[论文解读] Adiabatic Quantum Computing for Logistic Transport Optimization

Juan Francisco Ariño Sales, Raúl Andrés Palacios Araos|arXiv (Cornell University)|Jan 18, 2023

Quantum Computing Algorithms and Architecture被引用 6

一句话总结

本文提出一种混合量子-经典方法，利用D-Wave的量子退火机和Amazon Braket，通过绝热量子计算求解最后一公里物流中的容量限制车辆路径问题（CVRP）。该方法结合经典聚类与基于QUBO的量子路径规划，表明在聚类可分性较低的场景下，量子聚类优于经典K-中位数方法；然而，由于嵌入与可扩展性限制，完整的QUBO CVRP公式仍不切实际。

ABSTRACT

Current world trade is based and supported in a strong and healthy supply chain, where logistics play a key role in producing and providing key assets and goods to keep societies and economies going. Current geopolitical and sanitary challenges faced in the entire world have made even more critical the role of logistics and increased demands for tuning transport function to keep the supply chain up and running. The challenge is only increasing and growing for the future, thus tackling transport optimization provides both business and social value. Optimization problems are ubiquitous and they present a challenge due to its complexity, where they're typically NP-hard problems. Quantum Computing is a developing field, and the Quantum Annealing approach has proven to be quite effective in its applicability and usefulness to tackle optimization problems. In this work we treat the Vehicle Routing Problem, which is also a variation of a famous optimization problem known as the Traveling Salesman Problem. We aim to tackle the vehicle optimization problem from the last mile logistic scenario application, with a perspective from the classical and quantum approaches, and providing a solution which combines both, also known as hybrid solution. Finally, we provide the results of the analysis and proposal for the consideration of applications in a near term business case scenario.

研究动机与目标

• 评估量子算法与混合算法在最后一公里配送场景中求解容量限制车辆路径问题（CVRP）的性能。
• 比较经典与量子方法在VRP聚类与路径规划阶段的表现，重点关注解的质量与计算效率。
• 评估近场量子硬件（NISQ时代）在真实物流优化场景中的可行性，特别是在真实数据条件下的表现。
• 识别能最大化混合量子-经典工作流中解空间探索与性能的超参数配置。
• 探索量子增强物流优化在经济与运营层面的商业潜力，尤其针对高随机性的数据。

提出的方法

• 该混合算法采用两阶段方法：首先通过经典或量子QUBO方法对客户进行聚类，然后使用经典OR-Tools或量子QUBO路径规划优化路径。
• 量子聚类通过将QUBO公式映射至D-Wave的Advantage System 6.1实现，采用小规模嵌入以适配硬件的奇美拉拓扑结构。
• 路径规划阶段采用CVRP的QUBO公式，受车辆容量与单起点要求约束，通过Amazon Braket上的量子退火求解。
• 经典基线采用K-中位数进行聚类，使用组合优化（OR-Tools）进行路径规划，作为性能基准。
• 完整的QUBO CVRP求解器被表述为带二值变量与容量及连通性约束惩罚项的约束优化问题。
• 对经典与量子算法均应用超参数调优，以评估其对解质量与收敛性的影响。

Figure 1: Logic gates [ 1 ]

实验结果

研究问题

• RQ1 在数据聚类可分性较低的场景下，特别是具有高随机性的现实物流数据中，量子聚类是否能优于经典K-中位数方法？
• RQ2 混合量子-经典算法在求解CVRP时，其性能与纯经典或完全量子方法相比如何？
• RQ3 当前NISQ时代量子硬件在求解大规模CVRP实例时，受限于比特数与连通性，存在哪些实际限制？
• RQ4 小规模嵌入问题在多大程度上阻碍了量子QUBO公式在物流优化中的可扩展性与有效性？
• RQ5 量子增强CVRP求解器在商业层面具有多大潜力，特别是在应用于真实客户位置数据时的投入回报率（ROI）如何？

主要发现

• 混合算法显著优于完整QUBO CVRP求解器，在CMT基准实例上平均解质量提升2.43%至13.05%。
• 在聚类可分性较低的场景中，量子聚类表现出优于经典K-中位数的性能，尤其在数据更随机或重叠的情况下。
• 尽管经典算法整体仍优于量子方法，但量子优势在具有挑战性、非理想数据条件下显现。
• 由于嵌入复杂性与硬件限制，即使采用小规模嵌入技术，完整QUBO CVRP公式仍不切实际。
• 本研究识别出在现实物流中，量子聚类具有理论上的商业优势，因为客户位置通常具有高度随机性。
• 未来具备更多量子比特与更好连通性的量子硬件有望在受限聚类问题中实现更大的性能提升。

Figure 2: Quantum Circuit [ 2 ]