Processes of applying of quantum genetic algorithm in function optimization

---

AIP Conference Proceedings 
2365, 030002 (2021); 
https://doi.org/10.1063/5.0057346
2365, 030002
© 2021 Author(s).
Processes of applying of quantum genetic
algorithm in function optimization
Cite as: AIP Conference Proceedings 
2365, 030002 (2021); 
https://doi.org/10.1063/5.0057346
Published Online: 16 July 2021
Shukhrat Toirov, and Ulugbek Narmuradov
ARTICLES YOU MAY BE INTERESTED IN
Comparison of some numerical methods solutions of wave equations with strong dispersion
AIP Conference Proceedings 
2365, 020009 (2021); 
https://doi.org/10.1063/5.0058159
Difference upwind scheme for the numerical calculation of stable solutions for a linear
hyperbolic system
AIP Conference Proceedings 
2365, 020003 (2021); 
https://doi.org/10.1063/5.0057123
The discrete convolution operator Dm[β]
AIP Conference Proceedings 
2365, 020033 (2021); 
https://doi.org/10.1063/5.0056965

---

Processes of Applying of Quantum Genetic Algorithm in
Function Optimization
Shukhrat Toirov
a)
and Ulugbek Narmuradov
b)
Samarkand Branch of Tashkent University of Information Technologies named after Muhammad al-Khwarizmi, Samarkand,
Uzbekistan.
a)
Corresponding author: [e-mail]
b)
Electronic mail: [e-mail]
Abstract. This article describes optimization processes of functions and their solutions using quantum genetic algorithms. These
are continuous heuristic optimization methods based on simulated genetic mechanisms, i.e., on dynamic processes in a population
such as mutation, crossover, selection, and so on. This process leads to the emergence of a new class called quantum genetic
algorithms. In this article, we have presented a discussion of new classes of quantum genetic algorithms, future capabilities, and
benefits.
INTRODUCTION
It became possible to optimize genetic algorithms and investigate these algorithms in the late 1980s. At this time,
physicist Richard Feynman thought about a computer that works based on quantum mechanics, that is, a quantum
computer. However, It took a while until the great idea was born to develop a hybrid algorithm that could run
on a quantum computer. Genetic algorithms are Darwin search algorithms based on natural selection and genetic
mechanisms present in organisms. In a simple genetic algorithm, genes are encoded in arrays called chromosomes.
In general, the algorithm starts with the initial set of chromosomes. Now the algorithm has come out on top in
the search for the most optimal solution. In each generation, the chromosomes in the population will be evaluated
before selection, their match values will be obtained and encoded. Once the chromosomes are assessed, the algorithm
chooses a "parent" or next generation mating process based on Darwin’s concept and the best survives. With the
acquisition of new generations of chromosomes, the algorithm simulates genetic mechanisms such as crossover and
mutation. In crossover mode, this genetic mechanism occurs during mating between individuals, which helps to bring
the population closer to the optimal solutions available in the search field [1].
Finding a solution to a global (in general, multidimensional) optimization problem is typical for systematic analysis.
Uncertainty of information and optimal decision making and management of complex systems in hazardous conditions
has been developed over the years in various fields. In recent years, novel forms of intelligent computing have
been successfully used to solve this problem. To find a solution using a quantum algorithm, a series of quantum
operators are used that change the initial state in accordance with the purpose of the initial superposition. In traditional
programming, a one-parameter function is implemented as follows: