量子退火实战:从“背包问题”到QUBO建模的完整思考过程
量子计算正从实验室走向现实应用,而量子退火作为解决组合优化问题的利器,其核心在于如何将实际问题转化为QUBO(Quadratic Unconstrained Binary Optimization)模型。本文将以经典的0-1背包问题为例,带你走过从问题描述到QUBO建模的完整思考路径,避开那些教科书里不会告诉你的实践陷阱。
1. 从背包问题到数学表达
背包问题描述起来很简单:给定一组物品,每个物品有重量和价值,在背包容量限制下如何选择物品使总价值最大。但要将这个自然语言描述转化为数学模型,需要明确几个关键要素:
- 决策变量:用二进制变量x_i表示是否选择第i个物品(1选,0不选)
- 目标函数:最大化总价值 ∑v_i x_i
- 约束条件:总重量不超过容量 ∑w_i x_i ≤ C
这里第一个思维转折点出现了:QUBO要求无约束优化,而背包问题天然带有约束。我们需要找到一种方法,将约束"编码"到目标函数中。
提示:在建模过程中,建议先用小规模示例(如3-4个物品)手动计算验证,避免直接处理复杂公式导致概念混淆。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 约束条件的惩罚函数处理
将约束转化为惩罚项是QUBO建模的核心技巧。对于背包问题的重量约束,我们可以这样构造惩罚函数:
code复制H_penalty = λ (∑w_i x_i - C)^2
其中λ是惩罚系数,需要足够大以确保约束被满足。这个二次展开后会产生三类项:
- 单个x_i的平方项(由于x_i是二进制变量,x_i² = x_i)
- 交叉项x_i x_j
- 常数项
具体展开示例(假设两个物品,w1=2, w2=3, C=4):
code复制H_penalty = λ(2x1 + 3x2 - 4)^2
= λ(4x1² + 9x2² + 12x1x2 - 16x1 - 24x2 + 16)
= λ(4x1 + 9x2 + 12x1x2 - 16x1 - 24x2 + 16)
3. 完整QUBO模型的构建
将目标函数(最大化价值)和惩罚函数结合,注意需要将最大化转化为最小化(量子退火寻找最小解):
code复制H = -∑v_i x_i + λ (∑
