面向大规模分子多样性优化的资源高效混合量子邻域选择

大规模组合优化对经典启发式算法仍然要求很高，特别是当稠密二次无约束二元优化（QUBO）公式导致大内存占用、高CPU利用率和长执行时间时。虽然近期量子处理器尚不能提供无条件的量子优势，但混合架构可以通过减少资源负担来提供实用价值。本文对混合量子邻域选择（HQNS）进行了资源效率研究，该框架通过随机前沿选择将大型稠密QUBO实例分解为有界宽度的量子子问题。我们在最大多样性子集选择问题（MDSSP）上评估HQNS，重点关注解质量保持与资源消耗之间的权衡。高达N=1000个候选的基准测试表明，HQNS保留了11次重启并行模拟退火基线平均多样性分数的99.9908%，同时将墙钟时间减少了94.91%，峰值CPU利用率减少了64.68%，峰值内存使用量减少了88.61%。QPU执行时间在各尺度上保持在6-7秒的范围内，表明当前沿大小固定时，量子组件与全局QUBO维度解耦。这些结果表明，HQNS为在实际大规模环境中部署混合量子优化提供了一条资源感知的途径，作为将近期量子处理器纳入经典优化流水线的有效架构。