基于并行准量子退火的梯度抽样优化方法

基于学习的方法因能够自动学习问题特定的启发式方法，减少对手动构建启发式方法的需求而受到关注。然而，这些方法常面临可扩展性挑战。为解决这些问题，提出了使用离散 Langevin 动力学的改进组合优化抽样算法（iSCO），其性能优于多种学习型求解器。本研究提出了另一种方法，通过连续松弛集成梯度更新，结合准量子退火（QQA）。QQA 从简单凸函数开始（该函数在半整数组最小），平滑过渡到原始目标函数，其中松弛变量仅在离散空间中最小化。此外，我们利用 GPU 实现并行运行通信，以增强探索能力并加速收敛。数值实验表明，我们的方法是一种具竞争力的通用求解器，在各种基准问题上性能与 iSCO 和学习型求解器相当。值得注意的是，我们的方法在大规模实例上在速度-质量权衡方面优于 iSCO、学习型求解器、商业求解器以及专用算法。