基于量子算法的车辆路径优化方法技术

本申请涉及一种基于量子算法的车辆路径优化方法

【技术实现步骤摘要】
基于量子算法的车辆路径优化方法、装置、设备及介质


[0001]本专利技术涉及量子计算
，尤其涉及一种基于量子算法的车辆路径优化方法
、
装置
、
设备及介质
。

技术介绍

[0002]有容量约束的车辆路径问题
(Capacitated Vehicle Routing Problem
，
CVRP)
是一类典型的组合优化问题，其主要目标是在满足每个客户需求及车辆容量限制的前提下，使配送和运输成本最小化，在物流
、
交通等领域有着广泛的应用
。
[0003]处理
CVRP
问题的现有方法包括精确算法和启发式算法
。
由于
CVRP
问题属于
NP
‑
Hard
问题，解空间随着规模呈指数增长，精确算法在大规模问题下效率低，实用性较差
。
常见的路径规划算法包括基于贪婪算法的遗传算法
、
模拟退火算法
、
启发式算法等
。
其中启发式算法是一种解决优化问题的方法，通过使用启发信息和经验规则来搜索近似最优解
。
这类算法的主要优势在于较快速地找到近似最优解，尤其适用于复杂
、
大规模问题
。

技术实现思路

[0004]专利技术人发现，利用量子计算机的优势，设计和实现量子优化算法，可以利用量子计算特性高效地寻找优化问题，包括
CVRP
的近似最优解
。
为了获得高效优质的大规模
CVRP
的最优解，本专利技术实施例提供了一种基于量子算法的车辆路径优化方法
、
装置
、
设备及介质
。
[0005]第一方面，本申请实施例提供一种基于量子算法的车辆路径优化方法，该方法包括：
[0006]根据各节点的需求量
、
各车辆的运输容量和不同节点间路径的权重，以车辆的运输容量为约束条件，基于预设精确算法或带约束的
K
平均算法将所有节点划分为多个集群；
[0007]将所述多个集群对应分配多台量子计算机，针对每个分配给量子计算机的集群：
[0008]判断所述集群中节点的数量是否超过预设量子比特阈值
N
；
[0009]若是，则迭代执行从所述集群中选择包括
N
个节点的组合，获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述组合的解，并根据所述组合的解更新得到所述集群的解的过程，直至所述集群的解收敛得到所述集群的目标解；若否，则获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述集群的目标解；
[0010]将得到的每个集群的目标解进行合成，得到车辆路径优化的解
。
[0011]本申请实施例的一个或一些可选的实施方式中，所述迭代执行从所述集群中选择包括
N
个节点的组合，获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述组合的解，并根据所述组合的解更新得到所述集群的解的过程，直至所述集群的解收敛得到所述集群的目标解，包括：
[0012]针对每一集群，生成所述集群的旅行商问题的初始解作为当前解，并获取置空的禁忌列表；
[0013]从所述集群中随机选择包括
N
个节点的组合，并将所述组合添加到所述禁忌列表；
[0014]获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述组合的解，根据所述组合的解和所述当前解，更新得到新的解；
[0015]判断所述新的解是否优于当前解；
[0016]若是，将所述新的解更新为当前解，并置空禁忌列表，重新执行上述从所述集群中随机选择包括
N
个节点的组合，得到所述组合的解，确定所述集群的新的解，并判断所述新的解是否优于当前解的步骤；
[0017]若否，则继续从所述集群中选择包含
N
个节点的新的组合，并将所述新的组合添加到所述禁忌列表，继续执行得到所述新的组合的解，确定所述集群的新的解，并判断所述新的解是否优于当前解的步骤；
[0018]重复执行上述步骤，直至迭代条件达到预设条件，将更新后的当前解作为目标解
。
[0019]本申请实施例的一个或一些可选的实施方式中，所述判断所述新的解是否优于当前解，包括：
[0020]根据预先构建的代价函数，计算对应所述新的解的代价函数值与所述当前解的代价函数值；
[0021]判断所述新的解的代价函数值是否小于所述当前解的代价函数值；
[0022]若是，则确定所述新的解优于所述当前解
。
[0023]本申请实施例的一个或一些可选的实施方式中，所述代价函数通过下述方式构建：
[0024]以每次只访问一个节点和每个节点只访问一次为约束条件，将总成本最小化为优化目标，基于下述公式1构建得到旅行商问题的所述代价函数：
[0025][0026]其中，
W
i,j
表示两个节点间的权重，
D
为惩罚参数，
x
i,p
为一个二元变量，表示第
i
个节点在路径的第
p
个位置是否被访问
。
[0027]本申请实施例的一个或一些可选的实施方式中，所述重复执行上述步骤，直至迭代条件达到预设条件，将更新后的当前解作为目标解，包括：
[0028]重复执行上述步骤，直至所述禁忌列表的大小达到第一预设值和
C(n
t
，
N)
组合数中的较小值，或迭代次数达到第二预设值，将更新后的当前解作为目标解，其中，
n
t
为集群中节点的数量
。
[0029]本申请实施例的一个或一些可选的实施方式中，所述根据各节点的需求量
、
各车辆的运输容量和不同节点间路径的权重，以车辆的运输容量为约束条件，基于预设精确算法或带约束的
K
平均算法将所有节点划分为多个集群，包括：
[0030]从所有节点随机选择
k
个中心节点；其中
k
为车辆数量，且
k
为大于等于2的正整数；
[0031]根据各非中心节点与各中心节点间路径的权重大小，将对应非中心节点分别分配给与其权重最小的中心节点，将所述节点划分为
k
个集群；
[0032]根据每一集群中各节点的需求量，判断每一集群的总需求量是否均小于车辆的运输容量；
[0033]若是，则重新确定每一集群的平均中心点，得到新的
k
个中心节点，并重新得到新
的<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于量子算法的车辆路径优化方法，其特征在于，包括：根据各节点的需求量
、
各车辆的运输容量和不同节点间路径的权重，以车辆的运输容量为约束条件，基于预设精确算法或带约束的
K
平均算法将所有节点划分为多个集群；将所述多个集群对应分配多台量子计算机，针对每个分配给量子计算机的集群：判断所述集群中节点的数量是否超过预设量子比特阈值
N
；若是，则迭代执行从所述集群中选择包括
N
个节点的组合，获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述组合的解，并根据所述组合的解更新得到所述集群的解的过程，直至所述集群的解收敛得到所述集群的目标解；若否，则获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述集群的目标解；将得到的每个集群的目标解进行合成，得到车辆路径优化的解
。2.
如权利要求1所述的方法，其特征在于，所述迭代执行从所述集群中选择包括
N
个节点的组合，获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述组合的解，并根据所述组合的解更新得到所述集群的解的过程，直至所述集群的解收敛得到所述集群的目标解，包括：针对每一集群，生成所述集群的旅行商问题的初始解作为当前解，并获取置空的禁忌列表；从所述集群中随机选择包括
N
个节点的组合，并将所述组合添加到所述禁忌列表；获取由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述组合的解，根据所述组合的解和所述当前解，更新得到新的解；判断所述新的解是否优于当前解；若是，将所述新的解更新为当前解，并置空禁忌列表，重新执行上述从所述集群中随机选择包括
N
个节点的组合，得到所述组合的解，确定所述集群的新的解，并判断所述新的解是否优于当前解的步骤；若否，则继续从所述集群中选择包含
N
个节点的新的组合，并将所述新的组合添加到所述禁忌列表，继续执行得到所述新的组合的解，确定所述集群的新的解，并判断所述新的解是否优于当前解的步骤；重复执行上述步骤，直至迭代条件达到预设条件，将更新后的当前解作为目标解
。3.
如权利要求2所述的方法，其特征在于，所述判断所述新的解是否优于当前解，包括：根据预先构建的代价函数，计算对应所述新的解的代价函数值与所述当前解的代价函数值；判断所述新的解的代价函数值是否小于所述当前解的代价函数值；若是，则确定所述新的解优于所述当前解
。4.
如权利要求2所述的方法，其特征在于，所述重复执行上述步骤，直至迭代条件达到预设条件，将更新后的当前解作为目标解，包括：重复执行上述步骤，直至所述禁忌列表的大小达到第一预设值和
C(n
t
，
N)
组合数中的较小值，或迭代次数达到第二预设值，将更新后的当前解作为目标解，其中，
n
t
为集群中节点的数量
。5.
如权利要求1所述的方法，其特征在于，所述根据各节点的需求量
、
各车辆的运输容量和不同节点间路径的权重，以车辆的运输容量为约束条件，基于预设精确算法或带约束
的
K
平均算法将所有节点划分为多个集群，包括：从所有节点随机选择
k
个中心节点；其中
k
为车辆数量，且
k
为大于等于2的正整数；根据各非中心节点与各中心节点间路径的权重大小，将对应非中心节点分别分配给与其权重最小的中心节点，将所述节点划分为
k
个集群；根据每一集群中各节点的需求量，判断每一集群的总需求量是否均小于车辆的运输容量；若是，则重新确定每一集群的平均中心点，得到新的
k
个中心节点，并重新得到新的
k
个集群；重复上述更新中心节点和
k
个集群的步骤，直到满足聚类收敛条件，得到最终的
k
个集群
。6.
如权利要求1所述的方法，其特征在于，由量子计算机和经典计算机使用
VQE
算法求解旅行商问题得到所述集群的目标解的过程，包括：经典计算机以每次只访问一个节点和每个节点只访问一次为约束条件，将总成本最小化为优化目标，构建所述旅行商问题的代价函数，并将所述代价函数编码得到哈密顿量；量子计算机使用预先构建的参数化量子线路和初始化的线路...

【专利技术属性】
技术研发人员：郭聪，
申请(专利权)人：深圳量旋科技有限公司，
类型：发明
国别省市：