制备等权叠加态，表示制备n×h位的等权叠加态；N表示量子态总数，|i>表示第i个量子态；步骤5.5：由O变换和D变换确定一次G变换G＝DO；步骤5.6：对效用值函数的等权叠加态|U(x)>进行次的G变换，round表示最接近的整数；步骤5.7：观测输出的效用值态|Uout>及与之对应的路径导航方案|xout>，在时限内搜索出满足要求的效用值|Us>；步骤5.8：输出效用值态|Us>对应的路径导航方案xs中为每辆车选中的导航路径。作为优选，步骤5.7的具体实现包括以下子步骤：步骤5.7.1：对G变换完成后的输出进行观测，获取效用值Uout和当前搜索已用时ts；步骤5.7.2：如果ts<tmax，则执行下述步骤5.7.3，其中tmax表示能保证路径导航实时性的最大导航时间间隔；否则，执行下述步骤5.7.5；步骤5.7.3：如果Uout<k，则ts＝ts+tc，并回转执行所述步骤5.7.2，其中tc表示执行一次RGQS方法所需要的时间；否则，执行下述步骤5.7.4；步骤5.7.4：若果Uout<km，则k＝Uout，ts＝ts+tc，并回转执行所述步骤5.7.2，其中km表示根据经验设定的理想效用值；否则，执行下述步骤5.7.5；步骤5.7.5：Us＝Uout，输出Us。本发明构造了一个城市交通路网的实时动态多路口交通模型，将城市交通的各种影响因素整合为效用值用来评估路径导航方案的优劣；引入量子计算和量子搜索解决效用值的实时计算和搜索问题，在初始的道路条件确定后，运用本发明提供的算法能实时进行计算和搜索得到合适的效用值以及相应的合适的路径导航方案，为所有车辆提供路径导航，使得整个城市的交通有效缓解并使得城市道路交通资源利用率最大化。附图说明图1是本发明实施例的真实路网与模型映射图。图2是本发明实施例的RGQS方法流程图。图3是本发明实施例的UVCQC算法流程图。图4是本发明实施例的UVCQC算法量子并行计算过程示意图。图5是本发明实施例的RNUQS算法示意图。图6是本发明实施例的RNUQS算法中一次G变换和次G变换的几何示意图。具体实施方式为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。为了有效缓解交通拥堵，同时为行驶车辆提供实时的路径导航，本发明提出一种城市交通路网实时动态多路口路径导航量子搜索方法。该方法针对城市路网中多路口的大量车辆进行路径效用值的计算，需要考虑的因素非常多，不仅包括司机对道路的客观属性及主观偏好，还需要考虑到路线选择对应的耗费成本，以及道路上可能出现的突发事件等不确定因素。使用量子计算和量子搜索对影响因素和路径导航方案进行实时计算和搜索，得到合适的效用值及对应的路径导航方案，在满足行驶车辆个体利益的同时，实现整个城市路网道路资源利用率的最大化。本发明将真实路网(如图1(a))映射成模型图R(B,E)(如图1(b))，B是节点，E是节点间带方向的矢量箭头，R是由B和E组成的图。图1(a)中的路口依次映射为图1(b)中的节点B1,B2,...,B12，图1(a)中的路段映射为图1(b)带方向的矢量箭头，图1(a)中的真实路网映射为图1(b)中的图R。每个节点B表示图1(a)中的一个路口，节点Bi(i＝1,2,...,r)表示第i个路口，其中r是总路口数，每个矢量箭头E表示一个路段。假设该路网中有n辆车，任一辆车w都有当前起始点Ps和目的地终点Pd，则该车的某条可行路径可以用连续相邻路口表示为{Ps,...,Pi,...,Pd}。每辆车均选择一条可行路径，所有车的行驶路径形成一个可行路径集合FPSn,即一个路径导航方案。由于车辆数以及每辆车可行路径数均很多，故路径导航方案的数量巨大，本发明需要解决的问题即可转化为搜索最佳路径，即求出最佳的FPSn。在真实的路网中由于路况不断变化，因此路径导航方案的搜索过程必须在一定的时间段内实时更新，才能保证路径导航方案的有效性，因此必须保证在有限的时间内搜索出最佳路径并实时地更新。本发明用效用值U评价路径导航方案的优劣，影响效用值大小的因素有许多，既包括不变因素，如车道数、路段速度限制、红绿灯时长、司机对推荐导航方案的顺从程度等，也包括随时间不断变化的因素，如可选路径的距离、耗时、路况等，不变的因素本发明整合为偏好值P，变化的因素整合为成本值C，效用值的计算公式如式(1)所示。U＝P-C(1)效用值U是评价路径导航方案优劣的重要指标，即当路径导航方案确定时，U值也是确定的，并且U值越大，路径导航方案越好。由公式(1)知，U值取决于偏好值P和成本值C，偏好值的影响因素如表1所示，成本值的影响因素如表2所示，当路径导航方案确定时，U值由表1和表2中的因素决定。表1偏好值P的影响因素及参数定义表2成本值C的影响因素及参数定义表1和表2中各种因素对于效用值U的影响程度是不同的，因此计算U值的过程中，每种因素将根据城市规模和路径导航目标赋予相应的权值。偏好值P是确定性的因素，表1定义了影响偏好值的因素，任一车辆确定了起始地和目的地后，偏好值是确定的。由此，某路段的偏好值P计算公式如式(2)所示。P＝Fr×(α1×Rs+α2×Sl+α3×Ls+α4×Os+α5×Fd)(2)其中αi(i＝1,2,...,5)分别是各影响因素对应的独立乘法因子，其值与城市规模、决策目标的设定有关，乘法因子数值越大，该因素越重要，对效用值U的影响越大，在同一个交通路网中，所有的因子值是确定的。在任一条可选路径中，各路段的偏好值累加即为该路径的偏好值，偏好值越大，表示该路径越优。对于每条道路而言，偏好值P的大小是确定的，成本值C的大小不仅与选择的路径本身有关，还要考虑车辆之间的相互影响，表2定义了成本值的影响因素。在一辆车确定了路径之后，Ta、De和Tl的值可以相应计算，但油量成本Oc由时间成本Tc、距离成本De以及行驶速度综合决定，而时间成本Tc的值却不容易获得和计算，由于花费的时间不仅受路径长度影响，还有路径中各路段的拥堵程度影响，路段上的车辆数与道路的拥堵系数有着直接的关系，道路的拥堵系数与道路的平均行驶速度呈反相关。对于某个特定的路段，可以通过正在运行的车辆数目估算出通过该路段的平均行驶速度，本发明用交通拥堵系数γ表示道路的拥堵状况，车辆在道路上的平均行驶速度与交通拥堵系数息息相关，路段实际车辆数为n，阈值容量是H，拥堵容量是L，则拥堵系数γ的计算如式(3)所示。γ=1,n<HnH,H≤n<LLH+enL,n≥L---(3)]]>时间成本Tc确定之后，油量成本Oc和成本值C也可计算得到。当所有车辆的可行路径确定后，任一条路径的成本值C可如式(4)计算得到。C＝β1×Ta+β2×Tc+β3×De+β4×Oc+β5×Tl(4)其中，βi(i＝1,2,...,5)是影响成本值C的各影响因素的独立乘法因子，其值与城市规模、决策目标设定有关，它们的大小分别代表了各影响因素对成本值C的影响程度，也代表了其重要性程度。当某路径成本值C越小，该路径越优，所有车辆的成本值累加即为最终的该路径导航方案的成本值。效用值U可以衡量一个路径导航方案的优劣，高效用值也是一个交通系统良好运行的重要特征。当所有车辆的行驶路径(即一种路径导航方案)确定时，即可以计算其效用值，车辆的平均效用值代表了车辆路径导航方案的优劣，效用值越高，导航方案越好，交通状况越好。当所有可能导航方案的效用值U获得后，选择出最佳效用值Umax的路径导航方案进行车辆诱导，实现了最佳的交通导航。然而对一个大型城市路网而言，所有可能的路径导航方案数是巨大的，使用普通的计算机进行计算搜索时，由于计算速度和搜索速度的限制，无法实现整个路网车辆调度的实时性。在有限时间内搜索出最佳导航方案才具有实际应用价值。因此，本发明提出一种城市交通路网实时动态多路口路径导航量子搜索方法RGQS，如图2所示，RGQS方法流程请见表3；RGQS方法由UVCQC算法和RUNQS算法构成。量子计算机的并行能力以及量子搜索算法的搜索能力突破了计算速度和搜索速度的限制，实现了整个路网路径导航的实时性。表3RGQS方法流程若路网中共n辆车，编号分别为V1,V2,...,Vn，任一辆车Vi均有自身的起点和终点，起点和终点之间可选的路径有一条或若干条，这些路径均为系统为司机选择的满足司机要求的路径，设这n辆车的可选路径数分别为b1,b2,...,bn，路径用路口集合表示，Vi,j表示第i辆车的第j条路径，一个路径导航方案就是为每辆车提取一条路径的集合，如集合(其中，ai(i＝1,2,...,n)表示第i辆车中的任一条可选路径)即为一种路径导航方案。路径导航方案与其效用值一一对应，路径导航方案为自变量x，效用值U为函数，其函数关系表示如式(5)所示。U(x)＝P(x)-C(x)(5)；其中，自变量x取值范围为x在计算机中的形式用比特位0和1表示，每个x的取值唯一代表一个路径导航方案，为了更清晰的表示，路径导航方案x的二进制位需表示出每辆车所选的路径，那么每辆车的可选路径均需一定数目的二进制位来表示，取满足该式max{b1,b2,...,bn}≤2h最小h值来对x进行编码，每辆车的路径数需要h位二进制表示，共需n×h位二进制来表示路径导航方案数，如车辆数规模为1000，每辆车的路径用3位编码，则需3000位表示一种路径导航方案，存储这些方案需要的空间为23000个比特。经典计算机无法存储，更无法计算。而量子计算机在数据存储和并行运算上拥有着卓越的性能，由于叠加态的存在，3000量子比特可以存储的数据理论上是23000比特，相对于经典计算机而言，量子计算机的存储能力几乎没有上限，因此可以解决路径导航方案的存储问题，而量子计算机最优越的性能在于对连续变量真正意义上的并行计算(对所有自变量同时操作，运行一次得到所有函数值)。因此可以解决效用值的并行计算问题。量子计算机中存储的基本单位是态，经典计算机中只有0和1两种态，而在量子计算机中存在叠加态，即存在可以既非0也非1的叠加态，因此在经典计算机中一个3000位的二进制仅能表示一种路径导航方案xi，而在量子计算机中3000量子比特可以表示23000种路径导航方案，只要该量子态未被观测，可以认为这23000种路径导航方案同时被存储，量子计算机非常适合对这些连续变量的存储，并且每种路径导航方案都以同样的概率存在，这个概率在量子力学中用概率幅σ表示，某个路径导航方案概率幅的平方σ2等于该路径导航方案可以被输出的概率(在输出端被观测到的概率)。本发明用自变量x表示路径导航方案，函数U(x)表示该导航方案的效用值，在量子计算机中，两者均用量子态表示，分别用两个寄存器存储，自变量x初始化如式(6)所示。|x>=12n×h(|0>+|1>+|2>+...+|2n×h-1>)---(6)]]>如图3所示，路径导航方案由车辆数n和车辆的起点终点信息决定，可以用二进制编码表示出所有路径导航方案，导航方案的总数小于等于2n×h，令S＝2n×h，因此用S个量子态可以完全表示所有的路径导航方案。自变量x的等权叠加态(即所有的路径导航方案)是量子计算的输入，式(6)中表示路径导航方案存在的概率幅σ(其平方σ2表示对应路径导航方案的概率),S个态分别表示N个路径导航方案x取值，其中S＝N，所有路径导航方案在叠加态中的存在概率均为式(6)中的量子态为简写形式，比如态|0>实际是所有态的总位数均为n×h位，n表示车辆数，其中每辆车可选择的路径均用h位二进制表示，如第i个h位全0表示第i辆车所选的路径为第一条(编号为0)，这S个量子态全面表示了所有的路径导航方案，路径导航方案的存储和输入均可以有效的解决。UVCQC算法中函数U(x)的计算如式(7)所示。U(x)=Fr(x)×(α1×Rs(x)+α2×S1(x)+α3×Ls(x)+α4×Os(x)+α5×Fd(x))-(β1×Ta(x)+β2×Tc(x)+β3×De(x)+β4×Oc(x)+β5×T1(x))---(7)]]>进行不同的量子计算需要不同的量子线路，量子线路需根据函数确定，在量子计算机中运算函数时必须使用幺正变换Uf，下标f指的是某函数，不同的幺正变换使用不同的量子线路，量子计算机中还需要借助一个辅助量子比特|z>来实现幺正变换并获得函数，具体计算过程如式(8)所示。Uf|x>|z>=|x>|z⊕f(x)>---(8)]]>在这个变换中，对于一个特定的输出，输入是唯一的。如图3所示，确定了效用值函数U(x)后，需根据U(x)设定合适的量子线路和辅助量子比特实现幺正变换，每个态即自变量x对应一个效用函数值U(x)，所有的自变量同时执行同样的操作，并行完成效用值的计算，由量子力学的性质可以得到其计算过程如式(9)所示。UU(x)|x>|z>=|x>|z⊕U(x)>---(9);]]>在量子计算特定的线路中运行一次的结果如式(10)所示。图4是UVCQC算法量子并行计算一次的过程。1S(|0>|U(0)>+|1>|U(1)>+...+|S-1>|U(S-1)>)---(10);]]>所有的U值存储在另一个寄存器中，假设在自变量一端观测到|i>，那么存储U值的寄存器也坍缩为|U(i)>，观测到i后，存储U值的寄存器观测到的值是U(i)的概率为1，反过来也是一样。通过以上分析，可以得到UVCQC算法流程如表4所示。表4UVCQC算法前述解决了效用值U各影响因素的获取和计算，然而量子计算机虽然可以进行并行计算，但是结果的提取却并不容易，而且一定是单输出的，即量子计算机可以计算出所有导航方案的效用值，但是在输出端观测时一定会坍缩，最终可以获得输出的效用值只有一个。而对于城市路网路径导航问题只需要获得一种最佳的路径导航方案，因此只需要获得与之相应的一个效用值(最佳效用值)即可。前述得到了海量无序的效用值，而目前量子计算机对海量无序的数据进行搜索已经有了高效的算法，即量子搜索算法。但量子搜索算法只能解决已经确定目标态(目标态指的是需要搜索的态，此处指最佳效用值对应的态)的情况，并且无法百分之百搜索成功，为了适应实际问题的解决，本发明提出一种路网效用值量子搜索算法RNUQS，目的是从前述得到的效用值函数的量子叠加态|U(x)>中搜索到符合要求的效用值，并得到对应的路径导航方案。前述获得效用值的等权叠加态，路径导航问题转化为一个最优结果搜索问题，搜索的集合为{|U>}＝{|U(0)>,|U(1)>,...,|U(N-1)>}，效用值态的个数是S，目标态(即需要输出的态)是Umax(最大的效用值)，目标态是未知的，因此不能直接通过量子搜索算法获得最大的效用值和与之对应的路径导航方案，本发明提出一种RNUQS算法。在真实路网中，不会产生拥堵的最小效用值可以认为是一个固定的经验值k，那么大于经验值k的效用值均可以作为结果输出，假设大于经验值k的效用值个数为m，那么这m中的任何一个均满足输出条件。目标态个数为m，RNUQS算法中用来确定目标态的函数称为谕示函数，令y＝U(x)，RNUQS采用的谕示函数如式(11)所示。f(y)=1,ify≥k0,else---(11)]]>效用值函数态|U(x)>经过谕示函数判别之后，函数值f(x)为1的态为目标态，m个目标态随之被锁定，RNUQS算法通过态对应的函数值是否为1判断该态是否是目标态，RNUQS算法能够通过提升目标态的概率幅得到正确的输出。在搜索过程中用谕示函数检验每个效用值是否为目标态，然后通过Grover变换扩大目标态的概率幅提高目标效用值态输出的概率，如图5所示，图中G表示Grover变换，下面的阐述中简称G变换，进行一次G变换即是进行一次特定的量子迭代，经过一定代数的G变换后，目标效用值态的概率增长到一定程度，最终以接近1的概率输出，从而获得合适的目标效用值态。其中，G＝DO，O表示谕示询问，假设|Ua>是目标态，经过谕示询问后将执行幺正变换I-2|Ua><Ua|，如果为非目标态将不执行此操作，所以O的计算如式(12)所示。O＝I-2|Ua><Ua|(12)D的计算如式(13)所示。其中是所有基本状态的等权叠加态，H表示Hadamard变换(用Hadamard门实现)，用来制备等权叠加态，表示制备n×h位的等权叠加态。初始的等权叠加态每次经过G变换后目标效用值态的概率幅增加一点，非目标效用值态则减少一点，经过一定迭代次数的G变换后，目标效用值态的输出概率接近1，此时即可在输出端观测，得到合适的效用值。为了更好地理解一次G变换所起的作用，一次G变换可看作量子态在二维空间的量子变换，分为两步，分别是O变换和D变换。如图6(a)是一次G变换的几何示意图，图6(b)是进行次G变换的几何示意图，|Ua>是目标态，当前叠加态在目标态上的投影表示该叠加态中目标态的输出概率幅，每经过一次G变换，原始态向目标态转动2θ角度，如图6(a)所示，次G变换的过程如图6(b)所示，图6(a)中角度α是任意锐角，图6(a)和6(b)的角度θ相等()。图6(a)中，是初始的等权叠加态，|Ut>表示任意当前态，所有的G变换都是对|Ut>进行变换，|Ua>表示所有的目标态的和，其计算过程如式(14)所示。|Ua>=1mΣi=0m-1|ai>---(14)]]>ai表示目标态，表示|Ua>的正交态，与|Ua>垂直，|Ut>与的夹角设为α，与的夹角为θ，等权叠加态在目标态|Ua>上的投影(概率幅)为意义是在等权叠加态下观测到目标态的概率是sin2θ＝m/N，当前态是|Ut>，经过一次G变换，当前态变换为O|Ut>，|Ut>与O|Ut>关于对称，O|Ut>再经过一次D变换，变换为G|Ut>，O|Ut>与G|Ut>关于对称，根据角度关系不难计算，G|Ut>与|Ut>的夹角为2θ，与α无关，每经过一次G变换，当前态逆时针旋转角度2θ。由于效用值态|U>初始处于等权叠加态，经过i次G变换后，与的夹角变为(2i+1)θ，为了使目标态以接近1的概率输出，应使(2i+1)θ≈1，其中计算得round表示最接近的整数，因此只需进行i次变换即可搜索到合适的目标效用值，所需的时间复杂度仅为从i值的计算可以看出，由于i只能取整数，最终能得到目标态的概率只是非常接近1，因此有输出出错的可能，在实际的路径导航中，错误是不被允许的。针对这一问题，本发明提出一种量子检错策略(QuantumErrorDetectionStrategy,QEDS)，QEDS策略流程如表5所示。经验值k仅能保证有一个较合适的输出，但输出无法保证足够优化，在实际情况中可以设定一个理想的经验值km，进行多次搜索，在满足实时性的最大时限tmax的前提下，尽可能多次的搜索，设搜索一次用时为tc，当前已经花费时间为ts(初始为0)。表5QEDS策略由此，本发明提出的RNUQS算法流程如表6所示。表6RNUQS算法应当理解的是，本说明书未详细阐述的部分均属于现有技术。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。当前第1页1 2 3