CN106658639B - 一种基于量子遗传策略的qg-olsr路由方法 - Google Patents

Abstract

一种基于量子遗传策略的QG‑OLSR路由方法。移动自组织网络其移动性，自组织性，多跳性，分布式控制等特点，使其路由算法必须较快的适应频繁的网络拓扑结构变化，必须持续为每个节点保持实时性强，准确率高，冗余信息少的路由信息，且能最大限度的节约网络资源。与现有的量子遗传算法相比，本方法对量子遗传算法进行改进，并结合OLSR路由协议的特点，首先对MPR节点的选取进行优化，克服了传统方法选取MPR集合的不足，并证明了该算法的收敛性和全局最优解的特性。本方法经检验证明，可有效减少网络中冗余信息，提高网络拓扑中数据传输效率。

Description

一种基于量子遗传策略的QG-OLSR路由方法

【技术领域】

本发明涉及通信技术，具体提供一种基于量子遗传策略的QG-OLSR路由方法。

【背景技术】

移动自组织网络是一种用于连接移动设备的无线网络，由一组逻辑上对等的带有无线收发装置的节点组成，它不依赖于任何基础设置。移动自组织网络具有系统简单，组网灵活，鲁棒性强，无中心，多跳性等特点，相比于传统的有中心网络结构来说，移动自组织网络可以用更低的成本建立更大的网络连通空间。图1为移动自组织网络中采用的OLSR路由协议的MPR集合示意图，MPR集合中的每个节点都是源节点的一条邻居节点，通过MPR集合，源节点可以将信息传播到它的所有两跳邻居节点。MPR节点集合周期性的向全网泛洪TC消息，且该信息包含与该节点的MS节点之间链路信息。并且，MPR节点接受并转发来自其他MPR节点的TC信息。

移动自组织网络凭借其灵活性，扩展性等特点，被广泛应用于不同领域，如环境监测，战场监控，灾后救援等。在灾后救援应用中，利用传统的有中心拓扑结构网络，如蜂窝移动系统等，容易遭到破坏，可以利用移动自组织网络建立临时应急系统。

目前已经提出了很多量子计算的方法，研究主要集中在两类模型上：一是基于量子多宇宙量子衍生遗传算法，另一类是基于量子比特和量子态叠加特性的遗传量子算法。但是之前提出的很多量子遗传算法不具有通用性，仅仅是对特定问题进行求解，不适用于移动自组织网络的OLSR路由中MPR集合的选取及整个网络性能的提升。

【发明内容】

本发明一种基于量子遗传策略的QG-OLSR路由方法，采用多状态因子比特编码方式对网络中节点进行编码，采用量子交叉操作和量子非门实现基因链的交叉变异，采用量子旋转门策略及动态调整转角机制，考虑节点能量信息，避免了早熟及局部收敛现象。针对MPR问题的NP完全性，使用改进的量子遗传算法能够得到全局收敛的较优解。

本发明的基于量子遗传策略的QG-OLSR路由方法，主要包括如下关键步骤：

第1、QGA基本原理模型结构：

第1.1、基本遗传算法采用比例选择策略。

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小。

第1.3、量子遗传算法能收敛到全局最优解。

第2、改进QGA算法模型：

第2.1、初始化节点基因链。

第2.2、修复最优个体集合。

第3、编码及初始化：

第3.1、针对OLSR的量子遗传算法的基因链，采用0-1方式进行编码，考虑全局性及基因交叉变异问题，设定染色体长度等于网路拓扑中节点总个数。

第3.2、初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

第4、初始群体的选择：

第4.1、启发式规则选择节点i的MPR集合。

第4.2、适应度函数选择节点i的MPR集合。

第5、基因链交叉和变异：

第5.1、基因链交叉操作，针对网络拓扑高度动态性等特点，选择量子交叉策略。

第5.2、基因链变异操作，先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率。

第6、基因链更新：

动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

第7、修复策略：

对节点i的MPR集合中的节点进行维护，使用启发式规则。对于节点i的两跳邻居表中一个节点j，若该节点没有被新个体的任何一个节点覆盖，则在节点i的一跳邻居节点表中指定一个覆盖j的且覆盖能力最强的节点进入节点i的MPR集合中。

步骤第1.1中基本遗传算法采用比例选择策略，交叉概率和变异概率分别为P_c和P_m，且取值最小，模式H的定义长度为δ(H)，阶为ο(H)，第t+1代种群Q(t+1)含有H中的元素个数为m(H,t+1)，则以下不等式成立：

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；在选择算子的租用下，当模式H的平均适应度f大于群体Q的平均适应度时，模式H以指数级增长，同理可知，当模式H的平均适应度小于群体Q的平均适应度时，模式H以指数级减小。

步骤第2.1中，初始化节点基因链，QGA利用量子比特位保存种群中个体的染色体基因。在第t代时，种群可以表示为

其中n是第t代时种群中个体总数，

表示第i个个体，每个个体表示该节点的MPR集合，且个体

的染色体基因链表示如下：

其中i＝1,2,...m，m是量子比特位的个数，即量子染色体基因链的长度。

步骤第3.2中，初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

即对于节点i来说，它的初始化染色体基因链表示为：

其中，i＝1,2,…m，m为该网络拓扑结构中节点总个数；即染色体基因链的一个量子位

代表了对所有可能状态以相同概率的一个线性叠加，表示公式如下：

其中，S_k是第k个状态，由二进制串＜x₁,x₂,...x_n＞表示，x_i是0或1，m是染色体基因链长度，i＝1,2,…m。

步骤第4中，初始群体的选择：利用启发式规则计算得到的节点适应度函数，利用节点能量信息计算得到的节点适应度函数，得节点的综合适应度函数计算公式如下：

Fitness(i,j)＝w₁×Fitness_NB(i,j)+w₂×Fitness_ENE(i,j) (4)

其中w₁＝1/2,w₂＝1/2，即均衡启发式选取规则和节点能量适应度。在仿真实验中，针对不同的应用场景，不同的网络性能要求，可以设定不同的w₁和w₂参数；

依据节点综合适应度函数计算结果，进行个体选择，即是否选择节点j作为节点i的MPR集合中的节点，计算公式如下：

其中gen_size为种群中个体总数，在本算法中，gen_size等于网络中节点总个数；即节点j被选为节点i的MPR的选择概率为MPR(i,j)；

第4.1中，启发式规则选择节点i的MPR集合，启发式规则仅仅是依靠节点的覆盖范围来选取MPR集合的，没有考虑节点的能量信息，而MPR集合周期性的转发源节点的TC控制消息，需要消耗能量，所以后面需要进行筛选操作；

第4.2中，适应度函数选择节点i的MPR集合，根据节点的邻居节点个数求出节点距离适应度。再利用包含能量信息的节点能量适应度函数，求出节点的能量适应度。综合节点距离适应度和节点能量适应度，最终筛选出各个节点的最优MPR集合，即子代中的最优个体集合。

步骤5.1中，基因链交叉操作：针对网络拓扑高度动态性等特点，选择量子交叉策略，步骤如下：

1)将网络拓扑中的全部节点编号并排序；

2)取第一个个体的第一个基因作为新个体的第一个基因位，取相邻个体的第二个基因作为新个体的第二个基因位，循环往复，直到新个体具有相同的基因数；

3)以此类推，直到新的种群具有和父代相同的基因规模；

步骤5.2中，基因链变异操作：对于个体变异操作，先计算个体发生变异的概率，然后计算个体发生变异时，其基因链上基因位发生变异的概率，并结合量子非门进行基因变异操作；变异操作作用于个体的某基因位上，由于变异概率较小，在实际中一些个体可能根本就不发生变异，造成大量计算资源的浪费；因此，采取先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率；例如在网络中，节点j突然离开，则选择j为MPR的节点i的基因将发生变异，需要先判断i发生变异的概率，然后再判断在这个概率基础上，其变异对个体基因位有变异影响的概率；类似的在遗传生物技术方面的描述为，某个体感染某传染病的概率为多少，确定得病之后，其染色体发生变异的概率以及遗传给子代的概率为多少。

步骤第6中，基因链更新操作：在QGA算法的while循环中，通过观察Q(t-1)状态和之前的过程描述，得到一个解的集合P(t)，并且对每一个解用上述适应度函数进行评估；Update Q(t)中通过利用一些适当的量子门U(t)对Q(t)行更新，这些染色体是对P(t)进行更新得到的最优解；作为演化操作的执行机构，量子门U(t)可根据具体问题进行选择，目前已有的量子门有很多种，常用的量子比特门有量子旋转门，量子非门，量子控制非门，Hadamard门；根据量子遗传算法的计算特点，选择量子旋转门较为合适；量子旋转门的调整过程操作如下：

其中

为基因链中第i个量子比特的概率振幅，θ_i为旋转角。

步骤第6中，动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

本发明的优点和积极效果

本文主要设计了一种基于量子遗传策略的QG-OLSR路由方法，在该方法中，算法采用多状态因子比特编码方式对网络中节点进行编码，采用量子交叉操作和量子非门实现基因链的交叉变异，采用量子旋转门策略及动态调整转角机制，考虑节点能量信息，避免了早熟及局部收敛现象。针对MPR问题的NP完全性，使用改进的量子遗传算法能够得到全局收敛的较优解。由于计算MPR是每个节点独立进行的，只考虑两跳以内的LS信息，所以，即使在网络相当庞大，节点非常稠密的情况下，传输两跳以内的拓扑信息也不会消耗大量的节点能量，能达到较好的计算效率。由于对MPR集合的选取进行优化，并在选取的过程中考虑节点能量等信息，将会使得网络中拓扑控制信息等冗余信息相对减少，使得网络拓扑控制开销下降，有效数据包平均端到端时延变短。

【附图说明】

图1是节点的MPR集合示意图；

图2是网络仿真拓扑结构图；

图3是不同节点运动速度拓扑控制图；

图4是不同节点运动速度数据包递交率图；

图5是不同节点运动速度平均端到端时延图；

图6是不同数据包发送速率拓扑控制开销图；

图7是不同数据包发送速率数据包递交率图；

图8是不同数据包发送速率平均端到端时延图；

图9是不同节点密度，路由控制开销图；

图10是不同节点密度，数据包递交率图；

图11是不同节点密度，平均端到端时延图；

图12是本发明基于量子遗传策略的QG-OLSR路由方法的结构示意图。

【具体实施方式】

实施例1

本实施例设计的方法利用量子交叉和量子非门变异保证MPR集合的选的全局收敛性，利用量子旋转门进行更新，主要涉及的实施操作有编码及初始化、初始群体的选择、基因链交叉和变异、基因链更新和修复策略。

本实施例基于量子遗传策略的QG-OLSR路由方法，主要包括如下关键步骤：

第1、QGA基本原理模型结构：

第1.1、基本遗传算法采用比例选择策略。

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小。

第1.3、量子遗传算法能收敛到全局最优解。

第2、改进QGA算法模型：

第2.1、初始化节点基因链。

第2.2、修复最优个体集合。

第3、编码及初始化：

第3.1、针对OLSR的量子遗传算法的基因链，采用0-1方式进行编码，考虑全局性及基因交叉变异问题，设定染色体长度等于网路拓扑中节点总个数。

第3.2、初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

第4、初始群体的选择：

第4.1、启发式规则选择节点i的MPR集合。

第4.2、适应度函数选择节点i的MPR集合。

第5、基因链交叉和变异：

第5.1、基因链交叉操作，针对网络拓扑高度动态性等特点，选择量子交叉策略。

第5.2、基因链变异操作，先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率。

第6、基因链更新：

动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

第7、修复策略：

对节点i的MPR集合中的节点进行维护，使用启发式规则。对于节点i的两跳邻居表中一个节点j，若该节点没有被新个体的任何一个节点覆盖，则在节点i的一跳邻居节点表中指定一个覆盖j的且覆盖能力最强的节点进入节点i的MPR集合中。

步骤第1.1中基本遗传算法采用比例选择策略，交叉概率和变异概率分别为P_c和P_m，且取值最小，模式H的定义长度为δ(H)，阶为ο(H)，第t+1代种群Q(t+1)含有H中的元素个数为m(H,t+1)，则以下不等式成立：

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；在选择算子的租用下，当模式H的平均适应度f大于群体Q的平均适应度时，模式H以指数级增长，同理可知，当模式H的平均适应度小于群体Q的平均适应度时，模式H以指数级减小。

步骤第2.1中，初始化节点基因链，QGA利用量子比特位保存种群中个体的染色体基因。在第t代时，种群可以表示为

其中n是第t代时种群中个体总数，

表示第i个个体，每个个体表示该节点的MPR集合，且个体

的染色体基因链表示如下：

其中i＝1,2,...m，m是量子比特位的个数，即量子染色体基因链的长度。

步骤第3.2中，初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

即对于节点i来说，它的初始化染色体基因链表示为：

其中，i＝1,2,…m，m为该网络拓扑结构中节点总个数；即染色体基因链的一个量子位

代表了对所有可能状态以相同概率的一个线性叠加，表示公式如下：

其中，S_k是第k个状态，由二进制串＜x₁,x₂,...x_n＞表示，x_i是0或1，m是染色体基因链长度，i＝1,2,…m。

步骤第4中，初始群体的选择：利用启发式规则计算得到的节点适应度函数，利用节点能量信息计算得到的节点适应度函数，得节点的综合适应度函数计算公式如下：

Fitness(i,j)＝w₁×Fitness_NB(i,j)+w₂×Fitness_ENE(i,j)(4)

其中w₁＝1/2,w₂＝1/2，即均衡启发式选取规则和节点能量适应度。在仿真实验中，针对不同的应用场景，不同的网络性能要求，可以设定不同的w₁和w₂参数；

依据节点综合适应度函数计算结果，进行个体选择，即是否选择节点j作为节点i的MPR集合中的节点，计算公式如下：

其中gen_size为种群中个体总数，在本算法中，gen_size等于网络中节点总个数；即节点j被选为节点i的MPR的选择概率为MPR(i,j)；

第4.1中，启发式规则选择节点i的MPR集合，启发式规则仅仅是依靠节点的覆盖范围来选取MPR集合的，没有考虑节点的能量信息，而MPR集合周期性的转发源节点的TC控制消息，需要消耗能量，所以后面需要进行筛选操作；

第4.2中，适应度函数选择节点i的MPR集合，根据节点的邻居节点个数求出节点距离适应度。再利用包含能量信息的节点能量适应度函数，求出节点的能量适应度。综合节点距离适应度和节点能量适应度，最终筛选出各个节点的最优MPR集合，即子代中的最优个体集合。

步骤5.1中，基因链交叉操作：针对网络拓扑高度动态性等特点，选择量子交叉策略，步骤如下：

1)将网络拓扑中的全部节点编号并排序；

2)取第一个个体的第一个基因作为新个体的第一个基因位，取相邻个体的第二个基因作为新个体的第二个基因位，循环往复，直到新个体具有相同的基因数；

3)以此类推，直到新的种群具有和父代相同的基因规模；

步骤5.2中，基因链变异操作：对于个体变异操作，先计算个体发生变异的概率，然后计算个体发生变异时，其基因链上基因位发生变异的概率，并结合量子非门进行基因变异操作；变异操作作用于个体的某基因位上，由于变异概率较小，在实际中一些个体可能根本就不发生变异，造成大量计算资源的浪费；因此，采取先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率；例如在网络中，节点j突然离开，则选择j为MPR的节点i的基因将发生变异，需要先判断i发生变异的概率，然后再判断在这个概率基础上，其变异对个体基因位有变异影响的概率；类似的在遗传生物技术方面的描述为，某个体感染某传染病的概率为多少，确定得病之后，其染色体发生变异的概率以及遗传给子代的概率为多少。

步骤第6中，基因链更新操作：在QGA算法的while循环中，通过观察Q(t-1)状态和之前的过程描述，得到一个解的集合P(t)，并且对每一个解用上述适应度函数进行评估；Update Q(t)中通过利用一些适当的量子门U(t)对Q(t)行更新，这些染色体是对P(t)进行更新得到的最优解；作为演化操作的执行机构，量子门U(t)可根据具体问题进行选择，目前已有的量子门有很多种，常用的量子比特门有量子旋转门，量子非门，量子控制非门，Hadamard门；根据量子遗传算法的计算特点，选择量子旋转门较为合适；量子旋转门的调整过程操作如下：

其中

为基因链中第i个量子比特的概率振幅，θ_i为旋转角。

步骤第6中，动态调整量子旋转门的旋转角度，即根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整。

Claims (7)

1.一种基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法主要包括如下步骤：

第1、QGA基本原理模型结构：

第1.1、基本遗传算法采用比例选择策略；

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；

第1.3、量子遗传算法能收敛到全局最优解；

第2、改进QGA算法模型：

第2.1、初始化节点基因链；

第2.2、修复最优个体集合；

第3、编码及初始化：

第3.1、针对OLSR的量子遗传算法的基因链，采用0-1方式进行编码，考虑全局性及基因交叉变异问题，设定染色体长度等于网路拓扑中节点总个数；

第3.2、初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

第4、初始群体的选择：

第4.1、启发式规则选择节点i的MPR集合；

第4.2、适应度函数选择节点i的MPR集合；

第5、基因链交叉和变异：

第5.1、基因链交叉操作，针对网络拓扑高度动态性的特点，选择量子交叉策略；

第5.2、基因链变异操作，先对个体层次发生变异的概率进行判断，再判断个体基因链的基因位发生变异的概率；

第6、基因链更新：

动态调整量子旋转门的旋转角度，根据遗传代数的不同，将旋转角度的值的大小在0.1π和0.05π之间动态调整；

第7、修复策略：

对节点i的MPR集合中的节点进行维护，使用启发式规则；对于节点i的两跳邻居表中一个节点j，若该节点j没有被新个体的任何一个节点覆盖，则在节点i的一跳邻居节点表中指定一个覆盖j的且覆盖能力最强的节点进入节点i的MPR集合中。

2.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第1.1中基本遗传算法采用比例选择策略，交叉概率和变异概率分别为P_c和P_m，且取值最小，模式H的定义长度为δ(H)，阶为ο(H)，第t+1代种群Q(t+1)含有H中的元素个数为m(H,t+1)，则以下不等式成立：

第1.2、在基本遗传算法中，阶次低，定义长度短且适应度超过平均适应度值的模式的数据以指数级增长，适应度小于平均适应度值的模式的数据以指数级减小；在选择算子的租用下，当模式H的平均适应度f大于群体Q的平均适应度时，模式H以指数级增长，同理可知，当模式H的平均适应度小于群体Q的平均适应度时，模式H以指数级减小。

3.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第2.1中，初始化节点基因链，QGA利用量子比特位保存种群中个体的染色体基因；在第t代时，种群可以表示为

其中n是第t代时种群中个体总数，

表示第i个个体，每个个体表示该节点的MPR集合，且个体

的染色体基因链表示如下：

其中i＝1,2,...m，m是量子比特位的个数，为量子染色体基因链的长度；α和β表示这两个相应状态的概率振幅，利用基因位将单个比特位表示为一组(α,β)集合，表示为

4.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第3.2中，初始化群体中，将群体中所有个体的染色体基因位的概率振幅的“0”和“1”状态位初始化为

即对于节点i来说，它的初始化染色体基因链表示为：

其中，i＝1,2,…m，m为该网络拓扑结构中节点总个数；染色体基因链的一个量子位

代表了对所有可能状态以相同概率的一个线性叠加，表示公式如下：

其中，S_k是第k个状态，由二进制串＜x₁,x₂,...x_n＞表示，x_i是0或1，m是染色体基因链长度，i＝1,2,…m。

5.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第4初始群体的选择：利用启发式规则计算得到的节点适应度函数，利用节点能量信息计算得到的节点适应度函数，得节点的综合适应度函数计算公式如下：

Fitness(i,j)＝w₁×Fitness_NB(i,j)+w₂×Fitness_ENE(i,j) (4)

其中w₁＝1/2,w₂＝1/2，即均衡启发式选取规则和节点能量适应度；在仿真实验中，针对不同的应用场景，不同的网络性能要求，可以设定不同的w₁和w₂参数；

依据节点综合适应度函数计算结果，进行个体选择，判断是否选择节点j作为节点i的MPR集合中的节点，计算公式如下：

其中gen_size为种群中个体总数；即节点j被选为节点i的MPR的选择概率为MPR(i,j)；

第4.1中，启发式规则选择节点i的MPR集合，启发式规则仅仅是依靠节点的覆盖范围来选取MPR集合的，没有考虑节点的能量信息，而MPR集合周期性的转发源节点的TC控制消息，需要消耗能量，所以后面需要进行筛选操作；

第4.2中，适应度函数选择节点i的MPR集合，根据节点的邻居节点个数求出节点距离适应度；再利用包含能量信息的节点能量适应度函数，求出节点的能量适应度；综合节点距离适应度和节点能量适应度，最终筛选出各个节点的最优MPR集合，为子代中的最优个体集合。

6.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤5.1中，基因链交叉操作：针对网络拓扑高度动态性等特点，选择量子交叉策略，步骤如下：

1)将网络拓扑中的全部节点编号并排序；

2)取第一个个体的第一个基因作为新个体的第一个基因位，取相邻个体的第二个基因作为新个体的第二个基因位，循环往复，直到新个体具有相同的基因数；

3)以此类推，直到新的种群具有和父代相同的基因规模；

步骤5.2中，基因链变异操作：对于个体变异操作，先计算个体发生变异的概率，然后计算个体发生变异时，其基因链上基因位发生变异的概率，并结合量子非门进行基因变异操作。

7.如权利要求1所述的基于量子遗传策略的QG-OLSR路由方法，其特征在于该方法中，步骤第6中，基因链更新操作：在QGA算法的while循环中，通过观察Q(t-1)状态和之前的过程描述，得到一个解的集合P(t)，并且对每一个解用上述适应度函数进行评估；Update Q(t)中通过利用一些适当的量子门U(t)对Q(t)行更新，这些染色体是对P(t)进行更新得到的最优解；作为演化操作的执行机构，量子门U(t)可根据具体问题进行选择，目前已有的量子门有很多种，常用的量子比特门有量子旋转门，量子非门，量子控制非门，Hadamard门；根据量子遗传算法的计算特点，选择量子旋转门较为合适；量子旋转门的调整过程操作如下：

其中

为基因链中第i个量子比特的概率振幅，θ_i为旋转角。

Images