XiaoMi-AI文件搜索系统
World File Search System二次规划
投资者介绍 – 文字记录 第 1 页，共 13 页 Emil Michael
除了提供比我们之前的混合求解器更好的性能之外，该求解器还首次提高了开发人员在我们的量子计算机上构建应用程序的抽象级别。具体来说，如果你是一名数据科学家或数据分析师，并且习惯于使用线性规划、二次规划或混合整数规划来构建应用程序，那么我们的新混合求解器现在可以采用这些应用程序模型，并自动将它们映射到量子计算机。
储能型铁路功率调节器分层补偿优化策略
摘要：针对电气化铁路负序治理及再生制动能量利用问题，提出了一种基于铁路功率调节器的考虑储能系统潮流的分层补偿优化策略。介绍了储能式铁路功率调节器的拓扑结构，分析了其负序补偿及再生制动能量利用机理。考虑储能系统设备容量和潮流对铁路功率调节器补偿效果的影响，构建了储能式铁路功率调节器分层补偿优化的目标函数和约束条件，并采用序列二次规划法进行求解。通过多条件仿真试验验证了所提策略的可行性。结果表明，所提出的优化补偿策略在系统设备容量受限的情况下，能够实现负序补偿和再生制动能量利用，提高牵引变电站的功率因数，且具有良好的实时性。
量子退火驱动的单机总加权拖延工件数调度问题的分支定界
本文介绍了一种解决离散优化 NP 难问题的新方法，该方法适用于实现硬件量子退火的量子处理器 (QPU，Quantum Processor Unit) 的架构。该方法基于在精确分支定界算法中使用量子退火元启发式算法来计算目标函数的下限和上限。为了确定下限，使用了一种定义对偶问题 (广义离散背包问题) 的拉格朗日函数的新方法，其值在量子机的 QPU 上计算。反过来，为了确定上限，我们以带约束的二元二次规划形式制定了适当的任务。尽管量子机生成的结果是概率性的，但本文提出的混合算法构建方法交替使用 CPU 和 QPU，保证了最佳解决方案。作为案例研究，我们考虑 NP 难单机调度问题，最小化延迟作业的加权数量。进行的计算实验表明，在解决方案树的根部已经获得了最优解，并且下限和上限的值仅相差百分之几。
![arXiv:2301.01443v1 [quant-ph] 2023 年 1 月 4 日](/simg/g:\will\search\icon\source\c\cd1fd2e4815b63f86ac6ca0cbab01696ca7511df.webp)
arXiv:2301.01443v1 [quant-ph] 2023 年 1 月 4 日
分析和实践证据表明，量子计算解决方案优于传统替代方案。依靠变分量子特征值求解器 (VQE) 和量子近似优化算法 (QAOA) 的量子启发式算法已被证明能够为困难的组合问题生成高质量的解决方案，但将约束纳入此类问题却难以实现。为此，这项工作提出了一种量子启发式方法来处理随机二元二次约束二次规划 (QCQP)。通过确定量子电路的强度以有效地从难以采样的概率分布中生成样本，变分量子电路被训练为生成二值向量以近似地解决上述随机程序。该方法建立在对偶分解的基础上，需要解决一系列经过明智修改的标准 VQE 任务。使用量子模拟器对几个合成问题实例进行的测试证实了该方法的近乎最优性和可行性，以及它为确定性 QCQP 生成可行解的潜力。
插电式燃料电池电动汽车储能系统的最佳尺寸，平衡成本、排放和老化
本研究调查了插电式燃料电池电动汽车 (PFCEV) 的储能系统 (ESS) 的最佳尺寸，同时考虑了技术、经济和环境挑战。主要目标是最大限度地降低生命周期成本 (LCC) 和运营成本，同时减少二氧化碳排放并保持电力系统的耐用性。PFCEV 的 ESS 包含三个核心组件：电池、质子交换膜燃料电池 (FC) 系统和超级电容器 (SC)。性能评估涉及对车辆运行参数的严格约束，并按照城市测功机驾驶时间表 (UDDS) 进行模拟。本研究的一个显著贡献是实施了双循环优化技术，使用二次规划 (QP) 和遗传算法 (GA) 来确定尊重指定约束的可行解空间。总之，研究结果为 PFCEV ESS 的最佳尺寸提供了宝贵的见解和建议。对不同 PFCEV、燃料电池汽车 (FCV) 和电池电动汽车 (BEV) 进行的比较分析表明，PFCEV 具有明显的优势。最后，对各种氢气类型的敏感性分析表明，需要降低生产绿色氢气的成本，以提高其经济可行性和运营效率。
识别能源设计的关键参数...
摘要 — 锂离子电池因其价格下降和特性改善而在各种应用中变得越来越重要。为了正确使用此类存储系统，需要一种能量管理算法 (EMA)。鉴于电池问题的多样性，最近已经发布了许多具有各种特征的 EMA。确定性电池问题的 EMA 通常基于优化算法。这种算法的选择取决于一些需要识别和仔细分析的问题特征。本文的目的是确定决定最适合锂离子电池的 EMA 的关键优化问题参数。为此，起点是锂离子电池的详细模型。基于用于解决确定性问题的算法，即动态、线性和二次规划，设计了三种 EMA 来优化此类电池的能量调度。使用实际辐照和电价数据，将这些 EMA 的结果与各种案例研究进行比较。鉴于没有任何一种 EMA 能够在所有分析案例中取得最佳结果，因此确定最合适算法的问题参数有四个：（i）所需的计算强度，（ii）电池老化模型的特性，（iii）电池能量和功率能力和（iv）优化变量的数量，由储能系统的数量、优化问题的长度和所需的时间步长决定。
pNeurFill：基于增强型神经网络模型的带周长调整的虚拟填充合成
摘要 —虚拟填充被广泛用于显著改善 VLSI 制造中化学机械抛光 (CMP) 工艺的表面图案平面性。在虚拟填充流程中，虚拟合成是调整 CMP 后轮廓高度的关键步骤。然而，现有的虚拟合成优化方法通常无法平衡填充质量和效率。本文提出了一种基于模型的新型虚拟填充合成框架 NeurFill，该框架集成了多起点-顺序二次规划 (MSP-SQP) 优化求解器。在该框架内，首先将全芯片 CMP 模拟器迁移到神经网络，通过后向传播实现 8134 倍的梯度计算加速。在 CMP 神经网络模型的基础上，我们进一步实现了 NeurFill 的改进版本 (pNeurFill)，以缓解虚拟周长引起的 CMP 后高度变化。在每次虚拟密度优化迭代之后，都会基于给定的候选虚拟图案集进行额外的周长调整，以寻找最佳周长填充量。实验结果表明，提出的 NeurFill 优于现有的基于规则和模型的方法。与 NeurFill 相比，pNeurFill 中的额外周长调整策略可使高度变化平均减少 66.97 Å，质量提高 8.92%。这将为 DFM 提供指导，从而提高 IC 芯片的成品率。
综合需求响应优化调度-...
b 西安交通大学电气工程学院，西安 710049 摘要 ：为平衡综合能源运营商和用户的利益，提出了一种基于 Stackelberg 博弈的优化框架，用于具有不确定可再生能源发电的综合需求响应 (IDR) 的综合能源系统的优化调度，其中 IEO 作为领导者，通过制定能源价格来追求利润最大化，而用户作为追随者，调整能源消费计划以最小化他们的能源成本。考虑到可再生能源发电固有的不确定性，将概率旋转备用写成机会约束的形式；此外，充分利用区域供热网络的潜力，考虑时延和热衰减的特点，建立区域供热网络模型，并通过引入预测均值投票 (PMV) 指标来考虑 IDR 中用户灵活的热舒适性要求。为了解决所提出的模型，引入序列运算理论将机会约束转化为其确定性等价形式，从而通过 Karush-Kuhn-Tucker 最优条件将主从 Stackelberg 博弈转化为混合整数二次规划公式，最终通过 CPLEX 优化器进行求解。两个案例研究的结果表明，所提出的基于 Stackelberg 博弈的方法通过协调可再生能源发电和 IDR 实现了 IEO 和用户之间的 Stackelberg 均衡。此外，对中国实际综合能源系统的研究验证了所提出方法在实际应用中的适用性。
国家能源建模系统的天然气市场模块：模型文档 2022
AD 伴生溶解天然气产量 AIMMS 高级集成多维建模软件 AEO 年度能源展望 Bcf 十亿立方英尺 Bcf/d 十亿立方英尺/天 Btu 英热单位 CDM 商业需求模块 CNG 压缩天然气 EIA 能源信息署 EMM 电力市场模块 IDM 工业需求模块 IEM 国际能源模块 IEO 国际能源展望 LDC 本地配电公司 LFMM 液体燃料市场模块 LNG 液化天然气 MAM 宏观经济活动模块 Mcf 千立方英尺 MMBtu 百万英热单位 MMcf 百万立方英尺 MMcf/d 百万立方英尺/天 NA 非伴生天然气产量 NEB 国家能源委员会（加拿大） NEMS 国家能源建模系统 NG 天然气（地区） NGEMM 天然气电力市场模块（地区） NGMM 天然气市场模块 NGTDM 天然气输送和分配模块 OGSM 石油和天然气供应模块 QP 二次规划 RDM 住宅需求模块 SENER 墨西哥能源部 SNG 合成天然气 STEO短期能源展望 Tcf 万亿立方英尺 TDM 运输需求模块
通过截断泰勒级数进行汉密尔顿模拟的 NISQ 算法
人们认为，模拟多体量子系统的动力学是量子计算机能够显示出优于传统计算机的量子优势的首批领域之一。噪声中型量子 (NISQ) 算法旨在有效利用当前可用的量子硬件。对于量子模拟，已经提出了各种类型的 NISQ 算法，它们各有优势，也各有挑战。在这项工作中，我们提出了一种新算法，即截断泰勒量子模拟器 (TQS)，它继承了现有算法的优点并减轻了一些缺点。我们的算法没有任何经典量子反馈回路，并通过构造绕过了荒芜高原问题。我们的混合量子经典算法中的经典部分对应于具有单个二次等式约束的二次约束二次规划 (QCQP)，它允许半定松弛。基于 QCQP 的经典优化最近被引入作为量子辅助特征值求解器 (QAE) 中的经典步骤，QAE 是用于汉密尔顿基态问题的 NISQ 算法。因此，我们的工作为汉密尔顿基态问题的 NISQ 算法和汉密尔顿模拟提供了概念上的统一。我们将基于微分方程的 NISQ 算法（如量子辅助模拟器 (QAS) 和变分量子模拟器 (VQS)）恢复为我们算法的特例。我们在当前云量子计算机上的一些小例子上测试了我们的算法。我们还提供了一种系统的方法来提高我们算法的准确性。