[论文解读] Quantum Annealing Implementation of Job-Shop Scheduling
本文提出了一种基于量子退火的求解器，用于求解NP难的作业车间调度问题（JSP），将最小化完工时间的任务转化为时间索引的二次无约束二值优化（QUBO）问题。通过预处理、变量剪枝和图嵌入策略，作者将问题实例编译并在D-Wave Vesuvius量子退火器上运行，与经典精确求解器相比，在小规模实例上表现出具有竞争力的性能，证明了量子退火在实际组合优化中的可行性。
A quantum annealing solver for the renowned job-shop scheduling problem (JSP) is presented in detail. After formulating the problem as a time-indexed quadratic unconstrained binary optimization problem, several pre-processing and graph embedding strategies are employed to compile optimally parametrized families of the JSP for scheduling instances of up to six jobs and six machines on the D-Wave Systems Vesuvius processor. Problem simplifications and partitioning algorithms, including variable pruning and running strategies that consider tailored binary searches, are discussed and the results from the processor are compared against state-of-the-art global-optimum solvers.
研究动机与目标
- 开发一种实用的量子退火方法，用于求解计算上难以处理的作业车间调度问题（JSP），这是一个典型的NP难组合优化问题。
- 将约束满足问题（CSP）技术适配为将JSP表述为一系列适合量子退火的决策问题。
- 通过预处理、变量剪枝和图嵌入策略优化问题编译，以实现高效映射至D-Wave Vesuvius处理器。
- 将量子退火结果与经典全局最优求解器（如CPLEX、Gurobi）在小规模JSP实例上的结果进行比较。
- 评估量子退火在实际调度工作负载中的性能和可扩展性潜力。
提出的方法
- 将JSP重新表述为时间索引的二次无约束二值优化（QUBO）问题，以实现向D-Wave量子退火器的映射。
- 将问题分解为一系列决策实例，每个实例对应一个候选完工时间值，以实现对最优完工时间的二分查找。
- 应用预处理技术，如通过祖先集进行头尾更新，以收紧边界并减少变量空间。
- 使用变量剪枝和问题划分以最小化量子比特需求并提高嵌入效率。
- 采用图嵌入策略，将编译后的QUBO映射到D-Wave Vesuvius的Chimera拓扑结构，同时最小化链断裂。
- 将量子求解器与在标准CPU上运行的经典精确求解器（如CPLEX、Gurobi）进行基准测试。
实验结果
研究问题
- RQ1量子退火能否有效应用于现实世界的组合优化问题，如作业车间调度问题？
- RQ2预处理和变量剪枝技术在提升JSP映射到当前量子退火硬件的效率和可行性方面有何作用？
- RQ3量子退火在小规模JSP实例上的性能与经典精确求解器相比如何？
- RQ4量子退火方法在结构化、困难的调度问题上，其可扩展性或性能超越经典方法的程度如何？
- RQ5时间索引的QUBO表述能否有效编码JSP中的优先级和机器分配约束？
主要发现
- 量子退火求解器在D-Wave Vesuvius处理器上成功计算出小规模JSP实例（如10×10）的最优或近似最优完工时间。
- 预处理技术，包括基于祖先集的更新以及头尾传播，显著减少了变量数量并提高了嵌入效率。
- 变量剪枝和问题划分降低了所需的量子比特数量，使得原本不可行的更大规模实例得以求解。
- 量子求解器在小规模实例上的运行时间表现具有竞争力，尽管在最大测试案例中经典求解器仍更快。
- 研究表明，由于映射高效且约束编码能力强，量子退火特别适用于调度问题。
- 基于Carlier和Pinson算法的削去过程（shaving procedure）缩小了搜索空间，并提升了QUBO表述的质量。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。