变分量子彩虹深度Q网络用于资源分配问题的优化
人工智能
2025-12-08 v1 新兴技术
软件工程
摘要
由于组合复杂性，资源分配问题仍然是NP难的。虽然深度强化学习（DRL）方法，如彩虹深度Q网络（Rainbow DQN），通过优先回放和分布式头等技术提高了可扩展性，但经典函数逼近器限制了其表征能力。我们引入变分量子彩虹DQN（VQR-DQN），将环形拓扑变分量子电路与彩虹DQN集成，利用量子叠加和纠缠。我们将人力资源分配问题（HRAP）建模为基于官员能力、事件日程和转换时间的组合动作空间的马尔可夫决策过程（MDP）。在四个HRAP基准测试中，VQR-DQN相对于随机基线实现了26.8%的归一化制造时间减少，相较于Double DQN和经典彩虹DQN分别优势提升4.9-13.4%。这些收益与电路可表达性、纠缠与策略质量之间的理论联系相吻合，展示了量子增强DRL处理大规模资源分配的潜力。我们的实现已公开：https://github.com/Analytics-Everywhere-Lab/qtrl/。
引用
@article{arxiv.2512.05946,
title = {Variational Quantum Rainbow Deep Q-Network for Optimizing Resource Allocation Problem},
author = {Truong Thanh Hung Nguyen and Truong Thinh Nguyen and Hung Cao},
journal= {arXiv preprint arXiv:2512.05946},
year = {2025}
}
备注
Quantum Software Engineering Practices at The 41st ACM/SIGAPP Symposium On Applied Computing (SAC 2026)