.png){kind=icon}
返回
Problem-structure-informed quantum approximate optimization for large-scale unit commitment with limited qubits
.png){kind=icon}
PRE
AI
DOI：10.23919/IEN.2025.0025.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着电力系统规模的扩大，机组组合问题（UCP）的求解因维度灾难而日益复杂，传统方法往往难以平衡计算效率与解的最优性。为解决此问题，我们提出了一种问题结构感知的量子近似优化算法（QAOA）框架，该框架在极有限的量子资源下充分利用量子优势。具体而言，我们利用电力系统的固有拓扑结构，将大规模UCP实例分解为更小的子问题，这些子问题可通过有限数量的量子比特并行求解。这种分解不仅绕过了当前量子计算硬件的限制，而且随着电力系统图结构的稀疏化，性能进一步提升。因此，我们的方法可扩展至未来更大、更复杂的电力系统。
Keyword:
Power systems
Qubit
Topology
Optimal scheduling
Linear programming
Costs
Scalability
Complexity theory
Tuning
Quantum entanglement
Unit commitment problem
quadratic unconstrained binary optimization
quantum approximate optimization algorithm
期刊
I
IF:
5.1
论文数:
15
被引数:
0
机构
查看更多机构
引用论文
Confidence-Aware Graph Neural Networks for Learning Reliability Assessment Commitments用于学习可靠性评估承诺的置信度感知图神经网络
OAAI
.png){kind=icon}
OAAI分享收藏 没有更多内容