量子科技中心_量科网

两阶段随机规划通常将不确定性离散化为多个情景，但情景枚举法会导致期望追索评估的计算量至少随情景数量线性增长。该研究团队提出qGAN-QAOA——一种统一的量子电路工作流程：通过预训练的量子生成对抗网络编码情景分布，并用量子近似优化算法（QAOA）通过最小化完整的两阶段目标函数（包括期望追索成本）来优化第一阶段决策。在训练固定qGAN参数后，研究人员将目标函数评估为问题哈密顿量的期望值，并仅优化QAOA变分参数。该工作将非预见性解释为测量结果统计量的约束条件，并证明第一阶段测量的边际分布与具体情景无关。对于均匀离散化的不确定性，编码不确定性的对角算子通过沃尔什-哈达玛变换可获得稀疏的泡利-Z展开，使得量子门数量和电路深度随情景数量呈多对数级增长。在含光伏发电不确定性的随机机组组合问题（UCP）上的数值实验表明，该方法的期望成本优于经典期望值法和两阶段随机规划基准，验证了qGAN-QAOA作为两阶段决策模型的有效性。