CN114202117B - 数据处理方法、装置、计算机设备和存储介质 - Google Patents
数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114202117B CN114202117B CN202111485636.6A CN202111485636A CN114202117B CN 114202117 B CN114202117 B CN 114202117B CN 202111485636 A CN202111485636 A CN 202111485636A CN 114202117 B CN114202117 B CN 114202117B
- Authority
- CN
- China
- Prior art keywords
- target
- weight
- lattice point
- new
- solution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种数据处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取针对优化问题预先建立的最小化目标函数;确定最小化目标函数对应的初始权重图;采用预设提取策略,从初始权重图中提取部分权重图,得到目标权重图;确定目标权重图包含的目标格点的新的权重,得到新的目标权重图;将新的目标权重图转换为量子线路,并基于量子线路对新的目标权重图进行求解,得到目标格点对应的目标优化解;根据目标格点对应的目标优化解、以及初始权重图包含的除目标格点以外的其他格点对应的初始解,确定最小化目标函数的目标解。采用本方法可以提高优化问题的求解精确度和求解效率,可以适用于求解大规模优化问题。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种数据处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
优化问题是运筹学中的一个重要分支,涉及信息技术、经济管理、工业工程、交通运输、通信网络等诸多领域。优化问题的目标是从可行解集中求出最优解。典型的优化问题有旅行商问题、生产调度问题、背包问题、装箱问题、图着色问题、聚类问题、最大团问题、最切割问题等。
目前,已有较多适用于经典计算机的优化算法可用于求解优化问题。然而,对于可行解集数量庞大的优化问题,通过经典计算机采用相关的优化算法进行求解,需要非常长的时间才可能得到目标优化解,否则只能牺牲求解精确度得到精确度较低的初始解,因而经典计算机无法适用于求解大规模优化问题。随着量子计算技术的发展,出现了使用量子计算系统求解优化问题的方法,可指数级提高优化问题的求解效率。然而,由于量子硬件技术的限制,目前的量子计算系统只能处理100个左右量子比特,还无法用于求解大规模优化问题。
亟待一种适用于求解大规模优化问题的数据处理方法。
发明内容
基于此,有必要针对上述技术问题,提供一种能够适用于求解大规模优化问题的数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种数据处理方法。所述方法包括:
获取针对目标优化问题建立的最小化目标函数;
确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述优化问题中的一个待优化参数对应;
采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图;
将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解;
根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
在其中一个实施例中,所述方法还包括:
根据所述目标解对所述优化算法的输入解进行更新;
在所述预设执行约束条件下,通过更新输入解后的优化算法确定所述最小化目标函数的解,得到所述其他格点对应的新的初始解,并返回执行采用预设提取策略,从所述初始权重图中提取目标权重图的步骤。
在其中一个实施例中,所述确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图,包括:
在所述初始权重图包含的除目标格点以外的其他格点中,确定与所述目标格点相连的关联格点;所述目标格点为所述目标权重图包含的格点;
根据所述目标格点的初始权重、以及连接所述目标格点和所述关联格点的边的初始权重,确定所述目标格点的新的权重,得到新的目标权重图。
在其中一个实施例中,所述每个格点对应的所述初始解为二元变量;
所述根据所述目标格点的初始权重、以及连接所述目标格点和所述关联格点的边的初始权重,确定所述目标格点的新的权重,得到新的目标权重图,包括:
在所述关联格点对应的初始解为所述二元变量中的第一取值的情况下,将所述目标格点的初始权重、以及连接所述目标格点和所述关联格点的边的初始权重进行求和,得到所述目标格点的新的权重;
在所述关联格点对应的初始解为所述二元变量中的第二取值的情况下,将所述目标格点的初始权重作为所述目标格点的新的权重;
基于所述目标格点的新的权重对所述目标权重图进行更新,得到新的目标权重图。
在其中一个实施例中,所述将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解,包括:
将所述目标格点按照预设规则进行排序,并将排序后的目标格点分成多个格点组;
在所述新的目标权重图中,提取每个所述格点组对应的局部权重图;
将每个所述局部权重图转换为量子线路,并基于每个所述量子线路对所述局部权重图进行求解,得到每个所述格点组对应的优化解;
将每个所述格点组对应的优化解进行合并,得到全部目标格点对应的目标优化解。
在其中一个实施例中,所述将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解,包括:
将所述新的目标权重图转换为量子线路;
调用多个量子计算系统,使每个所述量子计算系统基于所述量子线路对所述新的目标权重图进行求解,得到每个所述量子计算系统确定出的所述目标格点对应的优化解;
在每个所述量子计算系统确定出的所述目标格点对应的优化解中,确定所述目标格点对应的目标优化解。
在其中一个实施例中,所述方法还包括:
通过所述优化算法,对所述新的目标权重图进行求解,得到所述目标格点对应的经典优化解;
所述将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解,包括:
将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的量子优化解;
在所述经典优化解和所述量子优化解中,确定所述目标格点对应的目标优化解。
第二方面,本申请还提供了一种数据处理装置。所述装置包括:
获取模块,用于获取针对目标优化问题建立的最小化目标函数;
第一确定模块,用于确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述目标优化问题中的一个待优化参数对应;
提取模块,用于采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图;
量子求解模块,用于将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解;
第二确定模块,用于根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取针对目标优化问题建立的最小化目标函数;
确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述目标优化问题中的一个待优化参数对应;
采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图;
将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解;
根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取针对目标优化问题建立的最小化目标函数;
确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述目标优化问题中的一个待优化参数对应;
采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图;
将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解;
根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取针对目标优化问题建立的最小化目标函数;
确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述目标优化问题中的一个待优化参数对应;
采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图;
将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解;
根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
上述数据处理方法、装置、计算机设备、存储介质和计算机程序产品,通过获取针对优化问题建立的最小化目标函数,并确定其对应的初始权重图,然后从初始权重图中提取部分权重图作为目标权重图,之后再对目标权重图包含的目标格点的权重进行更新,得到新的目标权重图,然后将新的目标权重图转换为量子线路,使量子计算系统执行量子线路以进行求解,得到目标格点的目标优化解,并结合通过经典优化算法确定的其他格点的初始解,得到全部格点的解,即得到最小化目标函数的目标解。本方法将优化问题对应到权重图,然后采用预设提取策略提取部分权重图(即目标权重图)并进行权重更新,使得可以采用量子计算系统对该更新后的部分权重图(即新的目标权重图)进行求解,由此可以将优化问题分解为现有量子计算系统可以处理的规模,利用量子优势进行高效求解,相比采用经典优化算法求解,本方法的求解精确度和计算效率均显著提高,可以适用于求解大规模优化问题,并且通过本方法,可以充分利用当前处理规模有限的量子计算系统来求解各种复杂的实际问题,以推动量子计算的应用和发展。
附图说明
图1为一个实施例中数据处理方法的应用环境图;
图2为一个实施例中数据处理方法的流程示意图;
图3为一个实施例中得到新的目标权重图的流程示意图;
图4为一个实施例中得到目标优化解的流程示意图;
图5为一个实施例中数据处理装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
首先,在具体介绍本申请实施例的技术方案之前,先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。优化问题,特别是组合优化问题,是运筹学的一个重要分支,涉及信息技术、经济管理、工业工程、交通运输、通信网络等诸多领域,目标是从可行解集中求出最优解,以解决实际问题。典型的优化问题有旅行商问题、生产调度问题、背包问题、装箱问题、图着色问题、聚类问题、最大团问题、最切割问题等。实际应用中的优化问题的求解非常困难,特别是对于可行解集数量庞大的大规模优化问题,通过经典计算机采用相关的优化算法进行求解,需要极长的运行时间与极大的存储空间,以致根本不可能在现有经典计算机上实现,即所谓的“组合爆炸”。因此对于大规模优化问题,通过经典计算机采用相应的优化算法进行求解,一般会为了提高效率,而牺牲求解的精确度。随着量子计算技术的发展,出现了使用量子计算系统求解优化问题的方法,相比经典计算,量子计算可指数级提高求解效率,有望求解大规模优化问题。然而,由于量子硬件技术的限制,目前的量子芯片处于NISQ(Noisy Intermediate-Scale Quantum,中等尺度含噪声的量子计算)时代,即只能处理100个左右量子比特,处理规模有限,仍然无法适用于求解大规模优化问题。基于该背景,申请人通过长期的研发以及实验验证,提出本申请的数据处理方法,可以适用于求解大规模优化问题,并且通过本方法,可以充分利用当前处理规模有限的量子计算系统来求解各种复杂的实际问题,以推动量子计算的应用和发展。另外,需要说明的是,本申请技术问题的发现以及下述实施例介绍的技术方案,申请人均付出了大量的创造性劳动。
本申请实施例提供的数据处理方法,可以应用于如图1所示的应用环境中。其中,终端102和计算端106分别与服务器104通信连接,终端102可以将用户输入的优化问题求解任务传输给服务器104,并接收服务器104返回的目标解;服务器104可以将中间步骤的求解任务传输给计算端106,并接收计算端106返回的中间计算结果。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。计算端106可以是量子计算系统或量子计算系统集群,也可以是包含量子计算系统和经典计算系统的混合计算系统集群。
在一个实施例中,如图2所示,提供了一种数据处理方法,以该方法应用于图1中的服务器104为例进行说明。可以理解的是,该方法也可以应用于包括服务器104和计算端106的系统,并通过服务器104和计算端106的交互实现,还可以应用于包括终端102、服务器104和计算端106的系统,并通过终端102和计算端106分别与服务器104的交互实现。该方法包括以下步骤:
步骤201,获取针对目标优化问题建立的最小化目标函数。
其中,目标优化问题包括旅行商问题、生产调度问题、背包问题、装箱问题、图着色问题、聚类问题、最大团问题、最切割问题等。
在实施中,服务器可以获取针对目标优化问题建立的最小化目标函数。例如,用户可以在终端输入目标优化问题信息,并触发求解请求,终端即可将包含目标优化问题信息的求解请求发送给服务器,然后服务器可以响应于终端发送的求解请求,获取该请求中的目标优化问题信息。目标优化问题信息可以包含预先针对目标优化问题建立的最小化目标函数,服务器可以直接获取目标优化问题信息中包含的最小化目标函数;目标优化问题信息也可以包含目标优化问题标识或目标优化问题类型等信息,然后服务器可以在预选存储的、优化问题信息和最小化目标函数的对应关系中,获取该目标优化问题信息对应的最小化目标函数。
其中,xi和xj分别表示最小化目标函数中第i个和第j个变量(其中i≠j),Qij和Qii为相应的系数。每个变量xi为包括两个取值的二元变量,例如可以取值0或1。每个变量xi与目标优化问题中的一个待优化参数对应。例如,若目标优化问题为图着色问题,即给定包含n个色块的图和可选择的m种颜色,要求对该图中的每个色块着一种颜色,且相邻色块的颜色不能相同,可以针对该优化问题建立如公式1形式的最小化目标函数,其中变量的总数为n*m个,即i和j的取值集合均为(1,2,...,n*m),且i≠j。每个变量与一个待着色色块以及一个目标颜色对应,例如,可以设定变量x1对应于1号色块是否着红色,x2对应于2号色块是否着红色,x5对应于1号色块是否着绿色等,当x1=0,则表示1号色块不着红色,当x1=1,则表示1号色块着红色。
步骤202,确定最小化目标函数对应的初始权重图。
其中,初始权重图包含的每个格点与目标优化问题中的一个待优化参数对应。
在实施中,服务器获取最小化目标函数后,可以确定该最小化目标函数对应的初始权重图。该初始权重图包含格点和每个格点的初始权重、以及连接两个格点的边和每个边的初始权重。例如,服务器可以根据公式1所示的最小化目标函数,将其系数Qij和Qii构建为矩阵(可记为Q),矩阵Q为对称的实的方矩阵。其中,Qij为矩阵Q的非对角元,Qii为矩阵Q的对角元。该矩阵Q相应的权重图即为初始权重图。初始权重图中每个格点对应一个变量,即格点i对应于变量xi,相应的,格点i的初始权重为Qii,连接格点i和格点j的边(可记为边(i,j))的初始权重为Qij。由于每个变量与目标优化问题中的一个待优化参数对应,因此与变量对应的每个格点,也与目标优化问题中的一个待优化参数对应。
步骤203,采用预设提取策略,从初始权重图中提取目标权重图。
在实施中,服务器在确定初始权重图后,可以采用预设提取策略,从初始权重图中提取部分权重图,作为目标权重图。预设提取策略可以是现有的图划分算法,服务器可以采用图划分算法,提取初始权重图中重要的格点和重要的边,即该部分的格点的取值或权重或该部分边的权重发生变化后,对最小化目标函数的值影响相对较大,故将该部分的格点和边提取出来,作为目标权重图。目标权重图中包含的格点数可以占初始权重图中包含的格点数的一定预设比例,例如,可以是占比5%、10%或20%等。还可以根据量子计算系统的属性信息确定图划分算法,使目标权重图包含的目标格点数为量子计算系统可以处理的规模。
步骤204,确定目标权重图包含的目标格点的新的权重,得到新的目标权重图。
在实施中,服务器在得到目标权重图后,可以确定目标权重图包含的目标格点的新的权重,进而得到新的目标权重图。服务器可以将目标权重图中格点的初始权重和边的初始权重保持不变,直接作为新的目标权重图,也可以根据初始权重图中除目标格点以外的其他格点的初始权重和/或其他格点与目标格点的连接边的初始权重,按照一定规则加权到目标格点的初始权重上,以此得到目标格点的新的权重,即实现对目标权重图进行更新,得到新的目标权重图。
步骤205,将新的目标权重图转换为量子线路,并基于量子线路对新的目标权重图进行求解,得到目标格点对应的目标优化解。
在实施中,服务器在得到新的目标权重图后,可以根据量子计算系统的属性信息,使用量子预处理系统将该新的目标权重图转换为适合该量子计算系统执行的量子线路,并控制量子计算系统执行该量子线路,使得量子计算系统对该新的目标权重图进行求解。量子计算系统的计算结果即为目标格点对应的目标优化解。
在另一种实现方式中,服务器可以在得到新的目标权重图后,将该新的目标权重图的求解任务发送给计算端的当地服务器,使该当地服务器根据当地的量子计算系统的属性信息,调用量子预处理系统将该新的目标权重图转换为量子线路,并控制量子计算系统执行该量子线路,以得到该新的目标权重图的解,即得到目标格点对应的目标优化解。
步骤206,根据目标格点对应的目标优化解、以及初始权重图包含的除目标格点以外的其他格点对应的初始解,确定最小化目标函数的目标解。
其中,初始解是在预设执行约束条件下通过优化算法确定出的最小化目标函数的解。
在实施中,服务器可以在预设执行约束条件下采用优化算法对步骤201中获取的最小化目标函数进行求解,得到初始权重图中包含的除目标格点以外的其他格点对应的初始解。采用的优化算法可以是现有的、适用于该最小化目标函数求解或适用于该目标优化问题求解的算法,例如元启发算法(包括蚁群算法、遗传算法、进化算法等)、启发式算法、近似算法等。预设执行约束条件可以是预设的时间约束或预设的迭代次数约束条件。由于优化问题规模较大时,若采用现有的优化算法进行计算,要得到精确度较高的解,则需要的求解时间会非常长、消耗资源非常大,因此,在预设执行约束条件下通过优化算法得到的初始解,其精确度相对较低,故可以使相对次重要的其他格点的解采用该初始解,而相对更重要的目标格点的解则采用上述步骤205得到的目标优化解。然后,服务器可以根据目标格点对应的目标优化解、以及该其他格点对应的初始解,确定该最小化目标函数的目标解,例如可以将目标优化解和其他格点对应的初始解进行合并,得到全部格点对应的目标解。该目标解即为目标优化问题的解或者可以基于该目标解直接得出目标优化问题的解。
上述数据处理方法中,通过获取针对目标优化问题建立的最小化目标函数,并确定其对应的初始权重图,然后从初始权重图中提取部分权重图作为目标权重图,之后再对目标权重图包含的目标格点的权重进行更新,得到新的目标权重图,然后将新的目标权重图转换为量子线路,使量子计算系统执行量子线路以进行求解,得到目标格点的目标优化解,并结合通过经典优化算法确定的其他格点的初始解,得到全部格点的解,即得到最小化目标函数的目标解。本方法将优化问题对应到权重图,然后采用预设提取策略提取部分权重图(即目标权重图)并进行权重更新,使得可以采用量子计算系统对该更新后的部分权重图(即新的目标权重图)进行求解,由此可以将优化问题分解为现有量子计算系统可以处理的规模,利用量子优势进行高效求解,相比采用经典优化算法求解,本方法的求解精确度和求解效率均显著提高,可以适用于求解大规模优化问题,并且通过本方法,可以充分利用当前处理规模有限的量子计算系统来求解各种复杂的实际问题,以推动量子计算的应用和发展。
在一个实施例中,该方法还包括如下步骤:
根据目标解对优化算法的输入解进行更新;在预设执行约束条件下,通过更新输入解后的优化算法确定最小化目标函数的解,得到其他格点对应的新的初始解,并返回执行采用预设提取策略,从初始权重图中提取目标权重图的步骤。
在实施中,服务器在步骤206中得到目标解后,还可以根据目标解对优化算法的输入解进行更新,例如可以将目标解作为优化算法的输入解,然后采用优化算法继续对该最小化目标函数进行求解。可以设定求解时间或迭代次数作为预设执行约束条件,以便将求解时间和计算资源消耗控制在合理范围内,由此可以得到其他格点对应的新的初始解。然后,服务器可以返回执行采用预设提取策略,从初始权重图中提取目标权重图的步骤,以得到新的目标解。服务器还可以进一步将新的目标解作为优化算法的输入解,以此循环预设次数,或直到达到预设条件。可以是达到预设收敛条件,比如将本次得到的新的目标解代入最小化目标函数计算得到的值,与将上一次得到的目标解代入最小化目标函数计算得到的值相同或差距非常小,也可以是达到预期精确度的解,即将新的目标解代入最小化目标函数后,得到的值小于或等于预期值,则可以停止循环,将本次得到的新的目标解作为最终的解。服务器可以将该最终的解发送给终端,以展示给用户。
本实施例中,可以基于目标解对优化算法进行更新,并进一步采用优化算法确定新的初始解,然后返回执行采用预设提取策略,从初始权重图中提取部分权重图,得到目标权重图的步骤,由此可以得到精确度更高的新的目标解。
在一个实施例中,如图3所示,步骤204中得到新的目标权重图的过程具体包括如下步骤:
步骤301,在初始权重图包含的除目标格点以外的其他格点中,确定与目标格点相连的关联格点。
其中,目标格点为目标权重图包含的格点。
在实施中,服务器在得到目标权重图后,可以确定目标权重图包含的目标格点。然后,服务器可以在初始权重图包含的除目标格点以外的其他格点中,确定与目标格点相连的格点,即为关联格点。
步骤302,根据目标格点的初始权重、以及连接目标格点和关联格点的边的初始权重,确定目标格点的新的权重,得到新的目标权重图。
在实施中,服务器在确定关联格点后,可以确定连接目标格点和关联格点的边(可以称为关联边)。然后,服务器可以根据每个目标格点的初始权重(如公式1中的Qii)和该目标格点对应的每个关联边的初始权重(如公式1中的Qij),确定该目标格点的新的权重。例如,可以是将目标格点的每个关联边的初始权重进行加权平均,然后将平均值和目标格点的初始权重相加得到目标格点的新的权重,也可以是根据预设策略筛选出特定的关联边的初始权重,然后与目标格点的初始权重进行相加,得到目标格点的新的权重,即可实现对目标权重图包含的目标格点的权重进行更新,得到新的目标权重图。
本实施例中,通过在初始权重图中确定出与目标格点相连的关联格点,进而确定出连接目标格点和关联格点的边(即关联边),然后根据目标格点的初始权重和关联边的初始权重,确定目标格点的新的权重,以此得到新的目标权重图,基于该新的目标权重图进行求解,可以得到精确度更高的目标解。
在一个实施例中,每个格点对应的初始解为二元变量,步骤302中得到新的目标权重图的过程具体包括如下步骤:
在关联格点对应的初始解为二元变量中的第一取值的情况下,将目标格点的初始权重、以及连接目标格点和关联格点的边的初始权重进行求和,得到目标格点的新的权重;在关联格点对应的初始解为二元变量中的第二取值的情况下,将目标格点的初始权重作为目标格点的新的权重;基于目标格点的新的权重对目标权重图进行更新,得到新的目标权重图。
在实施中,每个格点对应的初始解为包含两个取值的二元变量,例如可以是0或1这两个取值。服务器在确定出关联格点后,进一步在初始解中确定出关联格点对应的初始解。然后,在关联格点对应的初始解为第一取值(如取值为1)的情况下,服务器可以将目标格点的初始权重、以及连接目标格点和该关联格点的边(即关联边)的初始权重进行求和,得到目标格点的新的权重。在关联格点对应的初始解为第二取值(如取值为0)的情况下,则终端可以忽略该关联格点相应的关联边的初始权重,直接将目标格点的初始权重作为目标格点的新的权重。其中,每个目标格点可以对应有多个关联格点,若该多个关联格点中有不止一个初始解为1的关联格点,则将每个初始解为1的关联格点相应的关联边的初始权重,与该目标格点的初始权重相加求和,得到该目标格点的新的权重。由此可以得到全部目标格点的新的权重。然后,服务器基于每个目标格点的新的权重对目标权重图进行更新,得到新的目标权重图。
本实施例中,服务器可以在关联格点对应的初始解为第一取值(如取值为1)的情况下,将该关联格点相应的关联边的初始权重与目标格点的初始权重进行求和,并在关联格点对应的初始解为第二取值(如取值为0)的情况下忽略该关联格点相应的关联边的初始权重,以此更新目标权重图,基于该新的目标权重图进行求解,可以提高求解精确度和求解效率。
在一个实施例中,如图4所示,步骤205中得到目标格点对应的目标优化解的过程具体包括如下步骤:
步骤401,将目标格点按照预设规则进行排序,并将排序后的目标格点分成多个格点组。
在实施中,服务器在得到新的目标权重图后,可以将新的目标权重图包含的目标格点按照预设规则进行排序。例如,可以根据目标格点的重要程度,即目标格点的取值对计算结果的影响程度大小,或者直接根据目标格点的权重大小以及目标格点相应的边的权重大小进行排序,然后将排序后的目标格点分成多个格点组。服务器可以根据量子计算系统的属性信息,确定每个格点组中包含的目标格点数。例如,若有1000个目标格点,而量子计算系统可以处理100个目标格点规模的求解任务,则可以将排序后的目标格点按照100个格点一组,其中排序为1至100的目标格点,分为1号格点组,排序为101至200的目标格点,分为2号格点组,以此分成10个格点组。
步骤402,在新的目标权重图中,提取每个格点组对应的局部权重图。
在实施中,服务器在目标格点分成多个格点组后,可以在新的目标权重图中,提取每个格点组对应的局部权重图。例如,对于1号格点组,服务器可以在新的目标权重图中,提取包含排序为1至100的目标格点以及连接各目标格点的边的权重图,即得到1号格点组对应的局部权重图,以此可以得到每个格点组对应的局部权重图。
步骤403,将每个局部权重图转换为量子线路,并基于每个量子线路对局部权重图进行求解,得到每个格点组对应的优化解。
在实施中,服务器可以将每个局部权重图转换为量子线路,并调用量子计算系统执行每个量子线路,以实现对每个局部权重图进行求解。量子计算系统可以按照一定顺序执行量子线路,例如,量子计算系统可以先求解1号格点组对应的局部权重图,得到1号格点组对应的优化解,然后,基于1号格点组对应的优化解,对2号格点组对应的局部权重图进行求解,得到2号格点组对应的优化解,之后,再基于1号格点组和2号格点组对应的优化解,求解下一个格点组对应的优化解,直到确定出每个局部权重图对应的优化解。终端还可以改变局部权重图的求解顺序,不同的求解顺序可能会影响求解的精确度,以此可筛选出求解精确度相对较高的解,并将该精确度相对较高的解,作为每个格点组对应的优化解。
步骤404,将每个格点组对应的优化解进行合并,得到全部目标格点对应的目标优化解。
在实施中,服务器可以将每个格点组对应的优化解进行合并,得到全部目标格点对应的目标优化解。
本实施例中,通过将目标格点进行排序和分组,可以将新的目标权重图进一步划分为适用于量子计算系统处理规模的多个局部权重图,使量子计算系统按照一定顺序依次对每个局部权重图进行求解,以得到全部目标格点对应的目标优化解。由此,可以适用于求解更大规模的优化问题,并且,还可以对局部权重图的求解顺序进行优化,提高求解的精确度。
在另一个实施例中,步骤205中得到目标格点对应的目标优化解的过程具体包括如下步骤:
将新的目标权重图转换为量子线路;调用多个量子计算系统,使每个量子计算系统基于量子线路对新的目标权重图进行求解,得到每个量子计算系统确定出的目标格点对应的优化解;在每个量子计算系统确定出的目标格点对应的优化解中,确定目标格点对应的目标优化解。
在实施中,服务器可以将新的目标权重图转换为量子线路,然后,服务器可以调用多个量子计算系统,使每个量子计算系统基于该量子线路对新的目标权重图进行求解,以得到每个量子计算系统计算得出的目标格点对应的优化解。该多个量子计算系统可以为不同类型的量子计算系统,例如可以是超导型,离子阱型,半导体型,原子型,光子型等。然后,服务器可以在每个量子计算系统计算得出的目标格点对应的优化解中,确定精确度更高的优化解,作为目标优化解,即,将目标格点对应的优化解和其他格点对应的初始解,代入公式1的最小化目标函数进行计算,得到的值越小,其对应的优化解精确度越高,故将该相对最小值对应的优化解,确定为目标优化解。在另一种实现方式中,服务器可以将新的目标权重图的求解任务发送给计算端的多个量子计算系统的当地服务器,使每个当地服务器根据当地的量子计算系统的类型和硬件规模等属性信息,将新的目标权重图转换并优化为合适的量子线路,并操控量子计算系统,使其执行该量子线路,以对该目标权重图进行求解。然后,每个计算端的当地的服务器可以将其当地的量子计算系统计算出的优化解传输给服务器,然后服务器可以根据每个量子计算系统对应的优化解,确定出精确度更高的优化解,作为目标格点对应的目标优化解。
本实施例中,通过同时调用不同类型的多个量子计算系统对新的目标权重图进行求解,进而选取精确度更高的解作为目标优化解,一方面,可以通过多个量子计算系统并行处理,快速得到精确度更高的解,另一方面,还可以通过对不同类型的量子计算系统的计算结果进行比较,以此研究更适合求解相应优化问题的量子计算系统,以推进量子计算的应用和发展。
在一个实施例中,该方法还包括如下步骤:
通过优化算法,对新的目标权重图进行求解,得到目标格点对应的经典优化解。
相应的,步骤205中得到目标格点对应的目标优化解的过程具体包括如下步骤:
将新的目标权重图转换为量子线路,并基于量子线路对新的目标权重图进行求解,得到目标格点对应的量子优化解;在经典优化解和量子优化解中,确定目标格点对应的目标优化解。
在实施中,服务器在得到新的目标权重图后,还可以采用现有的经典优化算法,对新的目标权重图进行求解,得到目标格点对应的经典优化解。相应的,服务器调用量子计算系统计算得到的解为量子优化解。然后,服务器可以在经典优化解和量子优化解中,确定出精确度更高的解,作为目标格点对应的目标优化解。在另一种实现方式中,服务器还可以将新的目标权重图的求解任务发送给计算端的经典计算系统集群,使经典计算系统集群采用现有的经典优化算法,对新的目标权重图进行求解,然后计算端将计算出的经典优化解反馈给服务器。
本实施例中,还可以通过经典计算机采用现有的优化算法对新的目标权重图进行进一步求解,相比直接采用优化算法对最小化目标函数进行求解,本方法可以在保障求解精确度的同时,提高求解效率。此外,通过采用经典计算和量子计算进行并行处理,一方面可以快速得到精确度更高的解,另一方面,可以将两种计算系统进行对比研究,以体现量子计算的优势,推动量子计算的应用和发展。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的数据处理方法的数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个数据处理装置实施例中的具体限定可以参见上文中对于数据处理方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种数据处理装置500,包括:获取模块501、第一确定模块502、提取模块503、量子求解模块504和第二确定模块505,其中:
获取模块501,用于获取针对目标优化问题建立的最小化目标函数。
第一确定模块502,用于确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述优化问题中的一个待优化参数对应。
提取模块503,用于采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图。
量子求解模块504,用于将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解。
第二确定模块505,用于根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
在一个实施例中,该装置还包括输入解更新模块和第三确定模块,其中:
输入解更新模块,用于根据目标解对优化算法的输入解进行更新。
第三确定模块,用于在预设执行约束条件下,通过更新输入解后的优化算法确定最小化目标函数的解,得到其他格点对应的新的初始解,并返回执行采用预设提取策略,从初始权重图中提取部分权重图,得到目标权重图的步骤。
在一个实施例中,提取模块503具体用于:
在初始权重图包含的除目标格点以外的其他格点中,确定与目标格点相连的关联格点;所述目标格点为所述目标权重图包含的格点;根据目标格点的初始权重、以及连接目标格点和关联格点的边的初始权重,确定目标格点的新的权重,得到新的目标权重图。
在一个实施例中,每个格点对应的初始解为二元变量,提取模块503具体用于:
在关联格点对应的初始解为二元变量中的第一取值的情况下,将目标格点的初始权重、以及连接目标格点和关联格点的边的初始权重进行求和,得到目标格点的新的权重;在关联格点对应的初始解为二元变量中的第二取值的情况下,将目标格点的初始权重作为目标格点的新的权重;基于目标格点的新的权重对目标权重图进行更新,得到新的目标权重图。
在一个实施例中,量子求解模块504具体用于:
将目标格点按照预设规则进行排序,并将排序后的目标格点分成多个格点组;在新的目标权重图中,提取每个格点组对应的局部权重图;将每个局部权重图转换为量子线路,并基于每个量子线路对局部权重图进行求解,得到每个格点组对应的优化解;将每个格点组对应的优化解进行合并,得到全部目标格点对应的目标优化解。
在另一个实施例中,量子求解模块504具体用于:
将新的目标权重图转换为量子线路;调用多个量子计算系统,使每个量子计算系统基于量子线路对新的目标权重图进行求解,得到每个量子计算系统确定出的目标格点对应的优化解;在每个量子计算系统确定出的目标格点对应的优化解中,确定目标格点对应的目标优化解。
在另一个实施例中,该装置还包括经典求解模块,用于:
通过优化算法,对新的目标权重图进行求解,得到目标格点对应的经典优化解。
相应的,量子求解模块504具体用于:
将新的目标权重图转换为量子线路,并基于量子线路对新的目标权重图进行求解,得到目标格点对应的量子优化解;在经典优化解和量子优化解中,确定目标格点对应的目标优化解。
上述数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。计算机设备可以是经典计算机设备,也可以是包括经典计算机和量子计算机的混合设备。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行上述数据处理方法所需的或产生的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
获取针对目标优化问题建立的最小化目标函数;
确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述目标优化问题中的一个待优化参数对应;
采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图;
将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解;
根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标解对所述优化算法的输入解进行更新;
在所述预设执行约束条件下,通过更新输入解后的优化算法确定所述最小化目标函数的解,得到所述其他格点对应的新的初始解,并返回执行采用预设提取策略,从所述初始权重图中提取目标权重图的步骤。
3.根据权利要求1所述的方法,其特征在于,所述确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图,包括:
在所述初始权重图包含的除目标格点以外的其他格点中,确定与所述目标格点相连的关联格点;所述目标格点为所述目标权重图包含的格点;
根据所述目标格点的初始权重、以及连接所述目标格点和所述关联格点的边的初始权重,确定所述目标格点的新的权重,得到新的目标权重图。
4.根据权利要求3所述的方法,其特征在于,所述每个格点对应的所述初始解为二元变量;
所述根据所述目标格点的初始权重、以及连接所述目标格点和所述关联格点的边的初始权重,确定所述目标格点的新的权重,得到新的目标权重图,包括:
在所述关联格点对应的初始解为所述二元变量中的第一取值的情况下,将所述目标格点的初始权重、以及连接所述目标格点和所述关联格点的边的初始权重进行求和,得到所述目标格点的新的权重;
在所述关联格点对应的初始解为所述二元变量中的第二取值的情况下,将所述目标格点的初始权重作为所述目标格点的新的权重;
基于所述目标格点的新的权重对所述目标权重图进行更新,得到新的目标权重图。
5.根据权利要求1所述的方法,其特征在于,所述将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解,包括:
将所述目标格点按照预设规则进行排序,并将排序后的目标格点分成多个格点组;
在所述新的目标权重图中,提取每个所述格点组对应的局部权重图;
将每个所述局部权重图转换为量子线路,并基于每个所述量子线路对所述局部权重图进行求解,得到每个所述格点组对应的优化解;
将每个所述格点组对应的优化解进行合并,得到全部目标格点对应的目标优化解。
6.根据权利要求1所述的方法,其特征在于,所述将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解,包括:
将所述新的目标权重图转换为量子线路;
调用多个量子计算系统,使每个所述量子计算系统基于所述量子线路对所述新的目标权重图进行求解,得到每个所述量子计算系统确定出的所述目标格点对应的优化解;
在每个所述量子计算系统确定出的所述目标格点对应的优化解中,确定所述目标格点对应的目标优化解。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过所述优化算法,对所述新的目标权重图进行求解,得到所述目标格点对应的经典优化解;
所述将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解,包括:
将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的量子优化解;
在所述经典优化解和所述量子优化解中,确定所述目标格点对应的目标优化解。
8.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取针对目标优化问题建立的最小化目标函数;
第一确定模块,用于确定所述最小化目标函数对应的初始权重图;所述初始权重图包含的每个格点与所述目标优化问题中的一个待优化参数对应;
提取模块,用于采用预设提取策略,从所述初始权重图中提取目标权重图,并确定所述目标权重图包含的目标格点的新的权重,得到新的目标权重图;
量子求解模块,用于将所述新的目标权重图转换为量子线路,并基于所述量子线路对所述新的目标权重图进行求解,得到所述目标格点对应的目标优化解;
第二确定模块,用于根据所述目标格点对应的目标优化解、以及所述初始权重图包含的除所述目标格点以外的其他格点对应的初始解,确定所述最小化目标函数的目标解;所述初始解是在预设执行约束条件下通过优化算法确定出的所述最小化目标函数的解。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485636.6A CN114202117B (zh) | 2021-12-07 | 2021-12-07 | 数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111485636.6A CN114202117B (zh) | 2021-12-07 | 2021-12-07 | 数据处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114202117A CN114202117A (zh) | 2022-03-18 |
CN114202117B true CN114202117B (zh) | 2022-06-28 |
Family
ID=80651010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111485636.6A Active CN114202117B (zh) | 2021-12-07 | 2021-12-07 | 数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202117B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546332A (zh) * | 2009-05-07 | 2009-09-30 | 哈尔滨工程大学 | 基于量子遗传优化的流形降维医学图像检索方法 |
CN106951638A (zh) * | 2017-01-06 | 2017-07-14 | 长春理工大学 | 基于量子进化算法的宽角度极紫外Mo/Si多层膜的设计方法 |
CN108025911A (zh) * | 2015-09-11 | 2018-05-11 | 扎卡里·B·沃尔特斯 | 用于使用量子计算机求解3sat的系统和方法 |
CN108646734A (zh) * | 2018-04-27 | 2018-10-12 | 天津大学 | 基于量子粒子群算法的非线性模型预测控制方法 |
CN111095307A (zh) * | 2017-09-22 | 2020-05-01 | 国际商业机器公司 | 用于量子计算机器的硬件高效的变分量子本征值求解器 |
CN111598245A (zh) * | 2020-03-12 | 2020-08-28 | 西北大学 | 一种基于Grover算法的大数据集搜索方法、量子计算机 |
JP2020181575A (ja) * | 2019-04-23 | 2020-11-05 | 日本製鉄株式会社 | 最適化支援装置、最適化支援方法、プログラムおよび最適化システム |
CN111985722A (zh) * | 2020-08-28 | 2020-11-24 | 贝壳技术有限公司 | 目标优化方法和装置、系统、存储介质、电子设备 |
CN112068798A (zh) * | 2020-08-14 | 2020-12-11 | 合肥本源量子计算科技有限责任公司 | 一种实现网络节点重要性排序的方法及装置 |
CN112132286A (zh) * | 2020-08-14 | 2020-12-25 | 西北大学 | 基于Grover算法的大数据集搜索多个目标项的方法 |
CN112633511A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于计算量子配分函数的方法、相关装置及程序产品 |
CN112789629A (zh) * | 2018-10-02 | 2021-05-11 | 札帕塔计算股份有限公司 | 用于对线性系统求解的混合量子经典计算机 |
CN113392580A (zh) * | 2021-05-21 | 2021-09-14 | 中国人民解放军战略支援部队信息工程大学 | 基于混合量子算法的组合优化求解方法、系统及求解器架构 |
CN113570158A (zh) * | 2021-08-20 | 2021-10-29 | 四川元匠科技有限公司 | 量子隐马尔可夫的股票预测方法、系统、存储介质和终端 |
-
2021
- 2021-12-07 CN CN202111485636.6A patent/CN114202117B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546332A (zh) * | 2009-05-07 | 2009-09-30 | 哈尔滨工程大学 | 基于量子遗传优化的流形降维医学图像检索方法 |
CN108025911A (zh) * | 2015-09-11 | 2018-05-11 | 扎卡里·B·沃尔特斯 | 用于使用量子计算机求解3sat的系统和方法 |
CN106951638A (zh) * | 2017-01-06 | 2017-07-14 | 长春理工大学 | 基于量子进化算法的宽角度极紫外Mo/Si多层膜的设计方法 |
CN111095307A (zh) * | 2017-09-22 | 2020-05-01 | 国际商业机器公司 | 用于量子计算机器的硬件高效的变分量子本征值求解器 |
CN108646734A (zh) * | 2018-04-27 | 2018-10-12 | 天津大学 | 基于量子粒子群算法的非线性模型预测控制方法 |
CN112789629A (zh) * | 2018-10-02 | 2021-05-11 | 札帕塔计算股份有限公司 | 用于对线性系统求解的混合量子经典计算机 |
JP2020181575A (ja) * | 2019-04-23 | 2020-11-05 | 日本製鉄株式会社 | 最適化支援装置、最適化支援方法、プログラムおよび最適化システム |
CN111598245A (zh) * | 2020-03-12 | 2020-08-28 | 西北大学 | 一种基于Grover算法的大数据集搜索方法、量子计算机 |
CN112068798A (zh) * | 2020-08-14 | 2020-12-11 | 合肥本源量子计算科技有限责任公司 | 一种实现网络节点重要性排序的方法及装置 |
CN112132286A (zh) * | 2020-08-14 | 2020-12-25 | 西北大学 | 基于Grover算法的大数据集搜索多个目标项的方法 |
CN111985722A (zh) * | 2020-08-28 | 2020-11-24 | 贝壳技术有限公司 | 目标优化方法和装置、系统、存储介质、电子设备 |
CN112633511A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于计算量子配分函数的方法、相关装置及程序产品 |
CN113392580A (zh) * | 2021-05-21 | 2021-09-14 | 中国人民解放军战略支援部队信息工程大学 | 基于混合量子算法的组合优化求解方法、系统及求解器架构 |
CN113570158A (zh) * | 2021-08-20 | 2021-10-29 | 四川元匠科技有限公司 | 量子隐马尔可夫的股票预测方法、系统、存储介质和终端 |
Also Published As
Publication number | Publication date |
---|---|
CN114202117A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alresheedi et al. | Improved multiobjective salp swarm optimization for virtual machine placement in cloud computing | |
Bhimani et al. | Accelerating K-Means clustering with parallel implementations and GPU computing | |
US20170213127A1 (en) | Method and System for Discovering Ancestors using Genomic and Genealogic Data | |
CN112398899A (zh) | 一种面向边缘云系统的软件微服务组合优化方法 | |
US7742906B2 (en) | Balancing collections of vertices in a network | |
Dempster et al. | EVPI‐based importance sampling solution proceduresfor multistage stochastic linear programmeson parallel MIMD architectures | |
CN105205052B (zh) | 一种数据挖掘方法及装置 | |
CN105183796A (zh) | 一种基于聚类的分布式链路预测方法 | |
Chibani et al. | Elephant herding optimization for service selection in qos-aware web service composition | |
Koh et al. | MapReduce skyline query processing with partitioning and distributed dominance tests | |
CN108134848B (zh) | 一种基于图论k-分割的soa系统资源优化方法 | |
CN103198099A (zh) | 基于云计算的面向电信业务的数据挖掘应用方法 | |
CN114202117B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Dandachi et al. | A robust monte-carlo-based deep learning strategy for virtual network embedding | |
CN111935005A (zh) | 数据传输方法、装置、处理设备及介质 | |
Wang et al. | Multi-granularity decomposition for componentized multimedia applications based on graph clustering | |
CN109784286A (zh) | 基于多目标模因优化算法的遥感影像空谱非监督分类方法 | |
Liu et al. | PRUC: P-regions with user-defined constraint | |
CN105357257A (zh) | 一种跨数据中心的关联云数据部署方法 | |
CN115314400A (zh) | 网络系统异常检测方法、装置、电子设备及存储介质 | |
Abidin | Greedy Approach for Optimizing 0-1 Knapsack Problem | |
Bakar et al. | A rough set outlier detection based on particle swarm optimization | |
CN110059880B (zh) | 一种服务发现方法及装置 | |
CN112733926A (zh) | 一种基于半监督的多层网络聚类方法 | |
Pavlov et al. | Finding a compromise solution to the transportation problem under uncertainty |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |