.png){kind=icon}
返回
Difference of Convex Algorithm for Warm-Start Quantum Approximate Optimization Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1002/qute.202400253.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子近似优化算法（QAOA）是一种混合经典-量子算法，用于解决组合优化问题。其有效性的核心在于初始混合器，它通过生成起始状态来启动优化过程。然而，传统的QAOA实现通常在初始阶段对所有解赋予相等的概率，这在处理复杂的组合优化问题时可能导致性能欠佳。本研究提出了一种基于凸差分算法（DCA）的QAOA新改进方法，旨在通过连续的热启动方法优化参数发现，从而提升QAOA的性能，该方法最初由Egger等人引入。通过利用先前研究中针对加权最大割问题的数据集进行实验，评估了所提出方法的有效性。与现有方法进行的比较分析表明，本方法在近似比率方面取得了显著提升。
Keyword:
DCA
maximum cut
QAOA
trust region method
期刊
A
IF:
4.3
论文数:
527
被引数:
3.2K
机构
引用论文
Quantum approximate optimization algorithm applied to the binary perceptron.png)
PHYSICAL REVIEW B
OAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏
Genetic algorithms as classical optimizer for the Quantum Approximate Optimization Algorithm遗传算法作为量子近似优化算法的经典优化器
PREAI
分享收藏
查看更多内容