量子科技中心_量科网

旅行商问题（TSP）作为典型的NP难组合优化难题，对物流和网络设计至关重要，但大规模实例会受限于指数级复杂度。该团队提出一种混合量子-经典框架，将变分量子本征求解器（VQE）优化与经典机器学习结合：通过K均值聚类进行问题分解，并采用随机森林回归器优化路径。在80个欧洲城市（规模从4至80城，总计38,500个样本）上通过Qiskit的AerSimulator及ibm_kyiv 127量子比特后端验证，该混合方法表现优于纯量子方案——80城时获得1.0287的近似比，较纯量子方法的1.9614提升47.5%，逼近经典基准值。机器学习将路径距离变异性（四分位距IQR，即结果中50%数据相对于中位数的离散度）从0.06降至0.04，在含噪声中等规模量子（NISQ）环境下增强了稳定性。该工作凸显了混合策略在可扩展TSP优化中的潜力，未来硬件进步有望实现实用化量子优势。