量子科技中心_量科网

在离散变量黑箱优化中，候选解的数量呈组合级增长，且每次评估往往成本高昂。因此，在有限的试验次数内高效识别有潜力的解至关重要。组合结构贝叶斯优化（BOCS）作为一种现有参数化方法，在数据量较少时表现有效。然而，随着观测次数增加，BOCS倾向于重复提出已评估过的点，导致搜索停滞。针对这一问题，已有研究提出了在提出已评估点时添加随机点的策略，但该方法无法充分挖掘已获取的有潜力数据中的信息。在本研究中，该团队提出一种混合方法：以BOCS作为主要搜索框架，仅在检测到搜索停滞时，利用高斯过程生成替代的未评估点。在高斯过程组件中，自适应地选择多个置信下界（LCB）采集函数，以动态平衡开发与探索。以全连接二次无约束二元优化（QUBO）和高阶无约束二元优化（HUBO）作为黑箱函数的数值实验表明，所提方法在两种设定下均能找到比传统随机点添加方法更优的目标值。进一步分析表明，其有效性源于选取了能在汉明距离邻域内促进搜索进展的点，而非简单地在有潜力解附近添加低能量点。针对量子退火器应用中的稀疏代理模型实验进一步表明，保留近乎全连接的表示能力至关重要。