Transferability of optimal QAOA parameters between random graphs
量子近似优化算法（QAOA）是通过量子增强组合优化实现量子优势的最有前途的候选算法之一。在典型的QAOA设置中，优化一组量子线路参数以准备用于找到组合优化问题的最优解的量子态。在最近的文献中，已经对特殊QAOA MaxCut问题实例的最优参数集中效应进行了一些经验观察，然而，仍然缺乏对该主题的严格研究。我们表明，收敛的最佳QAOA参数周围的特定值，因此，成功的转移不同QAOA实例之间的参数可以解释和预测的基础上的局部性质的图形，特别是子图（光锥）的类型的图形组成。我们将这种方法应用到随机规则和一般随机图。例如，我们演示了如何优化的参数计算的6节点随机图可以成功地使用，而无需修改为64节点的随机图的近最佳参数，与小于1%的近似比减少的结果。这项工作提出了一种途径，以确定类的组合优化实例，这种变分量子算法QAOA可以大大加快。
2021-06-14 quant-ph
Impact of Graph Structures for QAOA on MaxCut
量子近似优化算法（QAOA）是利用量子计算求解组合优化问题的一种很有前途的方法。最大割问题的QAOA在特定图族上得到了广泛的研究，然而，对任意图的算法知之甚少。我们评估的性能QAOA在深度最多为3的最大割问题的所有连接的非同构图与最多8个顶点，并分析图结构如何影响QAOA的性能。QAOA成功的一些最强的预测因素是奇循环的存在和图中的对称性。这些研究产生的数据在一个公开访问的数据库中共享，作为QAOA计算和实验的基准。了解结构和性能之间的关系可以让我们识别出可能表现出量子优势的组合问题的类别。
2021-02-11 quant-ph
An adaptive quantum approximate optimization algorithm for solving combinatorial problems on a quantum computer
量子近似优化算法（QAOA）是一种求解组合优化问题的混合变分量子-经典算法。虽然有证据表明标准QAOA的固定形式不是最佳的，但没有系统的方法来找到更好的ansätze。我们解决这个问题，通过开发一个迭代版本的QAOA是问题量身定制的，也可以适应特定的硬件约束。我们模拟算法的一类最大割图问题，并表明它的收敛速度比标准QAOA，同时减少所需的CNOT门和优化参数的数量。我们提供的证据表明，这种加速是连接到绝热性的捷径的概念。
2022-07-07 quant-ph
Lower Bounds on Circuit Depth of the Quantum Approximate Optimization Algorithm
量子近似优化算法（QAOA）是一种近似求解组合优化问题的方法。虽然QAOA被开发来解决广泛的一类组合优化问题，但目前还不清楚哪类问题最适合它。证明量子优势的一个因素是问题实例与实现QAOA方法所需的电路深度之间的关系。由于NISQ器件中的误差随电路深度呈指数级增加，因此识别电路深度的下限可以提供对何时量子优势可行的见解。在这里，我们确定如何的问题实例的结构可以用来确定电路深度的下限QAOA的每次迭代，并检查问题结构和电路深度之间的关系，包括MaxCut和MaxIndSet的各种组合优化问题。具体来说，我们展示了如何推导出一个图，$G$，它描述了一个一般的组合优化问题，并显示电路的深度至少是色指数的$G$。通过查看电路深度的缩放，我们认为，MaxCut，MaxIndSet，顶点覆盖和布尔satisifiability问题的一些实例是适合QAOA方法，而背包和旅行销售人员的问题是不。
2020-08-12 cs.CC math.OC quant-ph
Solving Large-Scale QUBO with Transferred Parameters from Multilevel QAOA of low depth
本研究针对QAOA难以应用于大规模组合优化问题的硬件限制，提出带参数迁移和遗传算法增强的低深度多级混合QAOA方法，可有效求解大规模QUBO，为近期量子设备的组合优化提供可扩展方案。
2025-05-16 quant-ph
Neural QAOA$^{2}$: Differentiable Joint Graph Partitioning and Parameter Initialization for Quantum Combinatorial Optimization
Guangdong Provincial Key Laboratory of Brain-Inspired Intelligent Computation, Department of CSE, SUSTech（脑启发智能计算广东省重点实验室，计算机科学与工程系，南方科技大学）
本文提出Neural QAOA²，通过可微联合生成图划分和初始参数，解决传统QAOA²中图划分与量子优化目标不匹配及拓扑无关参数初始化的问题，实验表明其在多种实例上表现优异。
2026-05-13 cs.AI quant-ph
Quantum Computational Phase Transition in Combinatorial Problems
量子近似优化算法（QAOA）旨在利用近期量子计算机搜索离散优化问题的近似解。由于没有算法保证QAOA可能优于经典计算机，在没有证明$BQP\neq NP$的情况下，有必要研究QAOA的经验优势。我们确定QAOA的计算相变时，解决困难的问题，如SAT -随机的情况下是最困难的训练在一个关键的问题密度。我们连接到QAOA电路的可控性和复杂性的过渡。此外，我们发现临界问题密度一般偏离SAT-UNSAT相变，经典算法的最困难的情况下所在。然后，我们表明，高问题密度区域，这限制了QAOA的性能在硬优化问题（{ \it可达性赤字}），实际上是一个很好的地方，利用QAOA：其近似比有一个慢得多的衰减与问题密度，相比，经典的近似算法。事实上，正是在这个区域，可以确定QAOA的量子优势超过经典的近似算法。
2022-06-15 cond-mat.dis-nn cond-mat.stat-mech cs.CC
Hamiltonian-Oriented Homotopy QAOA
经典的同伦优化方法有潜力处理高度非线性景观，如QAOA问题的能量景观。基于这个动机，我们引入了Hamilton导向同伦QAOA（HOHo-QAOA），这是一种基于经典同伦优化的启发式组合优化方法。该方法由一个同伦映射，产生一个优化问题的每个值的插值参数。因此，HOHo-QAOA将QAOA的优化分解为几个循环，每个循环使用混合器和目标哈密顿量的混合物进行成本函数评估。此外，我们得出结论，HOHo-QAOA提高了搜索低能量状态的非线性能量景观，并优于其他变体的QAOA。
2023-01-30 quant-ph
A Unified Complexity-Algorithm Account of Constant-Round QAOA Expectation Computation
State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences（处理器技术国家重点实验室，计算技术研究所，中国科学院）
本文研究了固定轮次QAOA在最大割问题中的复杂度与算法分析，提出动态规划算法实现精确计算，并扩展至一般二元无约束组合优化，通过实验评估了不同结构图的性能。
2025-11-25 quant-ph
Lyapunov control-inspired strategies for quantum combinatorial optimization
近年来，利用量子计算机通过量子近似优化算法（QAOA）解决组合优化问题的前景引起了人们的极大兴趣。然而，与QAOA相关联的关键限制是需要对一组量子线路参数进行经典优化。这种经典的优化可能具有显著的相关成本和挑战。在这里，我们提供了用于量子优化的李雅普诺夫控制启发策略的扩展描述，如[Magann等人，物理修订版信函129，250502（2022）]，其不需要任何经典优化努力。相反，这些策略利用来自量子位测量的反馈以确定性方式将值分配给量子线路参数，使得组合优化问题解决方案随着量子线路深度单调地改进。数值分析，调查这些策略的效用对MaxCut的加权和非加权3-正则图，无论是在理想的实现，也存在测量噪声。我们还讨论了这些策略如何与QAOA进行比较，它们如何用于种子QAOA优化以提高近期应用的性能，并探索与量子退火的联系。
2023-01-04 quant-ph
Solving Constrained Combinatorial Optimization Problems with Variational Quantum Imaginary Time Evolution
本文首次将VarQITE与Max-Cut定制ansatz用于约束组合优化MKP，获得比QAOA等方法更低的平均最优性差距，并通过缩放哈密顿量系数降低成本、加速收敛。
2025-07-25 quant-ph
Augmenting QAOA Ansatz with Multiparameter Problem-Independent Layer
量子近似优化算法（QAOA）有望解决组合优化领域中的经典计算难题。然而，越来越多的证据表明，最初提出的QAOA协议形式并不是最佳的。为了解决这个问题，我们提出了一个替代的anananterior，我们称之为QAOA+，增强了传统的$p = 1$ QAOA anterior与一个额外的多参数问题无关的层。的QAOA+ Anchor允许获得更高的近似比比$p = 1$ QAOA，同时保持电路深度低于$p = 2$ QAOA，作为基准上的最大切割问题的随机规则图。我们还表明，提出的QAOA+ ansatz虽然使用了比标准QAOA更多的可训练经典参数，但在大多数情况下优于替代的多角度QAOA ansätze。
2022-05-02 quant-ph
The Art of Avoiding Constraints: A Penalty-free Approach to Constrained Combinatorial Optimization with QAOA
针对 QAOA 求解约束组合优化时惩罚参数难以设置的问题，提出无惩罚的 profit-relaxation 混合框架，并在三个 NP 难问题和两个量子平台上验证其有效性。
2025-03-16 quant-ph
Systematic improvement of the quantum approximate optimisation ansatz for combinatorial optimisation using quantum subspace expansion
本研究将生成坐标法与量子近似优化拟设结合，在Erdös-Rényi图的最大独立集问题上系统提升了近似比和保真度，并估计图规模大于75时以八个试探态即可超越QAOA。
2025-06-23 nucl-th quant-ph
COMET: Combinatorial Optimization for Multiplex Editing Targets Via Constraint-Preserving QAOA
Microsoft（微软）
研究多重CRISPR-Cas9基因编辑中的组合问题，对比基于惩罚项和XY混合器的QAOA方法，发现XY混合器在模拟和硬件测试中表现更优，对约束执行策略进行方法学比较并经实际硬件验证。
2026-07-07 cs.AI quant-ph
Phantom Edges in the Problem Hamiltonian: A Method for Increasing Performance and Graph Visibility for QAOA
本文提出Phantom-QAOA，通过在问题哈密顿量中引入α加权幻影边并仅增加一个可调参数，使QAOA在有限深度下获得更广的图可见性，从而在Max-Cut问题上显著提升近似比。
2025-04-08 math.OC quant-ph
QAOA-Predictor: Forecasting Success Probabilities and Minimal Depths for Efficient Fixed-Parameter Optimization
Fraunhofer IISB（弗劳恩霍夫工业信息系统研究所）；Technical University Munich（慕尼黑工业大学）；Fraunhofer IKS（弗劳恩霍夫集成与系统研究所）
QAOA-Predictor利用图神经网络预测QAOA的成功概率和最小层数，实现高效固定参数优化。
2026-03-03 quant-ph
Elementary Proof of QAOA Convergence
针对QAOA缺乏严格收敛性证明的问题，本文通过回溯量子绝热算法与QAOA的关联给出初等收敛证明，并提出“相位分离器”“混合器”的精确定义。
2023-02-09 quant-ph
Performance of the Quantum Approximate Optimization Algorithm on the Maximum Cut Problem
量子近似优化算法（QAOA）是一种很有前途的方法，用于编程一个短期的基于门的混合量子计算机，以找到很好的近似解的困难的组合问题。然而，目前很少有人知道QAOA的能力，或所需的参数优化的难度。在这里，我们研究了QAOA在MaxCut组合优化问题上的性能，使用自动微分和随机梯度下降在经典计算机上优化量子线路，使用QuantumFlow，一个用TensorFlow实现的量子线路模拟器。我们发现，我们可以摊销的训练成本，通过优化批量的问题实例，QAOA可以超过经典的多项式时间的Goemans-Williamson算法的性能与适度的电路深度，并与固定的电路深度的性能是不敏感的问题的大小。此外，MaxCut QAOA可以使用量子位交换网络在具有有限量子位连接的基于门的量子计算机上有效地实现。这些观察结果支持QAOA将成为解决近期量子计算机上有趣问题的有效方法的前景。
2018-11-20 quant-ph
Graph decomposition techniques for solving combinatorial optimization problems with variational quantum algorithms
本文提出一种图分解方法，将QAOA求解的MaxCut问题图缩减为更小规模子问题，在Quantinuum H1-1上以单层QAOA线路对100顶点图求得最优解，分解后近似比平均达0.96。
2023-06-01 math.CO quant-ph
Towards Optimizations of Quantum Circuit Simulation for Solving Max-Cut Problems with QAOA
针对 QAOA 在经典模拟大规模量子电路时速度慢的问题，本文提出数学压缩、按位运算和多核并行相结合的 QCS 加速方法，并以 Max-Cut 验证有效性。
2023-12-05 cs.DC quant-ph
Scaling QAOA: transferring optimal adiabatic schedules from small-scale to large-scale variational circuits
Aix-Marseille Université, Université de Toulon（艾克斯-马赛大学、土伦大学）；ENSTA, Institut Polytechnique de Paris（巴黎理工学院）；Conservatoire National des Arts et Métiers（国立工艺博物馆）；Université Paris Cité（巴黎西岱大学）
本文提出了一种基于谱间隙信息的调度学习框架，通过将小规模问题的最优调度转移到大规模系统，实现了QAOA算法的参数高效扩展。
2026-02-16 quant-ph
Two-Step QAOA: Enhancing Quantum Optimization by Decomposing K-hot Constraints in QUBO Formulations
针对QUBO公式中带k-hot约束的组合优化问题，提出两步法QAOA，通过分阶段将软约束转硬约束提升优化效率，适用于复杂社会问题求解。
2025-02-23 quant-ph
Quantum-informed surrogate sampling for combinatorial optimization
IQM Quantum Computers（IQM量子计算机公司）
研究针对组合优化问题，提出量子信息替代采样（QISS）框架，通过浅量子电路低权重相关性生成候选解。在最大割等问题上评估，结果优于普通QAOA，还验证了其在量子设备上的抗噪声能力，为近期优化提供新途径。
2026-07-27 cond-mat.dis-nn quant-ph
Hierarchical Quantum Optimization via Backbone-Driven Problem Decomposition: Integrating Tabu-Search with QAOA
针对NISQ设备限制QAOA处理大规模组合优化问题的挑战，提出骨干驱动QAOA混合框架，通过自适应禁忌搜索预处理分解QUBO问题为量子可处理子问题并迭代优化，实验证明其性能优于或媲美传统经典及混合算法，提升NISQ设备解决大规模问题的能力。
2025-04-13 quant-ph
Quantum approximate algorithm for NP optimization problems with constraints
量子近似优化算法（QAOA）是一种用于寻找组合优化问题的近似解的算法框架，源自量子绝热算法（QAA）的近似。在QAOA或QAA的上下文中求解具有约束的组合优化问题时，需要找到一种将问题约束编码到方案中的方法。在本文中，我们形式化不同的约束类型的线性等式，线性不等式，和任意形式。在此基础上，我们提出了约束编码方案，以及适合QAOA框架解决NP组合优化问题。通过对一些著名的NP优化问题的不同实例的测试，验证了该算法的有效性和效率。我们认为，我们的工作导致了一个广义的框架，在QAOA的背景下，高品质的近似解决方案，各种类型的约束组合问题。
2020-02-01 cs.CC physics.app-ph quant-ph
Evaluating the Limits of QAOA Parameter Transfer at High-Rounds on Sparse Ising Models With Geometrically Local Cubic Terms
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Jagiellonian University（雅盖隆大学）；Institute of Theoretical Physics, Jagiellonian University（雅盖隆大学理论物理研究所）；Mark Kac Complex Systems Research Center, Jagiellonian University（雅盖隆大学马克·卡克复杂系统研究中心）
本文研究了QAOA参数转移在稀疏Ising模型中高轮次下的性能，发现参数转移在某些情况下性能会暂时下降，但随着QAOA深度增加，期望值总体提升，接近真实基态能量。
2026-01-24 cond-mat.dis-nn quant-ph
Similarity-Based Parameter Transferability in the Quantum Approximate Optimization Algorithm
本文通过揭示QAOA最优参数的聚类规律，提出基于图局部性质（光锥子图类型和节点奇偶性）的参数迁移方法，实现供体图参数向更大受体图的有效复用，从而加速变分量子算法求解组合优化问题。
2023-07-11 quant-ph
Ising Hamiltonians for Constrained Combinatorial Optimization Problems and the Metropolis-Hastings Warm-Starting Algorithm
本文提出约束组合优化问题到 Ising 哈密顿量的通用构造方法，并引入可证明收敛至全局最优的 Metropolis-Hastings QAOA 热启动算法，在 MWVC、MVC 等问题上验证有效性。
2023-07-18 quant-ph
Block-QAOA-Aware Detection with Parameter Transfer for Large-Scale MIMO
Chongqing University of Posts and Telecommunications（重庆邮电大学）
本文提出块QAOA感知MIMO检测器，通过重新组织检测链以适应有限量子比特的局部子问题，结合预处理、接口、动态正则化目标和候选传播，实现参数转移QAOA，提升检测性能。
2026-03-20 cs.NI eess.SP quant-ph
Partitioned-Constraint QAOA (PC-QAOA): Structural State Preparation and Penalty Enforcement for Quantum Optimization
University of Tennessee at Knoxville（田纳西大学诺克斯维尔分校）；Florida State University（佛罗里达州立大学）；Carthage College（卡里奇学院）
本文提出PC-QAOA方法，通过结构化和能量化的方式处理约束优化问题，提升量子优化的可行性与解的质量。
2026-05-18 quant-ph
Optimizing QAOA: Success Probability and Runtime Dependence on Circuit Depth
量子近似优化算法（QAOA）是由Farhi等人首先提出的，由于其简单性、普适性和可证明的最优性，有望在近期得到应用。深度为p的QAOA由两个相互不可交换的哈密顿算子引起的p个交错酉变换组成。关于QAOA的性能的一个长期存在的问题是它的成功概率作为电路深度p的函数的依赖性。我们通过分析QAOA的成功概率实现状态转移在一维量子比特链使用两个量子比特XY哈密顿和单量子比特哈密顿取得了初步进展。我们提供了分析状态转移成功概率依赖于p在低和大p限制，利用独特的光谱性质的XY哈密顿量。我们支持我们的证明下，一个给定的QAOA的数值优化QAOA高达\(N\) =20量子位。我们表明，优化的QAOA可以实现著名的二次加速，Grover加速，在经典的替代品。将QAOA优化作为一个量子控制问题处理，我们还提供了电路深度如何决定QAOA算法的可控性的数值证据。
2019-05-28 quant-ph
Restricted Global Optimization for QAOA
针对QAOA经典参数优化困难的问题，本文证明局部优化方法在复杂代价景观中不足，并提出受限全局优化技术，在控制函数评估次数的同时显著提升QAOA在多种问题实例上的性能。
2023-09-21 quant-ph
QAOA Parameter Transferability for Maximum Independent Set using Graph Attention Networks
Fujitsu Research of America（富士通美国研究机构）
针对QAOA求解最大独立集问题时的参数优化难题，提出基于图注意力网络的参数迁移方案，并设计混合分布式资源感知算法HyDRA-MIS，在数千顶点图上取得与经典求解器KaMIS相当的结果。
2025-04-29 cs.LG quant-ph
Out of the Loop: Structural Approximation of Optimisation Landscapes and non-Iterative Quantum Optimisation
Technical University of Applied Sciences Regensburg（雷根斯堡应用技术大学）
本文提出一种基于解空间结构近似QAOA优化景观的非迭代量子优化方法，使用实例无关但问题特定的量子电路，在降低计算开销的同时达到或超越单位深度QAOA的性能，并证明了一个关于QAOA实例无关结构的长期猜想。
2025-10-27 quant-ph
Learning to Optimize Variational Quantum Circuits to Solve Combinatorial Problems
Illinois Institute of Technology（伊利诺伊理工学院）；Clemson University（克莱姆森大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Argonne National Laboratory（阿贡国家实验室）
量子计算是一种计算范式，有可能在各种问题上优于经典方法。最近提出的量子近似优化算法（QAOA）被认为是近期内证明量子优势的主要候选算法之一。QAOA是一种近似求解组合优化问题的变分混合量子经典算法。对于给定的问题实例，QAOA获得的解的质量取决于用于优化变分参数的经典优化器的性能。在本文中，我们制定的问题，找到最佳QAOA参数作为一个学习任务，其中从解决训练实例中获得的知识可以利用找到高质量的解决方案，看不见的测试实例。为此，我们开发了两种基于机器学习的方法。我们的第一种方法采用强化学习（RL）框架来学习策略网络以优化QAOA电路。我们的第二种方法采用核密度估计（KDE）技术来学习最佳QAOA参数的生成模型。在这两种方法中，训练过程都是在可以在经典计算机上模拟的小问题实例上执行的;然而，学习的RL策略和生成模型可以用于有效地解决更大的问题。使用IBM Qiskit Aer量子电路模拟器进行的大量模拟表明，与其他常用的现成优化器相比，我们提出的基于RL和KDE的方法将最优性差距降低了30.15倍。
2019-11-25 cs.LG quant-ph stat.ML
Linearly simplified QAOA parameters and transferability
本文提出将QAOA变分参数简化为随线路深度线性变化的形式，将参数空间从2p维降至4维，并通过随机伊辛模型和最大割问题的数值实验证明了线性化参数在不同实例间的可迁移性。
2024-05-01 quant-ph
Equivariant QAOA and the Duel of the Mixers
本文针对 QAOA 混合器设计，提出与对称群 $S_d$ 等变的定制混合器 $H_M$，并在边着色和图划分实验中证明其优于传统 $B$。
2024-05-12 quant-ph
Fair sampling with temperature-targeted QAOA based on quantum-classical correspondence theory
Graduate School of Science and Technology, Keio University（庆应义塾大学理工学研究科）；Department of Applied Physics and Physico-Informatics, Keio University（庆应义塾大学应用物理与物理信息学系）；Keio University Sustainable Quantum Artificial Intelligence Center (KSQAIC), Keio University（庆应义塾大学可持续量子人工智能中心）；Human Biology-Microbiome-Quantum Research Center (WPI-Bio2Q), Keio University（庆应义塾大学人类生物学-微生物组-量子研究中心）；Green Computing System Research Organization, Waseda University（早稻田大学绿色计算系统研究组织）
本文提出基于量子-经典对应理论的SBO-QAOA算法，通过温度依赖的哈密顿量实现退化态的公平采样，解决了标准QAOA在退化态采样中的偏差问题。
2026-01-22 cond-mat.stat-mech quant-ph
Local classical MAX-CUT algorithm outperforms $p=2$ QAOA on high-girth regular graphs
$p$阶段量子近似优化算法（QAOA $_p$）是一种很有前途的噪声中尺度量子（NISQ）器件组合优化方法，但除了$p=1$之外，其理论行为还没有得到很好的理解。我们分析QAOA $_2$的最大切割问题（MAX-CUT），推导出一个图形大小无关的表达式，预期切割分数的任何$D$ -正规图周长$> 5$（即没有三角形，正方形，或五边形）。我们证明了对于所有度的$D \ge 2$和每个周长为$> 5$的$D$ -正则图$G$，QAOA $_2$在$G$上有比QAOA $_1$更大的期望割分数.然而，我们还表明，存在一个$2$ -本地随机经典算法$A$，使$A$有一个更大的预期削减分数比QAOA $_2$对所有$G$。这支持了我们的猜想，即对于每个常数$p$，存在一个局部经典MAX-CUT算法，该算法在所有图上的性能与QAOA $_p$一样好。
2021-04-15 quant-ph
Multi-round QAOA and advanced mixers on a trapped-ion quantum computer
本文在囚禁离子量子计算机上证明多轮QAOA能改善多个任意图问题的结果，并提出一种高级混合哈密顿量以预定权重采样所有最优解，推动量子算法的实际应用。
2022-01-28 quant-ph
REGRID-QAOA: A Resource-Efficient Hybrid QAOA Framework for Physics-Constrained Power System Islanding
Pennsylvania State University（宾夕法尼亚州立大学）；Kent State University（肯特州立大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Clemson University（克莱姆森大学）；University of Pretoria（比勒陀利亚大学）
提出一种资源高效的混合QAOA框架，通过相干性图约简、物理感知约束建模和结构化后处理，将物理约束的电力系统孤岛划分转化为量子优化问题，在IEEE标准测试系统上实现Gurobi最优解质量并显著降低量子资源消耗。
2026-06-16 cs.SY eess.SY quant-ph
Snapshot-QAOA: Extending QAOA to Quantum Hamiltonian Simulation
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Northwestern University（西北大学）
Snapshot-QAOA通过扩展QAOA算法，用于近似求解大规模量子哈密顿量的基态，适用于量子化学和材料科学中的常见挑战，保留了QAOA的变分算法特性，具有更浅的电路深度和更好的训练性能。
2026-03-15 quant-ph
Modified Recursive QAOA for Exact Max-Cut Solutions on Bipartite Graphs: Closing the Gap Beyond QAOA Limit
Korea Institute for Advanced Study (KIAS)（韩国高等科学研究院）；Australian National University（澳大利亚国立大学）；Agency for Science, Technology and Research (A*STAR)（科学技术研究局）；Kyung Hee University（庆熙大学）
本文提出改进的递归QAOA算法，通过限制参数范围实现双图和一般图的精确最大割解，超越了传统QAOA的性能极限。
2024-11-26 quant-ph
Benchmarking Metaheuristic-Integrated QAOA against Quantum Annealing
本文通过基准测试元启发式优化器改进的QAOA与量子退火及经典启发式方法，揭示二者在不同问题上的优劣，并提出混合策略可提升QAOA解质量与收敛速度，为方法选择提供指导。
2024-01-17 quant-ph
Convergence guarantee for linearly-constrained combinatorial optimization with a quantum alternating operator ansatz
Brown University（布朗大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
该研究提出 QAOA⁺ 电路，证明其可随层数增加收敛到最优解，将 QAOA⁺ 的性能保证推广到含顺序整数系数的线性约束组合优化问题，为相关领域提供工具支持。
2026-08-21 quant-ph
Pauli-Sparse regularised Counterdiabatic Shortcuts for Linear-Ramp QAOA
University of Southampton（南安普顿大学）；University of Pisa（比萨大学）
针对有限深度QAOA在能隙极小场景下的强非绝热误差，提出基于正则化绝热规范势的Pauli-稀疏反绝热扩展，通过截断共轭梯度法稀疏求解并后验验证，提升近似比。
2026-10-26 math.OC quant-ph
Structured Parameterization and Non-Stabilizerness in Hypergraph QAOA
University of Malta（马耳他大学）
本文提出k交互角QAOA参数化方案，通过分组成本函数项的k体相互作用阶次，在参数效率与解质量间取得平衡，适用于超图组合优化问题。
2026-05-02 quant-ph
Multiscale Quantum Approximate Optimization Algorithm
针对低深度QAOA性能受限、高深度又受NISQ技术制约的问题，提出融合实空间重整化群变换的多尺度QAOA，可在最低深度为随机组合优化实例提供准确解，助力展示量子优势。
2023-12-11 quant-ph
Quantum constraint learning for quantum approximate optimization algorithm
量子近似优化算法（QAOA）是一种混合量子-经典变分算法，具有处理组合优化问题的潜力。在这样的组合优化问题中引入约束，对QAOA的扩展提出了一个重大挑战，以支持相关的大规模问题。本文介绍了一种量子机器学习方法来学习硬约束搜索子空间所需的混合器哈密顿量。我们表明，这种方法可以用于编码任何一般形式的约束。人们可以直接插入学习酉到QAOA框架使用自适应的Analog。这个过程提供了灵活性，以控制电路的深度为代价的精度强制约束，从而在噪声中间尺度量子（NISQ）时代的直接应用。我们还开发了一个直观的度量，使用Wasserstein距离来评估一般近似优化算法的性能，有/没有约束。最后，使用此度量，我们评估所提出的算法的性能。
2021-12-14 math.OC physics.data-an quant-ph
The fixed angle conjecture for QAOA on regular MaxCut graphs
量子近似优化算法（QAOA）是一种适用于有噪声量子器件的近期组合优化算法。然而，对$p>2$的性能保证知之甚少。最近的工作\cite{Wurtz_guarantee}计算MaxCut性能保证3-正则图的假设，任何$d$ -正则图评估在特定的固定角度有一个近似比大于一些最坏情况的保证。在这项工作中，我们提供了数值证据，这个固定角度猜想$p<12$。我们通过数值优化和张量网络计算并提供这些角度。这些固定的角度服务于QAOA的无优化版本，并且在任何3正则图上具有普遍良好的性能。启发式证据的固定角度猜想的图系综，这表明这些固定角度是“接近”的全局最优。在固定角度猜想下，QAOA算法比3-正则图上的Goemans Williamson算法对$p\geq 11$有更大的性能保证.
2021-07-19 quant-ph
Recursive QAOA outperforms the original QAOA for the MAX-CUT problem on complete graphs
本文解析证明了递归QAOA在完全图MAX-CUT问题上的近似比优于原始QAOA，克服了原始算法在常数层级下的局限性。
2023-02-21 quant-ph
Quantum Approximate Optimization: A Computational Intelligence Perspective
本文从计算智能视角介绍量子近似优化方法，阐释变分量子算法与QAOA的原理、关联领域及改进方向，给出典型组合优化问题的实现模板，助力计算智能从业者应用相关技术。
2024-07-09 quant-ph
Globally optimizing QAOA circuit depth for constrained optimization problems
我们开发了一个全局变量替换方法，减少$n$变量单项式在组合优化问题中的等价实例与单项式在更少的变量。我们将这种技术应用到$3$ -SAT中，并使用量子近似优化算法分析解决简化问题所需的最佳量子线路深度。对于基准$3$ -SAT问题，我们发现，电路深度的上界是较小的，当问题被制定为一个产品，并使用替代方法分解门比当问题被写在线性制定，这需要没有分解。
2021-08-06 quant-ph
