Quantum Implementation of a Genetic Algorithm
Implementación cuántica de un algoritmo genético
Implementação quântica de um algoritmo genético
| 2024 | |
|
Algoritmo Genético Cuántico Computación Cuántica Algoritmo Genético Cuántico Híbrido Quantum Genetic Algorithm Quantum Computing Hybrid Quantum Genetic Algorithm Algoritmo Genético Quântico Computação Quântica Algoritmo Genético Quântico Híbrido |
|
| Español | |
| Universidad de Montevideo | |
| REDUM | |
|
https://revistas.um.edu.uy/index.php/ingenieria/article/view/1426
https://hdl.handle.net/20.500.12806/3401 |
|
| Acceso abierto | |
| Atribución 4.0 Internacional |
| _version_ | 1874036161130790912 |
|---|---|
| author | Solar, Mauricio |
| author2 | Figueroa, Vicente Manriquez, Francisco Pizarro, Francisco Dombrovskaia, Lioubov |
| author2_role | author author author author |
| author_facet | Solar, Mauricio Figueroa, Vicente Manriquez, Francisco Pizarro, Francisco Dombrovskaia, Lioubov |
| author_role | author |
| collection | REDUM |
| dc.creator.none.fl_str_mv | Solar, Mauricio Figueroa, Vicente Manriquez, Francisco Pizarro, Francisco Dombrovskaia, Lioubov |
| dc.date.accessioned.none.fl_str_mv | 2026-08-18T15:51:43Z |
| dc.date.available.none.fl_str_mv | 2026-08-18T15:51:43Z |
| dc.date.none.fl_str_mv | 2024-12-13 |
| dc.description.en-US.fl_txt_mv | This work provides a generalized view of the current state of quantum genetic algorithms (QGAs), showing the advances made in this research field over the last 24 years. QGAs combine concepts from quantum computing and classical genetic algorithms (CGAs), allowing them to address complex search and optimization problems efficiently. The main findings and contributions of these quantum algorithms are presented, highlighting the most promising trends and approaches, as well as the challenges and limitations that need to be overcome. New approaches and implementation techniques for QGAs are presented, including quantum genetic operators and efficient coding schemes that contribute to improving the performance and convergence of the algorithms. QGAs and other similar approaches, such as CGAs and pure quantum algorithms, are compared, highlighting the relative advantages and disadvantages of QGAs compared to their classical versions. An implementation of QGA using the Qiskit library is also shown. The selection of the methods used for the generation of the initial population, the crossing and the mutation of the different populations of the quantum circuits simulated in the experiments carried out are presented, exemplifying the significant advantages that these can bring in comparison with classical approaches. |
| dc.description.es-ES.fl_txt_mv | Este trabajo proporciona una visión generalizada del estado actual de los algoritmos genéticos cuánticos (QGAs), mostrando los avances realizados en esta área de investigación los últimos 24 años. Los QGAs combinan conceptos de la computación cuántica y los algoritmos genéticos clásicos (CGAs), lo que les permite abordar problemas complejos de optimización y búsqueda de manera eficiente. Se presentan los principales hallazgos y contribuciones de estos algoritmos cuánticos destacando las tendencias y los enfoques más prometedores, así como los desafíos y limitaciones que deben superarse. Se presentan nuevos enfoques y técnicas de implementación de QGAs, incluyendo operadores genéticos cuánticos y esquemas de codificación eficientes que contribuyen a mejorar el rendimiento y la convergencia de los algoritmos. Se comparan los QGAs y otros enfoques similares, como los CGAs y los algoritmos cuánticos puros, destacando las ventajas y desventajas relativas de los QGAs en comparación a sus versiones clásicas. Se muestra también una implementación de QGA utilizando la biblioteca Qiskit. Se presentan la selección de los métodos usados para la generación de la población inicial, el cruzamiento y la mutación de las distintas poblaciones de los circuitos cuánticos simulados en los experimentos realizados, ejemplificando las ventajas significativas que estos pueden traer en comparación con los enfoques clásicos. |
| dc.description.pt-BR.fl_txt_mv | Este trabalho fornece uma visão generalizada do estado atual dos algoritmos genéticos quânticos (QGAs), mostrando os avanços feitos neste campo de pesquisa nos últimos 24 anos. Os QGAs combinam conceitos da computação quântica e algoritmos genéticos clássicos (CGAs), permitindo que eles abordem problemas complexos de busca e otimização de forma eficiente. As principais descobertas e contribuições desses algoritmos quânticos são apresentadas, destacando as tendências e abordagens mais promissoras, bem como os desafios e limitações que precisam ser superados. Novas abordagens e técnicas de implementação para QGAs são apresentadas, incluindo operadores genéticos quânticos e esquemas de codificação eficientes que contribuem para melhorar o desempenho e a convergência dos algoritmos. QGAs e outras abordagens semelhantes, como CGAs e algoritmos quânticos puros, são comparados, destacando as vantagens e desvantagens relativas dos QGAs em comparação com suas versões clássicas. Uma implementação de QGA usando a biblioteca Qiskit também é mostrada. São apresentadas a seleção dos métodos utilizados para a geração da população inicial, o cruzamento e a mutação das diferentes populações dos circuitos quânticos simulados nos experimentos realizados, exemplificando as vantagens significativas que estes podem trazer em comparação com abordagens clássicas. |
| dc.format.none.fl_str_mv | application/pdf text/html |
| dc.identifier.none.fl_str_mv | https://revistas.um.edu.uy/index.php/ingenieria/article/view/1426 10.36561/ING.27.14 |
| dc.identifier.uri.none.fl_str_mv | https://hdl.handle.net/20.500.12806/3401 |
| dc.language.iso.none.fl_str_mv | spa |
| dc.publisher.es-ES.fl_str_mv | Universidad de Montevideo |
| dc.relation.none.fl_str_mv | https://revistas.um.edu.uy/index.php/ingenieria/article/view/1426/1853 https://revistas.um.edu.uy/index.php/ingenieria/article/view/1426/1849 |
| dc.rights.es-ES.fl_str_mv | http://creativecommons.org/licenses/by/4.0 |
| dc.rights.license.none.fl_str_mv | Atribución 4.0 Internacional |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.en-US.fl_str_mv | Memoria Investigaciones en Ingeniería; No. 27 (2024); 220-237 |
| dc.source.es-ES.fl_str_mv | Memoria Investigaciones en Ingeniería; Núm. 27 (2024); 220-237 |
| dc.source.none.fl_str_mv | 2301-1106 2301-1092 10.36561/ING.27 reponame:REDUM instname:Universidad de Montevideo instacron:Universidad de Montevideo |
| dc.source.pt-BR.fl_str_mv | Memoria Investigaciones en Ingenieria; n. 27 (2024); 220-237 |
| dc.subject.en-US.fl_str_mv | Quantum Genetic Algorithm Quantum Computing Hybrid Quantum Genetic Algorithm |
| dc.subject.es-ES.fl_str_mv | Algoritmo Genético Cuántico Computación Cuántica Algoritmo Genético Cuántico Híbrido |
| dc.subject.pt-BR.fl_str_mv | Algoritmo Genético Quântico Computação Quântica Algoritmo Genético Quântico Híbrido |
| dc.title.none.fl_str_mv | Quantum Implementation of a Genetic Algorithm Implementación cuántica de un algoritmo genético Implementação quântica de um algoritmo genético |
| dc.type.none.fl_str_mv | info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
| dc.type.version.none.fl_str_mv | publishedVersion info:eu-repo/semantics/publishedVersion |
| description | This work provides a generalized view of the current state of quantum genetic algorithms (QGAs), showing the advances made in this research field over the last 24 years. QGAs combine concepts from quantum computing and classical genetic algorithms (CGAs), allowing them to address complex search and optimization problems efficiently. The main findings and contributions of these quantum algorithms are presented, highlighting the most promising trends and approaches, as well as the challenges and limitations that need to be overcome. New approaches and implementation techniques for QGAs are presented, including quantum genetic operators and efficient coding schemes that contribute to improving the performance and convergence of the algorithms. QGAs and other similar approaches, such as CGAs and pure quantum algorithms, are compared, highlighting the relative advantages and disadvantages of QGAs compared to their classical versions. An implementation of QGA using the Qiskit library is also shown. The selection of the methods used for the generation of the initial population, the crossing and the mutation of the different populations of the quantum circuits simulated in the experiments carried out are presented, exemplifying the significant advantages that these can bring in comparison with classical approaches. |
| eu_rights_str_mv | openAccess |
| format | article |
| id | REDUM_d0cecaf3661805de44c2b6e3defc048a |
| identifier_str_mv | 10.36561/ING.27.14 |
| instacron_str | Universidad de Montevideo |
| institution | Universidad de Montevideo |
| instname_str | Universidad de Montevideo |
| language | spa |
| network_acronym_str | REDUM |
| network_name_str | REDUM |
| oai_identifier_str | oai:redum.um.edu.uy:20.500.12806/3401 |
| publishDate | 2024 |
| reponame_str | REDUM |
| repository.mail.fl_str_mv | nolascoaga@um.edu.uy |
| repository.name.fl_str_mv | REDUM - Universidad de Montevideo |
| repository_id_str | 10501 |
| rights_invalid_str_mv | http://creativecommons.org/licenses/by/4.0 Atribución 4.0 Internacional |
| spelling | Solar, MauricioFigueroa, VicenteManriquez, FranciscoPizarro, FranciscoDombrovskaia, Lioubov2024-12-132026-08-18T15:51:43Z2026-08-18T15:51:43Zhttps://revistas.um.edu.uy/index.php/ingenieria/article/view/142610.36561/ING.27.14https://hdl.handle.net/20.500.12806/3401This work provides a generalized view of the current state of quantum genetic algorithms (QGAs), showing the advances made in this research field over the last 24 years. QGAs combine concepts from quantum computing and classical genetic algorithms (CGAs), allowing them to address complex search and optimization problems efficiently. The main findings and contributions of these quantum algorithms are presented, highlighting the most promising trends and approaches, as well as the challenges and limitations that need to be overcome. New approaches and implementation techniques for QGAs are presented, including quantum genetic operators and efficient coding schemes that contribute to improving the performance and convergence of the algorithms. QGAs and other similar approaches, such as CGAs and pure quantum algorithms, are compared, highlighting the relative advantages and disadvantages of QGAs compared to their classical versions. An implementation of QGA using the Qiskit library is also shown. The selection of the methods used for the generation of the initial population, the crossing and the mutation of the different populations of the quantum circuits simulated in the experiments carried out are presented, exemplifying the significant advantages that these can bring in comparison with classical approaches.Este trabajo proporciona una visión generalizada del estado actual de los algoritmos genéticos cuánticos (QGAs), mostrando los avances realizados en esta área de investigación los últimos 24 años. Los QGAs combinan conceptos de la computación cuántica y los algoritmos genéticos clásicos (CGAs), lo que les permite abordar problemas complejos de optimización y búsqueda de manera eficiente. Se presentan los principales hallazgos y contribuciones de estos algoritmos cuánticos destacando las tendencias y los enfoques más prometedores, así como los desafíos y limitaciones que deben superarse. Se presentan nuevos enfoques y técnicas de implementación de QGAs, incluyendo operadores genéticos cuánticos y esquemas de codificación eficientes que contribuyen a mejorar el rendimiento y la convergencia de los algoritmos. Se comparan los QGAs y otros enfoques similares, como los CGAs y los algoritmos cuánticos puros, destacando las ventajas y desventajas relativas de los QGAs en comparación a sus versiones clásicas. Se muestra también una implementación de QGA utilizando la biblioteca Qiskit. Se presentan la selección de los métodos usados para la generación de la población inicial, el cruzamiento y la mutación de las distintas poblaciones de los circuitos cuánticos simulados en los experimentos realizados, ejemplificando las ventajas significativas que estos pueden traer en comparación con los enfoques clásicos.Este trabalho fornece uma visão generalizada do estado atual dos algoritmos genéticos quânticos (QGAs), mostrando os avanços feitos neste campo de pesquisa nos últimos 24 anos. Os QGAs combinam conceitos da computação quântica e algoritmos genéticos clássicos (CGAs), permitindo que eles abordem problemas complexos de busca e otimização de forma eficiente. As principais descobertas e contribuições desses algoritmos quânticos são apresentadas, destacando as tendências e abordagens mais promissoras, bem como os desafios e limitações que precisam ser superados. Novas abordagens e técnicas de implementação para QGAs são apresentadas, incluindo operadores genéticos quânticos e esquemas de codificação eficientes que contribuem para melhorar o desempenho e a convergência dos algoritmos. QGAs e outras abordagens semelhantes, como CGAs e algoritmos quânticos puros, são comparados, destacando as vantagens e desvantagens relativas dos QGAs em comparação com suas versões clássicas. Uma implementação de QGA usando a biblioteca Qiskit também é mostrada. São apresentadas a seleção dos métodos utilizados para a geração da população inicial, o cruzamento e a mutação das diferentes populações dos circuitos quânticos simulados nos experimentos realizados, exemplificando as vantagens significativas que estes podem trazer em comparação com abordagens clássicas.application/pdftext/htmlspaUniversidad de Montevideohttps://revistas.um.edu.uy/index.php/ingenieria/article/view/1426/1853https://revistas.um.edu.uy/index.php/ingenieria/article/view/1426/1849http://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessAtribución 4.0 InternacionalMemoria Investigaciones en Ingeniería; No. 27 (2024); 220-237Memoria Investigaciones en Ingeniería; Núm. 27 (2024); 220-237Memoria Investigaciones en Ingenieria; n. 27 (2024); 220-2372301-11062301-109210.36561/ING.27reponame:REDUMinstname:Universidad de Montevideoinstacron:Universidad de MontevideoAlgoritmo Genético CuánticoComputación CuánticaAlgoritmo Genético Cuántico HíbridoQuantum Genetic AlgorithmQuantum ComputingHybrid Quantum Genetic AlgorithmAlgoritmo Genético QuânticoComputação QuânticaAlgoritmo Genético Quântico HíbridoQuantum Implementation of a Genetic AlgorithmImplementación cuántica de un algoritmo genéticoImplementação quântica de um algoritmo genéticoinfo:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionpublishedVersioninfo:eu-repo/semantics/publishedVersion20.500.12806/34012026-08-18 12:51:43.874oai:redum.um.edu.uy:20.500.12806/3401Institucionalhttps://redum.um.edu.uy/Universidad privadahttps://um.edu.uy/https://redum.um.edu.uy/oai/requestnolascoaga@um.edu.uyUruguayopendoar:105012026-08-18T15:51:43REDUM - Universidad de Montevideofalse |
| spellingShingle | Quantum Implementation of a Genetic Algorithm Solar, Mauricio Algoritmo Genético Cuántico Computación Cuántica Algoritmo Genético Cuántico Híbrido Quantum Genetic Algorithm Quantum Computing Hybrid Quantum Genetic Algorithm Algoritmo Genético Quântico Computação Quântica Algoritmo Genético Quântico Híbrido |
| status_str | publishedVersion |
| title | Quantum Implementation of a Genetic Algorithm |
| title_full | Quantum Implementation of a Genetic Algorithm |
| title_fullStr | Quantum Implementation of a Genetic Algorithm |
| title_full_unstemmed | Quantum Implementation of a Genetic Algorithm |
| title_short | Quantum Implementation of a Genetic Algorithm |
| title_sort | Quantum Implementation of a Genetic Algorithm |
| topic | Algoritmo Genético Cuántico Computación Cuántica Algoritmo Genético Cuántico Híbrido Quantum Genetic Algorithm Quantum Computing Hybrid Quantum Genetic Algorithm Algoritmo Genético Quântico Computação Quântica Algoritmo Genético Quântico Híbrido |
| url | https://revistas.um.edu.uy/index.php/ingenieria/article/view/1426 https://hdl.handle.net/20.500.12806/3401 |
