量子科技中心_量科网

量子近似优化算法（QAOA）是量子组合优化领域的核心框架。作为物流运输中的关键问题，车辆路径规划（VRP）是QAOA的天然应用场景，但标准QAOA面临重大可行性挑战——可行解在完整二进制搜索空间中通常仅占极小比例，且传统泡利-X混合器会破坏已满足关键局部约束的中间解结构。 为解决该问题，该团队提出具有双重互补机制的约束感知QAOA框架。首先设计轻量级初始化策略，将具有结构信息量的局部独热约束子集编码至初始态。其目标并非制备全可行VRP解的叠加态，而是通过易实现方式缩小初始叠加空间规模，从而提升已满足重要局部结构的量子态概率幅集中度。其次引入混合XY-X混合器，在保持初始化约束结构的同时，保留QAOA演化过程中对剩余自由度进行探索的灵活性。 研究团队在三种渐进现实的场景下（理想态矢量模拟、有限样本采样、含噪有限采样）将本框架与标准QAOA对比评估。结果显示：在所有场景中，新方法始终具有更低的平均能量与更高的可行解比例，证明约束感知初始化结合混合混合器能更有效引导搜索朝向结构有效且低成本的VRP解。值得注意的是，随着评估环境趋近含噪场景（采用基于实验室最佳报告水平的量子比特门与读出保真度的硬件误差模型），该优势出现衰减。鉴于混合混合器具有更复杂的电路结构，这种衰减现象预示着：随着未来硬件进步带来的量子错误率降低，结构化混合器的实际效益将更具显著性。