مقاله یک الگوریتم کوانتومی جدید برای بهینه سازی کلونی مورچه ها

چکیده

Quantum ant colony optimization (QACO) has drew much attention since it combines the advantages of quantum computing and ant colony optimization (ACO) algorithms and overcomes some limitations of the traditional ACO algorithm. However, due to the hardware resource limitations of currently available quantum computers, such as the limited number of qubits, lack of high-fidelity gating operation, and low noisy tolerance, the practical application of the QACO is quite challenging. In this paper, we introduce a hybrid quantum-classical algorithm by combining the clustering algorithm with QACO algorithm, so that this extended QACO can handle large-scale optimization problems, which makes the practical application of QACO based on available quantum computation resource possible. To verify the effectiveness and performance of the algorithm, we tested the developed QACO algorithm with the Travelling Salesman Problem (TSP) as benchmarks. The developed QACO algorithm shows better performance under multiple data set. In addition, the developed QACO algorithm also manifests the robustness to noise of calculation process, which is typically a major barrier for practical application of quantum computers. Our work shows that the combination of the clustering algorithm with QACO has effectively extended the application scenario of QACO in current NISQ era of quantum computing.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی کلونی مورچه کوانتومی (QACO) توجه زیادی را به خود جلب کرده است زیرا این امر از مزایای الگوریتم های محاسبات کوانتومی و بهینه سازی مورچه ها (ACO) ترکیب می کند و بر برخی محدودیت های الگوریتم سنتی ACO غلبه می کند.با این حال ، با توجه به محدودیت منابع سخت افزاری رایانه های کوانتومی در حال حاضر در حال حاضر ، مانند تعداد محدودی از ubbits ، عدم عملکرد دروازه بافندگی بالا و تحمل کم سر و صدا ، کاربرد عملی QACO کاملاً چالش برانگیز است.در این مقاله ، ما یک الگوریتم کلاسیک کوانتومی ترکیبی را با ترکیب الگوریتم خوشه بندی با الگوریتم QACO معرفی می کنیم ، به طوری که این QACO گسترده می تواند مشکلات بهینه سازی در مقیاس بزرگ را برطرف کند ، که باعث می شود کاربرد عملی QACO بر اساس منبع محاسبه کوانتومی موجود امکان پذیر باشد.برای تأیید اثربخشی و عملکرد الگوریتم ، ما الگوریتم توسعه یافته QACO را با مشکل فروشنده مسافرتی (TSP) به عنوان معیارها آزمایش کردیم.الگوریتم توسعه یافته QACO عملکرد بهتری را در مجموعه داده های متعدد نشان می دهد.علاوه بر این ، الگوریتم توسعه یافته QACO همچنین استحکام به سر و صدای فرآیند محاسبه را نشان می دهد ، که به طور معمول یک مانع اصلی برای کاربرد عملی رایانه های کوانتومی است.کار ما نشان می دهد که ترکیبی از الگوریتم خوشه بندی با QACO به طور مؤثر سناریوی کاربرد QACO را در دوره NISQ فعلی محاسبات کوانتومی گسترش داده است.