基于拉格朗日背包分解和噪声感知量子执行的量子比特可扩展 CVRP

混合量子优化用于车辆路径问题（CVRP）面临实际瓶颈：直接的 QUBO 编码快速耗尽近期量子比特和门预算，量子评估昂贵、噪声受限且对后端和电路配置敏感。我们提供一个端到端分解管道，将 CVRP 转换为有限宽度的量子子问题，并将量子执行视为优化循环中的决策问题。从 Fisher-Jaikumar 分配线性化开始，我们应用拉格朗日松弛对客户-分配串联器进行二元化，生成独立的 per-vehicle 背包子问题，其可接受 QUBO/Ising 评估。为取代脆弱的次梯度调谐，我们使用专家引导的预训练后强化学习微调学习乘子更新控制器，奖励基于执行实现的进度和路径重构。我们还引入受约束的情境臂 bandit 作为硬件感知的执行层，选择后端和电路配置进行可行性筛查，实现跨异构噪声资源和并行多 QPU 调度的适应。多个 CVRPLIB 系列的计算结果表明，分解产生跨问题规模稳定的有限宽度子问题，学习的乘子更新在匹配预算下相对于经典次梯度控制提高了端到端路径质量，硬件模式配置在测试集中的中位数最优间隙优于静态执行选择。我们不声称量子优势。相反，贡献是通过 OR 分解、学习驱动的双控制和自适应硬件感知执行，实现混合量子 CVRP 优化的实用端到端框架。