量子科技中心_量科网

车辆路径混合量子优化面临一个实际瓶颈：CVRP（容量约束车辆路径问题）的直接QUBO编码很快会超出近期量子比特和门电路的预算，而量子评估成本高昂、受噪声限制且对后端和电路配置敏感。该团队通过端到端分解流程解决了这一缺口，该流程将CVRP转化为有界宽度的量子子问题，并将量子执行视为优化循环中的决策问题。 基于Fisher-Jaikumar分配线性化方法，研究人员应用拉格朗日松弛法对客户-分配耦合器进行对偶化，生成独立的单车背包子问题，这些问题可采用QUBO/Ising模型评估。为替代脆弱的次梯度调参，该工作通过专家引导预训练和强化学习微调，开发了一个乘数更新控制器，其奖励基于实际执行进展和路径重构。 此外，该工作引入了一个约束情境赌博机作为硬件感知执行层，通过可行性筛选选择后端和电路配置，从而适配异构噪声资源并支持并行多量子处理单元调度。在多个CVRPLIB数据集上的计算结果表明：该分解方法在不同规模实例中均能生成稳定的有界宽度子问题；在相同预算下，学习型乘数更新相比经典次梯度控制提升了端到端路径质量；硬件模式配置将测试集中位最优性差距较静态执行选择显著缩小。 该研究并未宣称实现量子优势，其核心贡献在于通过运筹学分解、学习增强的对偶控制和自适应硬件感知执行，为扩展混合量子CVRP优化提供了一个实用的端到端框架。