University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
2 résultat(s) recherche sur le mot-clé 'Informatique quantique'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
L'Informatique quantique:Qu'est-ce et pour quoi faire ? / Charles Corge
Titre : L'Informatique quantique:Qu'est-ce et pour quoi faire ? Type de document : texte imprimé Auteurs : Charles Corge Editeur : Paris : Ellipses Année de publication : 2011 Importance : 1 vol. (327 p.) Format : 24 cm ISBN/ISSN/EAN : 978-2-7298-6314-2 Catégories : Informatique Mots-clés : Informatique quantique Index. décimale : 004 - Informatique Résumé :
L'informatique quantique a pour objet de mémoriser et de traiter l'information en faisant appel aux déconcertantes et contre-intuitives propriétés des systèmes quantiques. Accoler l'adjectif "quantique" au mot "ordinateur" est l'idée surprenante de physiciens qui voulaient comprendre comment le flou quantique affecterait le bon fonctionnement des ordinateurs atteints d'une miniaturisation ultime en nanoélectronique. Pour ce faire, ils imaginèrent que les composants de base se réduiraient jusqu'à des particules tels les électrons ou les photons. Il leur est apparu que les ordinateurs sous régime quantique ne se révèlent pas plus imprécis que les ordinateurs conventionnels à dépense d'énergie égale. Non seulement ils fonctionneraient aussi bien, mais ils le feraient incomparablement mieux pour traiter certains problèmes comme celui de la factorisation des très grands nombres dont l'algorithme approprié ne peut être exécuté que sur un ordinateur quantique.
La puissance de calcul de l'ordinateur quantique tient au fait que l'information quantique croît exponentiellement avec le nombre de bits quantiques qu'un registre contient, ce qui conduit à une quantité d'informations fabuleuse puisqu'un registre d'une capacité de 500 bits quantiques contient plus d'informations que n'en contiennent les atomes de tout l'Univers. Celui-ci se présente ainsi comme l'ordinateur quantique ultime. Cependant il y a des ombres au tableau. Par exemple, lire une information quantique, c'est la détruire, et la copier n'est pas toujours possible. On ne peut pas, en principe, la transmettre en codant un signal lumineux, mais on peut faire voyager un état quantique à la vitesse de la lumière, par téléportation. C'est un pas vers la fiction de Star Trek. Reste le grand obstacle de l'instabilité des systèmes quantiques.
L'auteur de ce livre présente les quelques indispensables de la mécanique quantique pour contourner tous ces obstacles et comprendre les fondements de l'informatique quantique. Il le fait en s'appuyant sur des exemples d'algorithmes quantiques et en donnant description de trois dispositifs imaginés pour réaliser un ordinateur quantique.Note de contenu :
Sommaire
Avant-propos
Les quanta s'invitent
Schola Quantorum : 1re année - Le cadre mathématique
Schola Quantorum : 2e année - La dynamique quantique, la statistique quantique
Le qubit, unité élémentaire d'information quantique
Deux qubits et plus si...
Algorithmes de Deutsch-Jozsa et de Grover
Algorithme de Shor
Bruits quantiques - Codes correcteurs d'erreurs quantiques
Ordinateurs quantiques : avec quoi et comment ?
L'Univers, ordinateur quantique ultime
Bibliographie
IndexCôte titre : Fs/9693-9696 L'Informatique quantique:Qu'est-ce et pour quoi faire ? [texte imprimé] / Charles Corge . - Paris : Ellipses, 2011 . - 1 vol. (327 p.) ; 24 cm.
ISBN : 978-2-7298-6314-2
Catégories : Informatique Mots-clés : Informatique quantique Index. décimale : 004 - Informatique Résumé :
L'informatique quantique a pour objet de mémoriser et de traiter l'information en faisant appel aux déconcertantes et contre-intuitives propriétés des systèmes quantiques. Accoler l'adjectif "quantique" au mot "ordinateur" est l'idée surprenante de physiciens qui voulaient comprendre comment le flou quantique affecterait le bon fonctionnement des ordinateurs atteints d'une miniaturisation ultime en nanoélectronique. Pour ce faire, ils imaginèrent que les composants de base se réduiraient jusqu'à des particules tels les électrons ou les photons. Il leur est apparu que les ordinateurs sous régime quantique ne se révèlent pas plus imprécis que les ordinateurs conventionnels à dépense d'énergie égale. Non seulement ils fonctionneraient aussi bien, mais ils le feraient incomparablement mieux pour traiter certains problèmes comme celui de la factorisation des très grands nombres dont l'algorithme approprié ne peut être exécuté que sur un ordinateur quantique.
La puissance de calcul de l'ordinateur quantique tient au fait que l'information quantique croît exponentiellement avec le nombre de bits quantiques qu'un registre contient, ce qui conduit à une quantité d'informations fabuleuse puisqu'un registre d'une capacité de 500 bits quantiques contient plus d'informations que n'en contiennent les atomes de tout l'Univers. Celui-ci se présente ainsi comme l'ordinateur quantique ultime. Cependant il y a des ombres au tableau. Par exemple, lire une information quantique, c'est la détruire, et la copier n'est pas toujours possible. On ne peut pas, en principe, la transmettre en codant un signal lumineux, mais on peut faire voyager un état quantique à la vitesse de la lumière, par téléportation. C'est un pas vers la fiction de Star Trek. Reste le grand obstacle de l'instabilité des systèmes quantiques.
L'auteur de ce livre présente les quelques indispensables de la mécanique quantique pour contourner tous ces obstacles et comprendre les fondements de l'informatique quantique. Il le fait en s'appuyant sur des exemples d'algorithmes quantiques et en donnant description de trois dispositifs imaginés pour réaliser un ordinateur quantique.Note de contenu :
Sommaire
Avant-propos
Les quanta s'invitent
Schola Quantorum : 1re année - Le cadre mathématique
Schola Quantorum : 2e année - La dynamique quantique, la statistique quantique
Le qubit, unité élémentaire d'information quantique
Deux qubits et plus si...
Algorithmes de Deutsch-Jozsa et de Grover
Algorithme de Shor
Bruits quantiques - Codes correcteurs d'erreurs quantiques
Ordinateurs quantiques : avec quoi et comment ?
L'Univers, ordinateur quantique ultime
Bibliographie
IndexCôte titre : Fs/9693-9696 Exemplaires (4)
Code-barres Cote Support Localisation Section Disponibilité Fs/9693 Fs/9693-9696 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9694 Fs/9693-9696 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9695 Fs/9693-9696 livre Bibliothéque des sciences Français Disponible
DisponibleFs/9696 Fs/9693-9696 livre Bibliothéque des sciences Français Disponible
Disponible
Titre : Fouille de données basée algorithmes bio-inspirés Type de document : texte imprimé Auteurs : ZOUACHE, Djaafar, Auteur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (98 f .) Format : 29 cm Catégories : Informatique Mots-clés : Fouille de données Informatique quantique algorithme de luciole Optimisation par essaime de particules Sélection d’attributs Problème
d’optimisation discrète Problème du sac à dosRésumé : Résumé
L’extraction de connaissances dans les bases de données, également appelé
“data mining”, désigne le processus de découverte des informations et des
connaissances utiles, nouvelles et compréhensibles à partir d’une base de
données de grande taille, d’un entrepôt de données ou d’autres bases. La
majorité des problèmes d’extraction de connaissances peuvent s’exprimer comme
des problèmes d’optimisation combinatoire. Par conséquent, nous avons besoin
d’une approche fondamentale différente des approches d’extraction exactes
classiques. Cette approche est basée sur l’inspiration des idées et des intuitions à
partir de la nature et de la vie (biologique, physique, etc.) pour résoudre les
problèmes d’extraction de connaissances.
Notre contribution est faite en deux phases : La première phase consiste à
concevoir des méta-heuristiques bio-inspirés pour résoudre des problèmes
d’optimisation combinatoire d’une manière générale et la deuxième phase
consiste à réaliser et d’appliquer ces méta-heuristiques proposées aux problèmes
d’extraction de connaissances.
Dans la première phase, nous avons proposé deux algorithmes bio-inspirés,
le premier algorithme appelé QDEPSO hybride entre le DE et le PSO. Le
deuxième algorithme appelé QIFAPSO fait coopérer le firefly algorithm et le
PSO. Les deux algorithmes utilisent les concepts de l’informatique quantique.
Dans la deuxième phase, nous avons appliqué l’algorithme QIFAPSO pour
résoudre le problème de la sélection d’attributs.
Une évaluation expérimentale approfondie sur les différents jeux de
données disponibles dans la littérature montre que les algorithmes développés
sont performants et concurrents en terme de qualité de solutions comparant avec
d’autres algorithmes qu’ont été développés pour résoudre des problèmes
d’optimisation combinatoire ou bien dans la résolution de problème de la
sélection d’attributs.
Note de contenu : Contents
1 Introduction 1
1.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Data mining and optimization . . . . . . . . . . . . . . . . . . 1
1.1.2 Metaheuristics methods for discrete optimization . . . . . . . 2
1.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Majors contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Academic publications and communication produced . . . . . . . . 8
2 Bio-inspired algorithms for feature selection in classification 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Bio-inspired algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Quantum inspired computation . . . . . . . . . . . . . . . . . 10
2.2.2 Particle swarm optimization method . . . . . . . . . . . . . . . 11
2.2.3 Differential Evolution . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.4 Firefly algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Feature selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.2 Feature selection process . . . . . . . . . . . . . . . . . . . . . . 16
2.3.3 Classification of feature selection approaches . . . . . . . . . 17
2.4 Entropy, mutual information . . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Basic notions on Rough set theory . . . . . . . . . . . . . . . . . . . . 19
2.6 Background of approaches for feature selection . . . . . . . . . . . . . 21
2.6.1 Mutual information based approach . . . . . . . . . . . . . . . 21
2.6.2 Rough set based approaches . . . . . . . . . . . . . . . . . . . 21
2.6.3 Metaheuristics approaches based on rough set for feature selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Chapter summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 QDEPSO for Knapsack Problem 25
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Knapsack Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 The proposed algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Binary representation of items selection . . . . . . . . . . . . . 29
3.3.2 Quantum representation . . . . . . . . . . . . . . . . . . . . . . 29
3.3.3 Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.4 Quantum observation . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.5 Mutation operation . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.6 Crossover operation . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.7 Selection operation . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.8 Quantum rotation gate . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.9 Adaptation of the PSO formula . . . . . . . . . . . . . . . . . . 32
3.3.10 Outlines of QDEPSO algorithm . . . . . . . . . . . . . . . . . 33
3.4 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5 Chapter summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 QIFAPSO for discrete optimization problems 43
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 0–1 multidimensional knapsack problem: overview and related work 44
4.3 The proposed algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.1 Binary representation of fireflies . . . . . . . . . . . . . . . . . 46
4.3.2 Quantum representation of fireflies . . . . . . . . . . . . . . . 48
4.3.3 Initialization of quantum fireflies’ population . . . . . . . . . 48
4.3.4 Quantum measure . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3.5 Distance between two binary fireflies . . . . . . . . . . . . . . 49
4.3.6 Quantum movement according to the firefly algorithm strategy 51
4.3.7 Quantum movement according to the PSO strategy . . . . . . 53
4.3.8 QIFAPSO algorithm . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4.1 0-1 Simple Knapsack Problem . . . . . . . . . . . . . . . . . . . 54
4.4.2 Multidimensional Knapsack Problem . . . . . . . . . . . . . . 56
4.5 Conclusion and perspectives . . . . . . . . . . . . . . . . . . . . . . . 65
5 Quantum inspired firefly algorithm for feature selection 67
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2 QIFAPSO for feature selection . . . . . . . . . . . . . . . . . . . . . . . 68
5.2.1 Quantum representation for feature selection . . . . . . . . . . 68
5.2.2 Construction of feasible solution by Quantum observation . . 69
5.2.3 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.2.4 The distance and attractiveness between two fireflies’ solutions 70
5.2.5 Quantum movements for updating the fireflies’ solutions . . 72
5.3 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.4 Chapter summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6 Conclusions and Future works 83
6.1 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2 Future works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Bibliography 87Côte titre : DI/0020 En ligne : https://drive.google.com/file/d/1asHbMhrknzzhu9MJtNiU_6GXXLNbKEdc/view?usp=shari [...] Format de la ressource électronique : Fouille de données basée algorithmes bio-inspirés [texte imprimé] / ZOUACHE, Djaafar, Auteur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (98 f .) ; 29 cm.
Catégories : Informatique Mots-clés : Fouille de données Informatique quantique algorithme de luciole Optimisation par essaime de particules Sélection d’attributs Problème
d’optimisation discrète Problème du sac à dosRésumé : Résumé
L’extraction de connaissances dans les bases de données, également appelé
“data mining”, désigne le processus de découverte des informations et des
connaissances utiles, nouvelles et compréhensibles à partir d’une base de
données de grande taille, d’un entrepôt de données ou d’autres bases. La
majorité des problèmes d’extraction de connaissances peuvent s’exprimer comme
des problèmes d’optimisation combinatoire. Par conséquent, nous avons besoin
d’une approche fondamentale différente des approches d’extraction exactes
classiques. Cette approche est basée sur l’inspiration des idées et des intuitions à
partir de la nature et de la vie (biologique, physique, etc.) pour résoudre les
problèmes d’extraction de connaissances.
Notre contribution est faite en deux phases : La première phase consiste à
concevoir des méta-heuristiques bio-inspirés pour résoudre des problèmes
d’optimisation combinatoire d’une manière générale et la deuxième phase
consiste à réaliser et d’appliquer ces méta-heuristiques proposées aux problèmes
d’extraction de connaissances.
Dans la première phase, nous avons proposé deux algorithmes bio-inspirés,
le premier algorithme appelé QDEPSO hybride entre le DE et le PSO. Le
deuxième algorithme appelé QIFAPSO fait coopérer le firefly algorithm et le
PSO. Les deux algorithmes utilisent les concepts de l’informatique quantique.
Dans la deuxième phase, nous avons appliqué l’algorithme QIFAPSO pour
résoudre le problème de la sélection d’attributs.
Une évaluation expérimentale approfondie sur les différents jeux de
données disponibles dans la littérature montre que les algorithmes développés
sont performants et concurrents en terme de qualité de solutions comparant avec
d’autres algorithmes qu’ont été développés pour résoudre des problèmes
d’optimisation combinatoire ou bien dans la résolution de problème de la
sélection d’attributs.
Note de contenu : Contents
1 Introduction 1
1.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Data mining and optimization . . . . . . . . . . . . . . . . . . 1
1.1.2 Metaheuristics methods for discrete optimization . . . . . . . 2
1.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Majors contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Thesis organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Academic publications and communication produced . . . . . . . . 8
2 Bio-inspired algorithms for feature selection in classification 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Bio-inspired algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Quantum inspired computation . . . . . . . . . . . . . . . . . 10
2.2.2 Particle swarm optimization method . . . . . . . . . . . . . . . 11
2.2.3 Differential Evolution . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.4 Firefly algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Feature selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.2 Feature selection process . . . . . . . . . . . . . . . . . . . . . . 16
2.3.3 Classification of feature selection approaches . . . . . . . . . 17
2.4 Entropy, mutual information . . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Basic notions on Rough set theory . . . . . . . . . . . . . . . . . . . . 19
2.6 Background of approaches for feature selection . . . . . . . . . . . . . 21
2.6.1 Mutual information based approach . . . . . . . . . . . . . . . 21
2.6.2 Rough set based approaches . . . . . . . . . . . . . . . . . . . 21
2.6.3 Metaheuristics approaches based on rough set for feature selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Chapter summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 QDEPSO for Knapsack Problem 25
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Knapsack Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 The proposed algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Binary representation of items selection . . . . . . . . . . . . . 29
3.3.2 Quantum representation . . . . . . . . . . . . . . . . . . . . . . 29
3.3.3 Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.4 Quantum observation . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.5 Mutation operation . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.6 Crossover operation . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.7 Selection operation . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.8 Quantum rotation gate . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.9 Adaptation of the PSO formula . . . . . . . . . . . . . . . . . . 32
3.3.10 Outlines of QDEPSO algorithm . . . . . . . . . . . . . . . . . 33
3.4 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5 Chapter summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 QIFAPSO for discrete optimization problems 43
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 0–1 multidimensional knapsack problem: overview and related work 44
4.3 The proposed algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.1 Binary representation of fireflies . . . . . . . . . . . . . . . . . 46
4.3.2 Quantum representation of fireflies . . . . . . . . . . . . . . . 48
4.3.3 Initialization of quantum fireflies’ population . . . . . . . . . 48
4.3.4 Quantum measure . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3.5 Distance between two binary fireflies . . . . . . . . . . . . . . 49
4.3.6 Quantum movement according to the firefly algorithm strategy 51
4.3.7 Quantum movement according to the PSO strategy . . . . . . 53
4.3.8 QIFAPSO algorithm . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4.1 0-1 Simple Knapsack Problem . . . . . . . . . . . . . . . . . . . 54
4.4.2 Multidimensional Knapsack Problem . . . . . . . . . . . . . . 56
4.5 Conclusion and perspectives . . . . . . . . . . . . . . . . . . . . . . . 65
5 Quantum inspired firefly algorithm for feature selection 67
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2 QIFAPSO for feature selection . . . . . . . . . . . . . . . . . . . . . . . 68
5.2.1 Quantum representation for feature selection . . . . . . . . . . 68
5.2.2 Construction of feasible solution by Quantum observation . . 69
5.2.3 Fitness function . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.2.4 The distance and attractiveness between two fireflies’ solutions 70
5.2.5 Quantum movements for updating the fireflies’ solutions . . 72
5.3 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.4 Chapter summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6 Conclusions and Future works 83
6.1 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2 Future works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Bibliography 87Côte titre : DI/0020 En ligne : https://drive.google.com/file/d/1asHbMhrknzzhu9MJtNiU_6GXXLNbKEdc/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0020 DI/0020 Thèse Bibliothéque des sciences Français Disponible
Disponible