[论文解读] Aircraft Loading Optimization -- QUBO models under multiple constraints

Giovanni Pilon, Nicola Gugole+1 more|arXiv (Cornell University)|Feb 16, 2021

Quantum Computing Algorithms and Architecture参考文献 1被引用 4

一句话总结

本文将空客量子计算挑战赛中的飞机装载优化问题建模为带有多种物理约束的二次无约束二值优化（QUBO）模型——包括载荷限制、重心范围和剪切力限制——并通过惩罚函数编码约束条件。作者证明该QUBO模型可与如D-Wave 2000Q等量子退火设备兼容，并与经典求解器进行基准测试，结果显示其在中等成功率下获得可行解，但平均载荷低于经典方法。

ABSTRACT

In this submission we solve the Aircraft Loading Optimization problem of the Airbus Quantum Computing Challenge. Finding the optimal loading for a plane is a challenging task for classical algorithms, especially because the solution must respect several flight constraints. The contribution of this work is formulating this problem and its constraints in a model based on QUBO equations which are compatible with quantum annealers. We then benchmarked the model on different solvers to evaluate the performances and capabilities of current technologies.

研究动机与目标

• 解决实际飞行条件下复杂的飞机装载优化问题，包括载荷、重心和剪切力限制等约束。
• 将这些约束重新表述为适用于量子退火设备的QUBO兼容惩罚函数框架。
• 通过经典QUBO求解器和D-Wave 2000Q量子退火器评估QUBO模型的性能。
• 评估量子启发优化在工业物流问题中的可行性与可扩展性。
• 识别在该领域实现未来量子优势过程中，惩罚系数调节与松弛变量使用的关键挑战。

提出的方法

• 使用二值位置分配变量 $ p_{i,j} $ 建模问题，表示容器 $ i $ 是否占据位置 $ j $。
• 通过最小化容器质量及其分配的负线性函数来最大化总载荷，作为目标函数。
• 将约束条件转换为二次惩罚函数：无重叠、无重复、重心和剪切力限制约束均被转化为QUBO兼容的惩罚项。
• 引入松弛变量，将不等式约束转换为等式形式，以支持惩罚函数建模。
• 使用惩罚系数 $ P^{( ext{constraint})} $ 将约束违反程度相对于目标函数进行加权调节。
• 在经典求解器（如QBsolve）和通过API调用的D-Wave 2000Q上测试完整QUBO模型，并对多次运行的结果进行对比。

实验结果

研究问题

• RQ1 能否将带有多种物理约束的飞机装载优化问题有效建模为QUBO问题？
• RQ2 在QUBO框架中，针对重心和剪切力限制等约束的惩罚函数表现如何？
• RQ3 在该问题上，经典QUBO求解器与量子退火器（D-Wave 2000Q）之间存在多大的性能差距？
• RQ4 增加额外约束如何影响解的质量与计算时间？
• RQ5 在当前量子硬件上，将QUBO模型扩展至更大飞机配置时，主要瓶颈是什么？

主要发现

• QUBO模型成功将所有必要约束——载荷限制、重心范围和剪切力限制——编码为与量子退火兼容的惩罚函数。
• 经典求解器（如QBsolve）在仅考虑载荷限制（PL-only）的情况下，33%的运行次数找到了最优解，且解始终可行。
• D-Wave 20000Q在80%的运行中获得了可行解，但平均载荷低于经典求解器，表明其噪声水平较高且性能未达最优。
• 加入重心约束后，重心分布更接近目标值，但剪切力约束改善有限，可能因与重心约束存在潜在冲突。
• 在D-Wave 20000Q上，模型因使用48个量子比特（24个松弛变量）达到实际硬件限制，表明扩展至更大实例存在可扩展性挑战。
• 本研究识别出惩罚系数调节与自动松弛变量选择是未来提升量子优势潜力的关键改进方向。