[论文解读] Quantum Optimization

Tad Hogg, Dmitriy Portnov|ArXiv.org|Jun 20, 2000

Quantum Computing Algorithms and Architecture被引用 23

一句话总结

该论文提出了一种用于组合优化的量子启发式算法，通过基于成本的相位调整和状态混合，将振幅向低代价状态转移，且无需事先知晓最小代价。模拟结果表明，该算法在过度约束的SAT和非对称TSP问题中能有效将振幅集中在低代价解上，尽管经典模拟成本呈指数增长，其在小规模实例上的表现仍与经典启发式方法相当。

ABSTRACT

We present a quantum algorithm for combinatorial optimization using the cost structure of the search states. Its behavior is illustrated for overconstrained satisfiability and asymmetric traveling salesman problems. Simulations with randomly generated problem instances show each step of the algorithm shifts amplitude preferentially towards lower cost states, thereby concentrating amplitudes into low-cost states, on average. These results are compared with conventional heuristics for these problems.

研究动机与目标

• 开发一种利用状态代价信息提升搜索效率的量子算法，以优化组合优化问题。
• 将量子振幅放大技术从决策问题扩展至最小代价未知的优化问题。
• 评估该启发式量子方法在过度约束可满足性和非对称旅行商问题上的性能。
• 从解的质量和计算成本角度，比较该量子算法与经典启发式方法的行为与效率。
• 探究在相干性受限且缺乏最优性验证的情况下，量子振幅混合是否能有效利用优化问题的结构特征。

提出的方法

• 该算法通过为所有 2^n 种配置分配相等振幅，初始化所有搜索态的均匀叠加态。
• 它应用迭代步骤，结合一个编码状态代价的相位调整矩阵 P^(h)，其中 p_c^(h) = e^{iπρ_h c}，以及一个基于汉明距离重新分配振幅的混合矩阵 U^(h) = W T^(h) W。
• 混合矩阵 U^(h) 依赖于状态 r 和 s 之间的汉明距离 d(r,s)，其矩阵元为 U^(h)_{rs} = u_d^(h) = (-i tan(πτ_h/2))^d，忽略相位与归一化因子。
• 相位参数 ρ_h 和 τ_h 是与问题类别相关的常数，用于控制振幅向低代价状态重新分配的速度。
• 每次试验包含 j 个此类步骤，随后进行测量，得到状态的概率为 |ψ_s^(j)|²，通过多次试验提高成功概率。
• 该算法为启发式且不完备：不保证找到最优解，也无法验证是否已找到最优解。

实验结果

研究问题

• RQ1 在未知最小代价的前提下，能否有效利用量子振幅调控引导搜索向低代价状态？
• RQ2 该基于成本的量子优化算法在过度约束SAT和ATSP问题上，与GSAT和分支定界等经典启发式方法相比表现如何？
• RQ3 该算法在多大程度上利用了问题结构，特别是搜索态表示与混合操作的设计？
• RQ4 在相干性受限条件下，该量子启发式方法在计算成本与解质量之间的权衡如何？
• RQ5 通过重新编码问题以更好地反映结构相似性（如TSP路径中的共用边），能否改进算法行为？

主要发现

• 该算法平均而言成功将振幅向低代价状态转移，每次迭代均优先在搜索空间的低代价区域集中振幅。
• 在过度约束SAT问题中，该量子算法性能与GSAT等经典启发式方法相当，尽管经典模拟成本随问题规模呈指数增长。
• 在非对称TSP问题中，该算法优于随机选择，且对城际距离标准差无依赖性，表明其对代价分布具有鲁棒性。
• 该量子算法的经典模拟成本呈指数增长，导致无法在更大规模实例上评估，凸显了对量子硬件的迫切需求。
• 该算法性能对相位参数选择和问题表示敏感；非最优参数或不良编码可能降低其有效性。
• 尽管为启发式方法，该算法的相干步骤数最多随问题规模线性增加，因此对相干性的要求低于振幅放大方法。