利用高效参数迁移初始化与目标单层正则化优化提升QAOA效率且性能退化极小
量子物理
2026-01-23 v1
摘要
量子近似优化算法(QAOA)在组合优化问题(COP)中具有广阔应用前景。我们使用QAOA ansatz，结合参数迁移初始化与目标单层优化，在三种不同图族上研究了MaxCut问题。对于3正则(3R)、Erdos Renyi(ER)和Barabasi Albert(BA)图，参数迁移方法在目标单层优化中实现了平均近似比0.9443，而完整优化为0.9551。这代表了98.88%的最优性能，在无权图中实现了8.06倍的计算加速。但在加权图族中，对于高节点图，最优性能相对较低（低于90%），表明参数迁移后接目标单层优化对加权图族并不理想；然而我们发现对于某些加权族（加权3正则），该方法表现完美。在8.92%的测试用例中，目标单层优化优于完整优化，表明复杂的参数景观可能使完整优化陷入次优局部极小值。为缓解这种不一致性，采用岭(L2)正则化来平滑解景观，帮助优化器在完整优化中找到更优参数，并将这些不一致测试用例从8.92%降至3.81%。本工作表明高效参数初始化与目标单层优化可以在性能退化极小的情况下提升QAOA的效率。
引用
@article{arxiv.2601.15760,
title = {Improving the efficiency of QAOA using efficient parameter transfer initialization and targeted-single-layer regularized optimization with minimal performance degradation},
author = {Shubham Patel and Utkarsh Mishra},
journal= {arXiv preprint arXiv:2601.15760},
year = {2026}
}
备注
14 pages, 13 figures, 2 tables, 2 algorithms