論文の概要: Quantum Approximate Multi-Objective Optimization in Routing Problems
- arxiv url: http://arxiv.org/abs/2610.00168v1
- Date: Tue, 15 Sep 2026 22:44:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.386383
- Title: Quantum Approximate Multi-Objective Optimization in Routing Problems
- Title（参考訳）: ルーティング問題における量子近似多目的最適化
- Abstract要約: 最近提案されたQAOA(Quantum Approximate Algorithm Optimization)パラメータ転送戦略は,多目的MAX-CUT問題を解く。
本研究では,本手法の現実的なルーティング問題への適用性を評価する。
旅行セールスマン問題(TSP)と車両ルーティング問題(VRP)を擬似非拘束バイナリ最適化(QUBO)モデルとして定式化し、MAX-CUTに還元し、パラメータ転送フレームワークを評価する。
- 参考スコア（独自算出の注目度）: 35.18016233072556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-objective optimization (MOO) problems are common in logistics, where routing decisions must balance conflicting objectives such as travel distance, delivery time, and operational risk. A recently proposed Quantum Approximate Optimization Algorithm (QAOA) parameter-transfer strategy solves multi-objective MAX-CUT problems by reusing parameters trained on smaller instances, avoiding costly reoptimization for each scalarized problem. However, its effectiveness has only been demonstrated on proof-of-concept instances tailored to quantum hardware connectivity. In this work, we evaluate the applicability of this strategy to realistic routing problems. We formulate the Traveling Salesman Problem (TSP) and Vehicle Routing Problem (VRP) as Quadratic Unconstrained Binary Optimization (QUBO) models, reduce them to MAX-CUT, and assess the parameter-transfer framework under conditions matching the original study. Validation is performed through classical simulations and experiments on IBM quantum hardware. The resulting Pareto fronts are compared with those obtained using an adapted classical ε-constraint method, using hypervolume as the primary quality metric. Results indicate that parameter transfer remains effective, frequently achieving higher hypervolume and often finding competitive solutions earlier. However, performance depends on problem structure. The approach is consistently effective for TSP instances but less stable for the more constrained VRP, suggesting that QAOA parameter transferability decreases as the optimization landscape becomes more complex. These results provide the first comprehensive evaluation of QAOA parameter transfer on realistic multi-objective routing problems and demonstrate its potential beyond proof-of-concept MAX-CUT benchmarks.
- Abstract（参考訳）: 多目的最適化(MOO)問題は、旅行距離、配送時間、運用リスクといった競合する目標のバランスを取る必要があるロジスティクスにおいて一般的である。
最近提案されたQAOA(Quantum Approximate Optimization Algorithm)パラメータ転送戦略は、小さなインスタンスで訓練されたパラメータを再利用し、スキャラライズされた各問題に対するコスト再最適化を回避することで、多目的MAX-CUT問題を解決する。
しかし、その効果は量子ハードウェア接続に適した概念実証インスタンスでのみ実証されている。
本研究では,本手法の現実的なルーティング問題への適用性を評価する。
本研究では, トラベリングセールスマン問題 (TSP) と車両ルーティング問題 (VRP) を擬似非拘束バイナリ最適化 (QUBO) モデルとして定式化し, MAX-CUT に還元し, 元の研究と一致する条件下でパラメータ伝達フレームワークを評価する。
検証は古典的なシミュレーションとIBM量子ハードウェアの実験を通じて行われる。
結果として得られるパレートフロントは、適応された古典的ε-制約法を用いて得られるものと比較され、ハイパーボリュームを主品質計量として用いる。
その結果,パラメータ移動は依然として有効であり,高体積化が頻繁に達成され,より早く競合する解が見つかることが示唆された。
しかし、性能は問題構造に依存している。
このアプローチはTSPインスタンスに対して一貫して有効であるが、より制約のあるVRPではより安定であり、最適化ランドスケープがより複雑になるにつれてQAOAパラメータ転送性が低下することを示している。
これらの結果は、現実的な多目的ルーティング問題に対するQAOAパラメータ転送の包括的評価を行い、概念実証MAX-CUTベンチマークを超えてその可能性を実証する。
関連論文リスト
- An Optimization-Free Recursive QAOA for the Binary Paint Shop Problem [0.0]
BPSP(Binary Paint Shop Problem)は、自動車間の色の変化を最小限に抑えつつ、一定の制約の下で車列を塗装しなければならない製造における最適化問題である。
パラメータ転送はQAOAとRQAOAの最適化よりも解の質が著しく低下しないことを示す。
RQAOAはフルステートベクターの代わりに$Z$-correlationsを計測することしか必要とせず、CNOT数と深さが著しく低い回路につながる逆カソーサルコーンの利点がある。
論文 参考訳（メタデータ） (2025-07-15T01:54:11Z) - Efficient QAOA Architecture for Solving Multi-Constrained Optimization Problems [3.757262277494307]
本稿では,量子近似最適化Ansatzのための制約符号化手法の新たな組み合わせを提案する。
ワンホット制約は、検索空間を実現可能なサブ空間に自然に制限する$XY$-mixerによって強制される。
XY$-mixersは検索スペースを制限するため、特定の状態ベクトルエントリは常にゼロであり、シミュレーションから省略することができ、貴重なメモリとコンピューティングリソースを節約できる。
論文 参考訳（メタデータ） (2025-06-03T17:46:53Z) - Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。
大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。
統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:47:00Z) - Transferring linearly fixed QAOA angles: performance and real device results [0.0]
線形パラメータ化とパラメータ転送を組み合わせ,パラメータ空間を4次元に減らした簡易な手法について検討する。
本稿では,この手法と標準QAOAと,逐次層ごとの最適化を必要とするInterfacePやFOURIERなどのパラメータ設定手法を比較した。
我々の実験は古典シミュレーションからIBMのイーグルプロセッサ上での実際の量子ハードウェア実装まで拡張し、現在のNISQデバイス上でのアプローチの可能性を実証した。
論文 参考訳（メタデータ） (2025-04-17T04:17:51Z) - Continual Optimization with Symmetry Teleportation for Multi-Task Learning [73.28772872740744]
マルチタスク学習(MTL)は、1つのモデルを用いて複数のタスクの同時学習を可能にする。
シンメトリ・テレポーテーション(COST)を用いた連続最適化に基づく新しい手法を提案する。
COSTは、競合の勾配を減らすために、損失ランドスケープに別の損失等価点を求める。
論文 参考訳（メタデータ） (2025-03-06T02:58:09Z) - Optimization of Flight Routes: Quantum Approximate Optimization Algorithm for the Tail Assignment Problem [0.0]
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。
論文 参考訳（メタデータ） (2024-12-17T10:35:26Z) - Qubit efficient quantum algorithms for the vehicle routing problem on
NISQ processors [48.68474702382697]
時間窓付き車両ルーティング問題(VRPTW)は、ロジスティクス業界で直面する一般的な最適化問題である。
そこで本研究では,以前に導入した量子ビット符号化方式を用いて,バイナリ変数の数を削減した。
論文 参考訳（メタデータ） (2023-06-14T13:44:35Z) - Multiobjective variational quantum optimization for constrained
problems: an application to Cash Management [45.82374977939355]
本稿では,変分量子アルゴリズムを用いた制約付き最適化問題の解法を提案する。
我々は、キャッシュマネジメント問題という、金融の極めて関連性の高い現実世界の問題について、我々の提案を検証した。
実験の結果, 実現したソリューションのコスト, 特に局所最小値の回避に関して, 大幅な改善が見られた。
論文 参考訳（メタデータ） (2023-02-08T17:09:20Z) - 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) - 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。