TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.4, April 201 4, pp. 2890 ~ 2 8 9 7   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i4.4244          2890     Re cei v ed Au gust 6, 201 3; Re vised Novem ber 1, 201 3; Acce pted  No vem ber 2 2 ,  2013   A Research on the Application of Quantum Neural  Network Optimization      Su Heng- y an g     Exp e rime ntal  T r aining Man a geme n t Center , Guangd ong I ndustr y T e chni cal Col l e ge,   Guangz ho u 51 030 0, Chi n a   email: sh y_ lov e y@1 63.com       A b st r a ct  T he char acters  of fixed w o rkin g ho urs tab l e i n clu d in g the  la rge a m ount  of i nput a nd  unc ertainty o f   nu mb er of inp u t para m eters,  make the e n c odi ng me tho d  has great i n flue nce on d e sig n  met hod  of   traditio nal  BP n e tw ork combi n i ng  gen etic  alg o r ithm. T h is  p a p e r a naly z e s  the  features  of se archi ng  abi lity  o f   the traditi on al  BP and  ge neti c  alg o rith m, ba sed o n   w h ich combi n in the qua ntu m   calc ul ation and ne utra l   mo de l to c o mpose  q uantu m  ne urons.  T h e n  the  q uant u m   ne urons  ar e ex pan de d t o  q uant u m  n e u tral   network to replace the tr aditional neutra l net work. Com p aring to the dr aw backs of the tradi tional genet ic   alg o rith m, the  pa per  ado pts a var i atio n cl ampi ng  mecha n is m. T he  me chan is m gr adu ally  narrow s  t h e   gen etic  oper ati on s pac e by  fi xing  not  sens iti v e si ngl ge n e  loc u s i n  th p opu latio n s, so   that the  ge ne  l o ci  do  not  meet th e re quir e me nts are   more  l i kel y  to p a rt ici pate  in  crossov e and   mutati on t o  acc e ler a te t h e   spee d u p  the  gen etic a l gor it hm opti m i z a t io n an d pr eve n t it from fa lli ng  i n to loc a extre m e  val ue. F i n a lly ,   base d  on fix e d table  of mec han ical sta nda rd w o rki ng h o u rs, compare d  to a variety o f  commo n ly us ed   meth ods, the i m pr ove d  alg o ri thm h a s better perfor m a n ce.     Ke y w ords : qu antu m  ne ura l  n e tw ork, improv ed ge netic  a l go rithm, fixed w o r k ing h ours tab l   Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion   Fixed worki ng h ours  manag eme n t is  an im portant fo un dation fo enterp r i s e   manag eme n t, enterp r ise p r oje c t mana g e ment, and it  is also a n  importa nt basis for e c on o m ic   accou n ting,  p r odu ction sch edule cont rol,   cost c ont rol  and p r od uct  prici ng. The  quality of fixe d   workin g h ours fo rmulatin g  not o n ly dire ctly affe ct la b o r h o u r s,  equ ipment utili za tion, pro d u c tion  cycle s  a nd la bor  rem une ra tion of empl o y ees, but al so promote th e increa se  in  labor produ cti v ity  [1, 2]. Comm on u s ed  met hod s for  cal c ulating fix ed  workin g ho urs a r e tabl e m e thod, em piri cal  estimate s m e thod, analo g y method, the learni ng   curve meth od, etc. In  addition, artif i cial  intelligen ce h a s al so b een  introdu ce d in  orde r to obtai n better results. Cu rre ntly, a little work h a been d one  o n  cal c ulatio n  of fixed working h o u r s fo r neut ral net work in  our  cou n try, su ch  as  Shujuan in Xi 'an Unive r sity  of Technol o g y [3], Zhong Hong cai in  Shangh ai Jia o tong Unive r sity  [4-7], Zhu  Lix i n in  No rthwe s tern  Polytechnical  University, Liu Shu hong  in  Jian gnan  Unive r sity,  ZhuQia oqia o  in Southea st Universi ty an d etc. The re sults they ac h i eved prove n eural n e two r k is   feasibl e  in  calcul ation  of fixed worki ng h ours. T hey u s e BP  neu ral  net work whi c h   has  sho r tco m ing s  of ea sy con v ergen ce  an d ea sy to fal l  into lo cal  minima to t r ain fixed  wo rking  hours. Even i f  the neu ral n e twork  stru ct ure i s  re a s on able, we can not gua rante e  to qui ckly  reach  the  optimal value.  The biologi cal evolution  b a se gen etic al gorithm ca n   obtain a  la rge r   prob ability global optimal  solutio n , and has  stron g  ro bustn ess, ad aptability and  high paralleli sm  cha r a c teri stics whi c h i s  widely use d  in  optimiz atio n   probl ems. Geneti c   algo rithms (GA) has  parall e l glob al sea r ch ab ility and BP  neural netwo rk (BP )  ha s local  sea r ch  ability, so the  combi nation of  these  two algorith m s ca mut ually co mpen sate the i r deficie nci e s [8, 9].  In gene ral, task time tabl e has la rge  qu antit y of data and the data  input pa rame ters a r e   not fixed. The s cha r a c teri stics ma ke B P  desig h a ve differe nt structures,  so  while ap plying  GA  to optimize B P  weight s an d thre shol d value, the  len g t h cha nge  ran ge of en co din g  is  wide. An d it  is difficult to  encode the i n itial gro up. Population  i n itialization’ s o peratio n effici ency is l o w.  So   how to choose the appr opriate method for GABP optimiz a tion,  quic k l and accurately  train  t he  fixed working  hours table and esta blish  a model  me ets the req u irements, a r e three p r obl em need to b e  solved wh en training h ours f i xed stand ard s . This  pape r use s  a fixed  workin g hou rs'   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Rese arch o n  the Applicat ion of Quantu m   Neural Network O p tim i zation (Su Hen g -yang 2891 table a s  the t r ainin g   sampl e  and  optimi z es  sep a rately, and in duct s   and a nalyzes the optimi z in effects i n  ord e r to im prove  the traini ng  effect of  ge n e tic ne ural n e twork trainin g  fixed worki ng  hours' q uantit ies table [10 - 12].       2.  BP Neur al Net w o r k Mode l of Quantu Quantum  Ne ural  Net w o r ks i s  a  ne ural   netwo rk mo d e l combini ng  quantum  com putation  based o n  the  tradition al BP artificial n e u ral  network  [13-15]. Th neural net wo rk m odel  ca n  be  cla ssifie d  to quantum n e u r al network  model ba se d  on quantum  gates. Qua n tum BP neural  netwo rk mod e l co nveys b a se d on  ch a nge s in t he  angle  of qua ntum state s  i n formatio n a n d   achi eve qu a n tum ph ase  operation via  shifting  and  rotating  ge n e ral  qua ntum  gate  whi c is  different fro m  the traditi onal  Ne ural   netwo rk s.  Q uantum  gate s  a r e  the  b a si s fo r q u a n tu comp uting, a nd qu antum  BP neural  net work m a inly  u s e s  unive rsal  quantum  gate s  in stead  of the   activation fu n c tion s to  ope rate on  inp u vectors.  Re-f ormul a tion  of qua ntum  bits are li sted, fo r a  quantum state  | , we c an get:      1 | 0 | |                                                                           (1)    ,  satisfy the normali zatio n  con d ition:     22 1       The above e q uation of qua ntum state s   is expre s sed  as the plu r al form:     sin cos ) ( i e f i                                                          (2)    Comp ari ng the two equ ations, we  can  obtain  that |0> corre s pon ds to the co sine, |1>  corre s p ond to the sine which i s  also mean s the imagina ry part and   indica tes the pha se  angle.   Acco rdi ng to the above co mplex rep r e s entati on of quantum state s , one bits ph ase g a te   and two bit s  controlle d NO T gate ca n be  expresse d a s  follows:   One bit pha se gate:     12 () 12 1 2 i ff f e                                                        (3)    Two bit s  cont rolled  NOT g a te      s i n c o s          1 c o s s i n        0 2 i fi el se                                                        (4)    From the formulas a bove,  we can infe r that  the function of one bit pha se shift g a te is to   pha se  shift th e qu antum  st ates. A s  a   co ntrol  paramet er  of two  bit s  co ntroll ed  NOT g a te, wh en   1 , the quantu m  states rota te at the same time whe n 0 , the phase  chan ge s but  the   prob ability a m plitude o b served d o e s n't  cha nge, so  we defin e th ere i s  no  cha nge. When   is   other valu e, the qu antum  states can  be f r eely  c han ge d. Accordi ng  to the de scrip t ion above, th quantum n e u r on mod e l co mposed by one bit phase shift gate and  two bits cont rolled  NOT g a te  can b e  expre s sed a s  follo ws:       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2890 – 2 897   2892   y f z  g 2   y f 1 f   2 f n f + + _ a r g( u)   u _ n x 1 x   2 x   + +   Figure 1. Qua n tum Neu r o n  Model        12 ,, , n X xx x  rep r e s ent s the an gle in p u t co rre sp on ding to the  a c tual p r obl e m 12 ,, , n   indicate s th e pha se shift which also  calle d weig ht,   is call ed  offset or  threshold,   mean th e control fa ctor for an gle,   arg ( u )  represe n ts the   pha se of  u      arg I m / R e ua c t a g u u , and z is t he output of  quantum n euro n  gx  is si gmoid  function.   Suppo se  that   i I  i s  the  i-th  i nput of  qu ant um n euron, t hen th quan tum ne uro n   a bove   can b e  expre s sed by the followin g  form ula:     1 () a r g ( ) 2 () n ii i uf f I f yg u Of y                                                                    (5)    The qu antum  neuron mo d e l is mainly  adju s ted by  ,, i  . The process of quantum  neuron  co nta i ns th ree  ste p s. Fi rst, the  input q uant u m  state i s  p hase shifted. Then  the off s et   angle i s  ad d ed to corre c t the pha se  shift resul t. Fi nally, the co rrect  re sult is pro c e s sed  by  controlled  NO T gate to get the quantum  neuron outp u t.        3.  Impro v ed Genetic Algo rithm  The imp r ove d  geneti c  alg o rithm find th e app roximat e  optimal  sol u tion thro ugh  the good   gene s bit OS . This is eq ui valent to decompo se la rg e individual i n to a larg e n u mbe r  of sm all  individual, col l ect good g e n e  fragme n ts appe ars, and  then combi n e them into a new individu als  with hig h  fitness. Wh en a  certai n pe rio d  gene m eet  t he optimi z ati on a c cura cy, in ord e r to  avoid  the damag e cau s e d  by crossover a n d  mutation  in next selecti on and n a rro w  the scop e  of  optimizatio n, we  fix it to  achieve  the  goal s.  Fi nal ly, we  apply  it to a   sim p le a ddition   sum  optimizatio n functio n , the resultin g effect is fa r better than that of si mple gen etic  algorith m Assu ming  th e si ze  of  popul ation i s  P, i ndividu a l  length  is L ,  uniform   cro s sover,  mutation rate  is M, and the maximum a l gebra is G.  k i x  rep r e s ent s the  i th gene lo ci  in the  k th   individual,  1, kP  and  1, iL .  Evaluation functio n  is  k f . In a simple  genetic al go rithm,  with the increase in the number  of genetic, optimi z ati on  curve gr adually level  off, and ultimat e ly  achi eve extre m e value th e n  stay u n cha nged. M u tation p r ob ability of sin g le g e ne lo cu s of t he  individual  is  M an d the  probability that  the ge ne  bit remain s u n ch ange d in   n  year i s    1 n M The two situ ations indi cat e  that with the incr ea se i n  the numbe r of evolution a ry gene, lo cus  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Rese arch o n  the Applicat ion of Quantu m   Neural Network O p tim i zation (Su Hen g -yang 2893 mutation p r o bability is al so increa sin g . For t he  entire  popul ation,  each individu al ch ang e alo ng  the dire ction  of fitting e v aluation fun c tion (i indi viduals  with  great fitness are retai n ed,  individual s wi th  little  fitness  a r e eliminat ed). We ca also  co nsi d e r  that the  sen s itivity individual  to fitness fun c tion i s   de cre a sin g , which i s  al so   the  rea s on  con s tantl y  flats the  opt imization  curve  c a lled mutation relaxation.  This pa pe r p r esents a n  improve d  method,  call ed variant cl amp ed whi c h im prove the   perfo rman ce   of gen etic  opt imization  alg o rithm  by fixing a  large r  o r  small e r lo ci.  Each tim e  fixing   a gen e can  cha nge  gen e t ic algo rithm  optimizatio spa c e, in  wh ich li kely in cl ude s the  sig nal  informatio n cannot o b serv ed in th e old  spa c e.  Ea ch  spa c e  optim ization  ca make  certain  of   improvem ent  to the ave r a ge fitness  of the pop ul atio n. As the r e a r e al way s  ne w ge ne lo cu s is  fixed, fitness of the population is also  rising.  Thi s  mech ani sm i s  adju s ted b y  the following  para m eters: mark  pa ram e ter  0, 0 . 5 bj , unma r para m eter  ,0 . 5 unbj b j  and mark time  bj t . Then, the followin g  equati on ca n be got ten.    1 p k i k i x t p 1, iL 1, kP                                              (6)    If in the  n  gen eration   bj t i  or  bj t i 1 , all the  i th se g m ent ge ne i n  the individ ual  are ma rked. In the followin g  evolution if  1 i unbj t unbj  , all the individual exit the marking   pro c e ss, o r  el se go o n . If the marke d  g ene segme n t is the  bj t th generation, it will  be fixed and   no long er pa rticipate in th e geneti c  alg o rithm opt imi z ation o peration, whi c h is called va riatio n   clampi ng.   The initial  mark vector is  12 , ... 0 , 0...0 n zz z . If in  the h-1th  gene ration   1 i unbj t unbj  , and th e hth  gen eratio bj t i  or  bj t i 1 then we get  i z + 1 . In the  next  bj t  ge neration, if al wa ys meet  the co n d ition  bj t i  or  bj t i 1 , all  the ith  segm e n t gen e   of the individual in the h+ bj t th gene ration  will be fixed. Otherwise, is no one in th e next  bj t   gene ration s meet  1 i unbj t unbj  i z = 0  that is  back  to the origin  Assu me that  the  12 , . .., n tt t th loci in  the mth ge ne ration m eets  the fixed re q u irem ent,  then:   Population of  the m-th gen eration i s    12 12 , ... ... ... ... n kk k k k k tt t n x xxx x x (1 , 2 , 3 . . . ) kP                            (7)    Population s  o f  the m+u-th ( 1, uG m  ) gene ratio n  is:    12 12 , . .. ... ... . .. n kk k k k k tt t n yy x x x y (1 , 2 , 3 . . . ) kP                          (8)    In the case of no variation, the gene lo ci  have  bee n fixed will be  stri ctly in the vicinity of  greate r  or  sm aller value.    The ope ratin g  step s of the improved g e netic alg o rith m are a s  follo ws:   1) Re pre s e n tation of the proble m : code  the required  problem a n d  define the objective   function (fitne ss fun c tion ).   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2890 – 2 897   2894 2) Initial  po pulation  pa rameters, in cl uding  overall  si ze,  crossover  pro babi lity and  mutation prob ability, and ra ndomly  gen erate an initial popul ation.   3) Re peat the  following o p e r ation to ch ro moso me in th e popul ation  until terminati on  condition is m e t.    a. Calculating  populatio n fitnes s value fo r each gen e locu s.   b. If the fitne ss val ue of a  gene lo cu satisfie s the  set thre sh old  value (i.e. th e above - identified opti m um value),  mark it and make it  out of  the genetic  manipul ation,  thereby the  gene  locus is retained.  c. Retentio n optimal value ,  the resultin optimal ge ne seg m ent s are com b ine d  into a   new in dividua l, and repla c e  the individual  wi th the worst fitness value  in generation .   d. To the ge ne loci me et the fixed require ment s, all gene s in  that position  of the   individual s in  the popul atio n are  repla c e d  by the  fixed gene, an d they are  no lo n ger in  crosso ver  and mutation  operation s f. According to si ze and value of f i tnes s,  the crossover pr obability and  mutation  prob ability to sele ct, crosso ver and mutat e   chromo som e s to produ ce  a new ge neration.  A simple example is  selected to illustrat e  that  the algorithm is  superior more rel a tively  than the simp le geneti c  alg o rithm. For a  binary sum fu nction:     12 ... n yx x x    0 , 1 , 10000 i xn                                              (9)    The sel e cte d  param eters are as foll ows:  the individual lengt h is L = 10 000, the   popul ation si ze is P  = 50 0, the maximum evol ution  algeb ra Max G  = 60 0, ch romosome s a r e   encode d as a  binary co de, uniform  cro ssover, and mut a tion pro babil i ty is 0.003.            Figure 2. SGA Optimizatio n  Re sults  Figur e 3. Optimization  Re sults of Variati on  Clampi ng Ge netic Algo rith     Figure 2 is a  optimizatio n curve  of sim p le  gen etic al gorithm. As  can be  see n  from the  Figure 2 that  the conve r g ence cu rve i s  gradu ally smooth with t he incre a si ng  of the evolu t io n   algeb ra. So   it is difficult  to achieve t he  maxim u m .  Figure 3  shows th e im proved  ge net ic   algorith m  opt imization  cu rve whi c h ma intain  a rapid  conve r ge nce sp eed and   can eventua lly  conve r ge  to t he m a ximum.  Throug h the  above  si mul a tion exp e rim ents  we  can   obtain th at th e   variation  cla m ping  gen etic al go rithm  can  effect ive l y improve  the  rate  of g enetic alg o rit h m   optimizatio and p r eve n t falling into lo cal extrem u m . Later i n  this  cha p ter,  we a pply  cla m p   geneti c  vari ation n eural n e twork algo rith m to the  opt i m ization  of th e initial  wei g h t  thre shold,  al so   have goo d re sults.       4.  Simulation Experiment a nd Analy s is  Take  three ta bles of p r od u c tion  quota  a s  the  traini ng  sam p le, a n d  test the  ab o v e three  codi ng m e tho d s’ effe ct. Ta ble 1 li sted  p a rts  of the d a ta in the th re tables, in  whi c h T  is  stan d a rd   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Rese arch o n  the Applicat ion of Quantu m   Neural Network O p tim i zation (Su Hen g -yang 2895 man-hou r qu ota (o utput), t he rest p a ra meters a r e in put pa ramete rs. Ea ch  sym bol’s  meani n g  is:  D - out side di ameter, L - le ngth, S – acro ss flats dista n ce, B - width ,  T – depth      Table 1. Stan dard T a sk Ti me List     S/mm  16 16 20  20  24  24 30  End mill square  comprehensive time schedule  T/min  3.5 3.9 3.8  4.3  5.2  6.5 85  D/mm  22.5 22.5 26.5  26.5  33.9  33.9 42.4  L/mm  10 17 13  22  28  47 60  D/mm  63 63 63  63  80  80 80  Cutter g r oove    comprehensive time schedule  t/mm  3 6 10  6 8  B/mm  6 6 10  10  12  16  T/min  3.2 3.7  3.9  5.1 6.5  L/mm  20 26 34  45  59  78 102      From task time table, it can be seen that   the inputs are respe c tively 3 and 4, th e output   is 1. Determi n ing the  num ber  of hidde layer no de s a c cordi ng to K o lmogo rov th eore m  are 7  and   9, so est ablish BP model who s stru ct ure i s   3-7 - and 4 - 9-1. GA is adopte d  to optimize  BP  initial weight s and  threshol d value s . T h e optimi z atio n results  are  assig ned  to  BP, and  ag ain   carry on the trainin g . Prog ram flow ch art  is sho w n in F i gure 1.           Figure 4.  Program Flo w  Chart       Acco rdi ng to  the stru cture of BP, determi ni ng the  total weight s and th re sh old value  numbe r,  e n code ea ch parameter  eig h t binary bits . T he training’ BP stru cture i s  3 - 7 - and  4 - 9- 1, the numb e r s of p a ra met e rs  are  36 a n d  55, afte r en codi ng, there are 3 6  * 8 =  2 88 and  55 * 8  =   440 bin a ry di gits. Geneti c  algorith m  (g a )  adopt s a sta ndard gen etic algorithm.   The chro mo some ge ne s n u mbe r s of variation cla m pin g  codi ng a r 36 and  55. Base d on  real cod ed  g enetic algo rithm,  variation operation  i s  t he key. In this pa per, th e followin g   sche me   is ado pted to  impleme n t variation: x is g ene po sition,  high an d low  are the u ppe r limit and lower   limit of x, rand is a  small  random  numb e r p r od uc e d   betwe en 0 a n d  1. Due to t he lo w po ssi bility  of the same random n u mb ers p r o d u c ed  by rand,  x ca n be take n as variation value to use.     () x r and hi gh l o w l ow                                        (10)    Becau s e th ere ha s not di rect conversio n  al go rithm b e twee n re al  and g r ay cod e , in the  gray  code  co ding, first tra n sform real n u mbe r  in to 0 1  co de, then  tran sform  0 1  co de into  g r ay  cod e  an d the  reverse  seq uen ce i s   con ducte d in  de codi ng. Othe r GA ope ratio n s a r e th sa me  with 01 code.   The a bove th ree  co ding  ge netic  algo rith ms all  ado pt  Formul (22 )   as fitne s s fun c tion, in  whi c h E is m ean squa re e rro r got in ne ural net wo rk  pre - traini ng o f  each chro m o som e Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2890 – 2 897   2896 1/ ( 1 ) fitn e s s E                                                           (11)    The a bove t h ree  codin g   mode s a r e  u s ed  to  o p timize BP  para m eters, in  which  the  para m eter  se lection of GA  is as follo ws:  populat io n si ze 80, iterative  uppe r limit 2000, variatio prob ability is  0.01, crossov e r p r ob ability is 0.65.  Th e time and th e la rge s t fitness  value by taki ng  the three met hod s after opt imization a r as sho w n in  Table 2   Paramete r v a lue s  after o p timization  is assign ed to  BP trainin g . Set the n u m ber of  training  500 0  times, Tabl e  3lists th e tra i ning a c curacy, training e r ror an d maxi mum, minimu relative ge ne ralization e r ror. It can be  see n  that  trai ning results’  relative erro r of three cod i ng   method me ets the re quire ment of 5%.        Table 2. Gen e tic Algorithm  Trainin g  Co rrelation Tabl e      01coding  Gra y   code   Va riation clamping coding  End mill square  comprehensive time  schedule  program  time- consuming (s)  359.391  1.7256E+03   318.015   Max i mum fitness  value  9.9854E-01  8.6617E-01   0.99966   Cutter g r oove  comprehensive  time  schedule  Program time - consuming (s)  809.94  3.5624E+03   718.00   Max i mum fitness  value  9.9865E-01  9.9492E-01   9.9875E-01       Table 3. Ne ural Network  Training Contra st  Table      Training  accur a c y   Training  steps  The ma x i mum  rel a ti v e  error   The minimum  rel a ti v e  error   End mill square  comprehensive  time schedule  01coding 1.00E-04   4.73E-02   6.9633E-04   Gra y  code   1.00E-04   3.63E-02   3.6905E-04   Variation  clamping coding 1.00E-04  5  3.61E-02   1.20E-03   Cutter g r oove  comprehensive time  schedule  01coding  1.00E-05   5000  4.95E-02  6.7488E-06   Gra y  code   1.00E-04   87  4.96E-02   1.0548E-04   Variation  clamping coding 1.00E-05  58  4.97E-02   1.2711E-04       From th e a b o ve table  da ta, it can  be  see n  that t hese three  coding  metho d s’ final  optimizatio n result s are  cl ose to ea ch  other. The V a riation  clam ping metho d  has the sho r test  encodin g  len g th and  the l east  codi ng ti me. Each  bit  of variation  cl amping  codin g  re pre s e n ts  para m eter which  do es no t need  de co de. The  resu lt is the  opti m ization  solu tion. Whil e e a ch   para m eter co ding l ength  o f  01  cod e  a n d  gray code   i s  d e termi ned  acco rdin g to  the a c curacy  of  para m eters, and 01 co din g   ad ds  a pro c e s from   bin a ry to  real  de codi ng, g r ay  cod e   sho u ld f i rst   decode to bin a ry, and de co de from bin a ry to real.  In addition, it  can  be  cal c ulated fro m  fitnes s value,  after the o p t imization of  geneti c   algorith m , ne ural  net work  para m eters g o can  ma ke  the training sampl e  up to 10-4 orders  of  magnitud e s.  If put the p a ram e ters o p timized  into  neu ral n e twork, it m a soo n  rea c the  spe c ified con v ergen ce  p r e c isi on.       5. Conclu sion   This p ape r di scusse s different  co ding m e thod s’ efficie n cy in trai nin g  formul a qu ota table   of genetic n e u ral net wo rk,  and u s e s  an  example to  illustrate th e a d vantage s an d disa dvanta ges  of different  coding  metho d s: 01  code i s  ea sy  to  rea lize a nd  crossover an d m u tation op era t ion  are  simple; V a riation  clam ping codin g  length is  sh o r t  with less time con s u m ing,  genetic o p e r ator  operation is  a little complicated; Gray cod e   overco mes the sho r tcomi n g s  of Hammi ng in 01  codi ng, b u t consume s  a  l o t of time. Al though   after  geneti c  al gori t hm optimi z at ion, the  neu ral  netwo rk  rapi dly converge s and in cre a s e s  gre a tly  the pro bability  of optimal solution, if neural  netwo rk st ru cture i s   not re aso nabl e o r   para m eter  se ttings a r e  imp r ope r, n eural  netwo rk fall i n to   local mini mu m or ca nnot  rea c h the sp ecified g ene ralizatio n erro r. So besid es codin g  pro b l e m,  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Rese arch o n  the Applicat ion of Quantu m   Neural Network O p tim i zation (Su Hen g -yang 2897 the structu r desi gn a nd p a ram e ter  sett ing of t he ne ural network are also  imp o rtant  p r obl e m need to be  so lved in the future.       Referen ces   [1]  T a keshi Hash i m oto, Abdu lla h  S Alaraim i , Ch eng ga o Ha n IC I. Mitigation Sc hemes for U n c ode d OF DM  over Channels  w i t h  Doppler Sp reads and Frequency  Offsets – Pa rt II: Asy m ptotic Analy s is.  Journa l o f   Co mmun icati o ns . 2012; 7( 9): 686- 700.   [2]  Xi ao H o n g , C ao Mao j u n , Li  Panchi. Qu an tum-inspir ed N eura l  Net w ork   w i t h  App licati on to Imag e   Restorati on.  AISS . 2013; 5(1 0 ) : 1198-1 2 0 7 [3]  Manj u Mathe w ,  A Be njam i n  Premkumar,  Chie w - T ong  Lau. Multi- use r  Interference  and Cr os s   Correlation Effects of Sp l i ne  M u lti w a v elet base d  Cog n itive   Ra dio Net w o r k.  Jour nal  o f   Co mmun icati o ns . 2012; 7( 9): 701- 711.   [4]  Qi Ren, Jian hu i W u , W e ijun  Guan, Yun L i , Lih ua Cu i. Res earch o n  Ha pp iness b a se d o n  Anal ys is of   Variance.  IJACT . 2013; 5(5): 232- 239.   [5]  Gilbert Micallef , Louai Sak e r, Salah E Elay oubi. Ha ns-Otto Sceck Realistic  Ener gy  S a ving Potential of  Slee p Mo de fo r Existing  a nd  F u ture Mo bil e   Net w orks.  Jo ur nal of  C o mmu nicati ons . 2 0 1 2 ;  7(10): 7 40- 748.   [6]  Peng J i a ng, B o   Xu, H ual i C a i, Yue x ia ng  Yang. T he Air c raft Life C y c l e Cost Estim a tion b a se d o n   Genera lize d  Vi rtual Econ om y .   JCIT . 2013; 8(5): 128-1 37.   [7]  Masah i ro S a s abe, H i rotak a   Naka no. Perfe c t Cell  P a rtitio nin g  Sch e me f o r Micro-C e l l ul ar Net w o r ks.   Journ a l of Co mmu n ic ations . 2 012; 7(1 0 ): 749 -757.   [8]  Han  Xi aod on g .  F ault Positionin g  T e chnolo g y  for Po w e r Grid Based o n  W a velet Ne ural Net w o r k .   Bull etin of Scie nce an d T e chn o lo gy . 201 3; 29(6): 59-6 1 [9]  Cho Se e Jun g .  W o rking-time  Reducti ons a nd Ch an ges i n  Emplo y me nt: T he Case of Korea.  JCIT 201 3; 8(12): 42 9-43 5.  [10]  Se-He e  Ju ng,  Yunsuk  Ch a.  W e llness  i n  th e W o rkpl ace:  Healt h  Prom oti on Pr ograms.  JCIT . 2013 ;   8(13): 44 0-4 4 6 .   [11]  Z h ifeng  Z h a ng,  Su W a ng,  Xin gan g Mi ao.  Re aliz ati o n   of Ro bot-assiste d  La ser  Sca nni ng  Measur emen t   S y stem b a sed  on Assemb l y  P l atform.  JDCTA . 2013; 7(1): 153- 158.   [12]  Lia ngmi ng L i , Ai-hu a  Yan g , Hui-T ang. T he effe cts of GL UT 4 and IL-6 on the d e vel o p m ent of insul i n   resistanc e inh i bited b y  e x erci se.  JDCTA . 2012; 6(21): 3 82- 389.   [13]  Hon g ju an Z h a ng, Lon g Qua n T he Kinetic  Char acte ristics  of the Clampi ng Unit in Inj e ction Mol d in g   Machi ne Driv e n  b y   Ne w  Pum p  Contro l S y st em.  AISS . 2012; 4(21): 46 8-4 75.   [14]    Nagar aj Mud u kpl a  Shad ak shara ppa. Optimum  Gener ation Sch edu li n g  for  T hermal  Po w e r Pla n ts   usin g Artificia l   Neur al N e t w or k.  Internation a l  Journ a l of El e c tr ical an d C o mp uter En gin e e rin g . 201 1;  1(2): 134- 13 9.  [15]  YU Li- y a ng, W A NG Neng, Z H ANG W e i. Neura l -net w o rk Based Ag gre g a tion F r ame w o r k for W i reles s   Sensor N e t w or ks.  Comp uter Scienc e . 200 8; 35(12): 43- 37.     Evaluation Warning : The document was created with Spire.PDF for Python.