机构名称：
¥ 1.0
设计搜索空间的有效探索是组合优化算法设计中的关键挑战之一。在这里，我们介绍了生成器增强优化（GEO）策略：一个利用任何生成模型（经典，量子或量子启发）的框架来解决优化问题。我们专注于依靠张量 - 网络出生的机器的量子启发的Geo版本，并将其称为TN-GEO。为了说明我们的结果，我们在规范基数约束的投资组合优化问题的背景下通过结构构建S＆P 500和其他几个财务库存索引的情况下运行这些基准，并证明这些量子启发的生成模型的概括能力如何在产业试验的上下文中提供这些量子启发的生成型价值。我们还全面比较了最先进的算法，并表明TN-GEO是最好的。鉴于比较中使用的求解器在这种现实世界的工业应用中已经经过了数十年的研究。另外，通过量子启发的模型迈出了实践优势的有前途的步骤，随后，量子生成模型
通过经典和量子生成模型增强组合优化
主要关键词
相关文件推荐
