論文の概要: Optimization of Flight Routes: Quantum Approximate Optimization Algorithm for the Tail Assignment Problem
- arxiv url: http://arxiv.org/abs/2412.12773v1
- Date: Tue, 17 Dec 2024 10:35:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:58:05.522315
- Title: Optimization of Flight Routes: Quantum Approximate Optimization Algorithm for the Tail Assignment Problem
- Title(参考訳): 飛行経路最適化:タイル割当て問題に対する量子近似最適化アルゴリズム
- Authors: Marta Gili, Paul San Sebastian, Ane Blázquez-García,
- Abstract要約: TAP(Tail Assignment Problem)は、航空会社の運用において重要な最適化課題である。
この研究は、量子近似最適化アルゴリズム(QAOA)をTAPに適用する。
この分析は量子ハードウェアの現在の限界を明らかにしているが、技術が進歩するにつれて潜在的な利点が示唆される。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The Tail Assignment Problem (TAP) is a critical optimization challenge in airline operations, requiring the optimal assignment of aircraft to scheduled flights to maximize efficiency and minimize costs. To address the TAP, this work applies the Quantum Approximate Optimization Algorithm (QAOA), a promising quantum computing algorithm developed for tackling complex combinatorial optimization problems. A detailed formulation of the TAP is provided and QAOA's performance is evaluated on realistic problem instances, examining its strengths and weaknesses. Additionally, QAOA is compared with classical methods such as brute force and branch-and-price, as well as Quantum Annealing (QA), another quantum approach. The analysis reveals the current limitations of quantum hardware but suggests potential advantages as technology advances.
- Abstract(参考訳): TAP(Tail Assignment Problem)は、航空業務において重要な最適化課題であり、効率を最大化し、コストを最小化するために、定期便に航空機を最適に割り当てる必要がある。
TAPに対処するために、複雑な組合せ最適化問題に取り組むために開発された有望な量子コンピューティングアルゴリズムであるQuantum Approximate Optimization Algorithm (QAOA)を適用した。
TAPの詳細な定式化が提供され、QAOAのパフォーマンスが現実的な問題インスタンス上で評価され、その強度と弱点が検証される。
さらに、QAOAは、他の量子アプローチである量子アニーリング(QA)と同様に、ブライト力やブランチ・アンド・プライスのような古典的な手法と比較される。
この分析は量子ハードウェアの現在の限界を明らかにしているが、技術が進歩するにつれて潜在的な利点が示唆される。
関連論文リスト
- Solving Combinatorial Optimization Problems with a Block Encoding Quantum Optimizer [0.0]
Block ENcoding Quantum (BEQO) は、ブロック符号化を用いてコスト関数を表現するハイブリッド量子ソルバである。
以上の結果から,BENQOはQAOAよりも有意に優れた性能を示し,VQEと各種のパフォーマンス指標を比較検討した。
論文 参考訳(メタデータ) (2024-04-22T10:10:29Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳(メタデータ) (2024-04-17T11:00:12Z) - Benchmarking Metaheuristic-Integrated QAOA against Quantum Annealing [0.0]
この研究は、異なる問題領域にわたる量子アニーリングとメタヒューリスティック統合QAOAの長所と短所に関する洞察を提供する。
その結果,ハイブリッド手法は古典的最適化手法を利用してQAOAの解品質と収束速度を向上させることが示唆された。
論文 参考訳(メタデータ) (2023-09-28T18:55:22Z) - A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。
この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。
我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
論文 参考訳(メタデータ) (2023-06-15T15:28:12Z) - Quantum approximate optimization via learning-based adaptive
optimization [5.399532145408153]
量子近似最適化アルゴリズム(QAOA)は、目的最適化問題の解法として設計されている。
その結果,アルゴリズムは速度,精度,効率,安定性の点で従来の近似よりも大幅に優れていた。
この研究はQAOAの全パワーを解き放つのに役立ち、実践的な古典的なタスクにおいて量子的優位性を達成するための道を開く。
論文 参考訳(メタデータ) (2023-03-27T02:14:56Z) - Fermionic Quantum Approximate Optimization Algorithm [11.00442581946026]
制約付き最適化問題を解くためのフェルミオン量子近似最適化アルゴリズム(FQAOA)を提案する。
FQAOAは、フェルミオン粒子数保存を用いて、QAOAを通して本質的にそれらを強制する制約問題に対処する。
制約付きハミルトニアン問題に対して、運転者ハミルトニアンを設計するための体系的なガイドラインを提供する。
論文 参考訳(メタデータ) (2023-01-25T18:36:58Z) - Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。
問題の大きさと問題グラフの次数で指数関数的に増大する。
これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
論文 参考訳(メタデータ) (2022-01-06T21:02:30Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳(メタデータ) (2020-09-15T18:17:27Z) - Cross Entropy Hyperparameter Optimization for Constrained Problem
Hamiltonians Applied to QAOA [68.11912614360878]
QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。
このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。
本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
論文 参考訳(メタデータ) (2020-03-11T13:52:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。