量子增强的多目标优化

多目标组合优化需要在相互冲突的目标之间识别帕累托最优权衡解，这通常比单目标优化更具挑战性。尽管量子多目标优化方法已经开始出现，但大多数现有的量子优化工作流程仍然围绕单目标或固定标量化设置构建。基于现有的加权求和 QAOA 量子多目标优化方法，我们提出了 QEMOO，一个量子增强的多目标优化框架，它在相同的总采样预算下，结合了基于帕累托的选择和热启动 QAOA 采样，采用多轮协议。我们进一步引入了一种受 PBI 启发的自适应方向更新方案，以改善强冲突基准测试场景中的覆盖率。在三个基准测试阶段中，在匹配的采样预算下，QEMOO 相对于单遍加权求和 QAOA 基线提高了帕累托前沿的超体积，为采样高效的量子辅助多目标优化及其未来应用提供了一条实用途径。