Квадратичное программирование в модели распределения ресурсов в сельском хозяйстве на основе квантового алгоритма

Д.Т. Мухамедиева; М.Х. Раупова

doi:10.71310/pcam.2_64.2025.09

Авторы

Д.Т. Мухамедиева НИУ Ташкентский институт инженеров ирригaции и механизaции сельского хозяйства Автор
М.Х. Раупова Чирчикский государственный педагогический университет Автор

DOI:

https://doi.org/10.71310/pcam.2_64.2025.09

Ключевые слова:

квантовые алгоритмы, QAOA, оптимизация, распределение ресурсов, математическая модель, комбинаторная оптимизация

Аннотация

В данной работе рассматриваются применение квантовых алгоритмов в задаче оптимизации распределения ресурсов в сельском хозяйстве. В частности, исследуется возможность использования Quantum Approximate Optimization Algorithm для решения данной задачи. Этот является алгоритмом квантовой оптимизации, который может быть эффективно применен к комбинаторным оптимизационным задачам. Работа предполагает адаптацию алгоритма к задаче оптимизации распределения ресурсов в сельском хозяйстве, включая моделирование оптимизационной функции и учет ограничений на использование ресурсов. Предполагается, что использование квантового алгоритма может предложить новые подходы к решению сложных оптимизационных задач в сельском хозяйстве и способствовать повышению эффективности использования ресурсов и улучшению устойчивости производства.

Библиографические ссылки

Zahedinejad E. and A. Zaribafiyan Combinatorial optimization on gate model quantum computers: A survey,– 2017. arXiv:1708.05294.

Kandala A. et al., Hardware-efficient variational quantum eigensolver for small molecules and quantum magnets,Nature, vol. 549, no. 7671,– P. 242–246.– 2017.

Farhi E. and Neven H. Classification with quantum neural networks on near term processors, 2018. arXiv:1802.06002.

Sun K. and Sun X.A., A two-level distributed algorithm for general constrained non-convex optimization with global convergence,– 2019. arXiv:1902.07654.

Farhi E., Goldstone J., Gutmann S. and Neven H. Quantum algorithms for fixed qubit architectures,– 2017. arXiv:1703.06199.

Nannicini G. Performance of hybrid quantum-classical variational heuristics for combinatorial optimization, Phys. Rev. E, vol. 99, no. 1, Art. no. 013304.– 2019.

Braine L., Egger D.J., Glick J., Woerner S. Quantum algorithms for mixed binary optimization applied to transaction settlement,– 2019. arXiv:1910.05788.

Vyskocil T., Pakin S., Djidjev H.N. Embedding inequality constraints for quantum annealing optimization, in Proc. Int. Workshop Quantum Technol. Optim. Problems– 2019.– P. 11–22.

Davis D. and Yin W. Convergence rate analysis of several splitting schemes, in Splitting Methods in Communication and Imaging, Science and Engineering, R. Glowinski, S. Osher, and W. Yin, Eds. Cham, Switzerland: Springer,– 2017.

Ghadimi E., Teixeira A., Shames I., Johansson M., Optimal parameter selection for the alternating direction method of multipliers (ADMM): Quadratic problems, IEEE Trans. Autom. Control, vol. 60, no. 3,– 2015.– P. 644–658.

Giselsson P., Boyd S. Linear convergence and metric selection for Douglas-Rachford splitting and ADMM, IEEE Trans. Autom. Control, vol. 62, no. 2,– 2017.– P. 532–544.

Wang Y., Yin W., Zeng J. Global convergence of ADMM in nonconvex nonsmooth optimization, J. Sci. Comput., vol. 78, no. 1,– 2019.– P. 29–63.

Wu B. and Ghanem B. p-box ADMM: A versatile framework for integer programming, IEEE Trans. Pattern Anal Mach. Intell., vol. 41, no. 7,– 2019.– P. 1695–1708.

Themelis A. Patrinos P. Douglas-Rachford splitting and ADMM for nonconvex optimization: Tight convergence results, SIAM J. Optim., vol. 30, no. 1,– 2020.– P. 149–181.

Kueng R., Stilck Fran¸ ca D. Faster quantum and classical SDP approximations for quadratic binary optimization,– 2019. arXiv:1909.04613.

Romero J., Olson J.P., Aspuru-Guzik A. Quantum autoencoders for efficient compression of quantum data, Quantum Sci. Technol., vol. 2, no. 4,– 2017.

Gilliam A., Woerner S., Gonciulea C. Grover adaptive search for constrained polynomial binary optimization,– 2019. arXiv:1912.04088.