量子科技中心_量科网

车辆路径规划问题（VRP）是智能交通系统中的一项基本NP难问题，在物流配送领域具有广泛应用。基于图神经网络（GNN）的深度强化学习（DRL）方法虽展现出潜力，但经典模型依赖参数量大、内存受限的多层感知机（MLP）。该研究团队在DRL框架内提出量子图注意力网络（Q-GAT），采用参数化量子电路（PQC）替代关键读出阶段的传统MLP。这一混合模型在保持图注意力编码器表达能力的同时，将可训练参数减少50%以上。通过近端策略优化（PPO）结合贪婪与随机解码策略的验证实验表明，在标准VRP测试集上，Q-GAT较传统GAT基线实现了更快收敛速度，并将路径成本降低约5%。这些成果证实了PQC增强型GNN作为紧凑高效求解器在大规模路径规划与物流优化中的应用潜力。