量子科技中心_量科网

在众多工业应用中，寻找冲突目标的最优解是一项日常任务，而多目标优化旨在为此提供最佳解决方案。随着量子计算的出现，研究人员开始探索变分量子多目标优化算法(QMOO)能否为这类问题带来理论上的指数级优势。本研究中，该团队通过引入帕累托归档机制和支配解替换策略对该算法进行改进，在额外量子与经典计算成本下显著提升了超体积收敛性。研究提出采用RMNK景观作为QMOO的统一测试基准——这一做法在经典多目标优化领域已被广泛采用。通过设计这些景观的通用经典-量子映射方法，研究人员对QMOO进行了数值超参数调优，使其性能获得显著提升。最终，该工作将QMOO与经典多目标求解器NSGA-II/III进行对比，在小规模实例中展现出可比的结果。这些成果表明，经过针对性精细调参的QMOO算法，在复杂问题上可能比经典算法更具优势。