QAOA中使用随机重启随机爬山与局部搜索的参数优化比较：纠缠与非纠缠混合算子
量子物理
2025-07-15 v3
摘要
本研究探讨了在量子近似优化算法（QAOA）框架内，针对各种问题模型，随机重启随机爬山（SHC-RR）与局部搜索（LS）策略的有效性比较。采用统一的参数设置，包括重启次数和SHC步数，我们分析了具有两种不同扰动操作的LS：乘法和求和。我们的比较分析涵盖了多个版本的max-cut和随机Ising模型（RI）问题，使用了深度从到的QAOA模型。这些模型包含了多种混合算子配置，集成了和门，并探讨了混合算子中纠缠阶段的影响。我们的结果一致表明，SHC-RR优于LS方法，尽管其优化机制表面上更简单，但显示出更优越的有效性。此外，我们观察到混合算子中包含纠缠阶段显著影响模型性能，根据具体问题背景，可能增强或削弱结果。
引用
@article{arxiv.2405.08941,
title = {Parameter optimization comparison in QAOA using Stochastic Hill Climbing with Random Re-starts and Local Search with entangled and non-entangled mixing operators},
author = {Brian García Sarmina and Guo-Hua Sun and Shi-Hai Dong},
journal= {arXiv preprint arXiv:2405.08941},
year = {2025}
}
备注
28 pages, 7 tables, 19 figures