该论文提出针对多准则优化问题的变分量子算法（VQA）的方法学改进。研究团队做出两项关键贡献：首先，将VQA的参数优化任务重新构建为多准则问题，可直接整合来自不同多准则元启发式的经典算法。该混合框架在各类基准测试中，其平均和最差性能均优于对应的单准则VQA。其次，研究人员提出一种将基于超体积的成本函数与面向覆盖的指标相结合的方法，实现对所得帕累托前沿近似多样性的显式控制。实验结果表明，该方法能以超体积损失最小化实现最高40%的覆盖率提升。该工作揭示了量子变分方法与经典群体搜索相结合推动实用量子优化的潜力。
