基于CVaR的变分量子优化用于换手感知车联网用户关联
机器学习
2025-02-06 v2 人工智能
网络与互联网体系结构
系统与控制
系统与控制
摘要
高效资源分配是优化无线网络中各种任务的关键，通常被形式化为广义分配问题（GAP）。GAP作为线性和分配问题的通用版本，涉及等式和不等式约束，带来计算挑战。本文提出一种基于条件价值在风险（CVaR）的变分量子求解器（VQE）框架，用于解决车联网（VNets）中的GAP问题。该方法采用混合量子-经典结构，集成量身定制的费用函数，在目标函数和约束特定惩罚之间进行平衡，以提高解的质量和稳定性。使用CVaR-VQE模型，我们通过聚焦解空间的下尾部来高效处理GAP，从而增强了在噪声中间规模量子（NISQ）设备上的收敛性和鲁棒性。我们将此框架应用于VNets中的用户关联问题，结果在该方法相较于深度神经网络（DNN）方法时实现了23.5%的提升。
引用
@article{arxiv.2501.08418,
title = {CVaR-Based Variational Quantum Optimization for User Association in Handoff-Aware Vehicular Networks},
author = {Zijiang Yan and Hao Zhou and Jianhua Pei and Aryan Kaushik and Hina Tabassum and Ping Wang},
journal= {arXiv preprint arXiv:2501.08418},
year = {2025}
}
备注
Accepted in IEEE International Conference on Communications (ICC 2025)