具有梯度信息重启的并行变分量子算法以加速贫瘠高原下的优化

受Fleming-Viot随机过程的启发，我们提出变分量子算法的并行实现，旨在减少算法在优化方向不明的贫瘠高原中所耗费的时间。在Fleming-Viot传统中，并行搜索称为粒子。在所提方法中，当某个Fleming-Viot粒子遇到梯度过小或含噪的区域（暗示贫瘠高原区）时，其搜索停止。该停止粒子在参数空间另一位置重生后继续搜索，有可能将探索带离贫瘠高原。我们首先从理论角度分析Fleming-Viot粒子的行为。我们表明，当以模拟退火优化器作为粒子时，Fleming-Viot系统预期比单一模拟退火优化器更快找到全局最优，其相对效率随域中贫瘠高原占比成比例提高。该结果在合成问题及Max-Cut问题实例上的数值实验得到证实，表明当域中存在大型贫瘠高原时，我们的方法优于普通模拟退火。