城市物流的量子方法：从核心 QAOA 到聚类可扩展性
量子物理
2025-12-12 v1 机器学习
摘要
旅行商人问题 (TSP) 是组合优化中的基本挑战，广泛应用于物流和交通领域。随着 TSP 实例规模的增大，传统算法往往难以在合理的时间范围内产生高质量解。本研究探讨了量子近似优化算法 (QAOA) 解决 TSP 的潜力，该方法是一种混合量子-经典方法。我们采用基于 QUBO 的 TSP 表述，将实际物流约束纳入模型，反映操作条件，如车辆容量、道路可达性和时段限制，同时确保与当前量子硬件限制的兼容性。我们的实验在高性能计算 (HPC) 资源的模拟环境中进行，评估了 QAOA 在不同问题规模和量子电路深度下的性能。为提升可扩展性，我们提出了聚类 QAOA (Cl-QAOA)，一种结合经典机器学习与 QAOA 的混合方法。该方法将大型 TSP 实例分解为更小的子问题，使即使在 qubit 数量有限的设备上也能实现量子优化。结果提供了对 QAOA 在受约束 TSP 场景中优势与局限性的全面评估。本研究推动了量子优化技术，为未来大规模应用奠定了基础。
引用
@article{arxiv.2512.10813,
title = {Quantum Approaches to Urban Logistics: From Core QAOA to Clustered Scalability},
author = {F. Picariello and G. Turati and R. Antonelli and I. Bailo and S. Bonura and G. Ciarfaglia and S. Cipolla and P. Cremonesi and M. Ferrari Dacrema and M. Gabusi and I. Gentile and V. Morreale and A. Noto},
journal= {arXiv preprint arXiv:2512.10813},
year = {2025}
}