QPRIMORA · FRAMEWORK-NATIVE DEMO

无人机任务规划

在多架无人机、电池容量和不同任务优先级约束下,应该选择哪些任务、如何分配任务并规划飞行路线,才能提高完成任务的总体价值?

01 现实问题 用户真正希望解决的问题。
→
02 问题表示 把现实问题转换成可计算的数学结构。
→
03 基础原语 识别问题背后的可复用计算结构。
→
04 算法映射 把原语映射到适合的量子或混合算法。
→
05 Virtual QPU 在经典硬件上模拟量子执行与测量过程。
→
06 测量 从候选量子状态中获得测量结果分布。
→
07 现实结果 把测量结果重新解释为用户能够理解的现实答案。
01 · PROBLEM INPUT

设置现实问题

无人机任务场景
02 · TRANSFORMATION EXPLORER

QPRIMORA 怎样转换这个问题

PROBLEM 无人机任务规划
→
REPRESENTATION Constrained QUBO
→
PRIMITIVE Multi-Agent Mission Assignment
→
ALGORITHM QAOA
→
BACKEND Virtual QPU
A · 现实任务

每个任务具有空间位置、优先级和任务价值。无人机从基地起飞,执行被选择的任务后返回基地,同时受到电池航程约束。

B · 决策变量

系统需要决定任务是否执行、由哪架无人机执行,以及每架无人机访问任务点的顺序。

xᵢₖ ∈ {0,1}
C · 优化目标

优先提高完成任务的总价值,同时减少飞行距离,并保证每架无人机的路线不超过电池预算。

max MissionValue − λ·FlightDistance
D · Constrained QUBO

任务选择、无人机分配和电池约束被编码为二进制优化问题及惩罚项。

E(x)=Cost(x)+A·AssignmentPenalty+B·BatteryPenalty
E · Multi-Agent Mission Assignment Primitive

“无人机”在这一层被抽象掉,底层看到的是多个执行主体、有限资源、候选任务和任务价值之间的组合优化结构。

F · QAOA + Virtual QPU

优化目标映射到 QAOA 风格的量子优化路径,Virtual QPU 输出候选任务状态的测量概率分布。

Constrained QUBO → Cost Hamiltonian → QAOA → Virtual QPU → Measurement
03 · COMPUTE

同时运行两条计算路径

CLASSICAL

Constrained mission assignment search

任务、无人机与电池约束 ↓ 任务分配与路线搜索 ↓ 参考任务方案
VIRTUAL QPU

QAOA-style Virtual QPU mission-state sampling

Constrained QUBO ↓ Multi-Agent Mission Assignment ↓ QAOA ↓ Virtual QPU ↓ 候选任务状态测量分布
QPRIMORA ARCHITECTURE

从无人机任务到多执行主体优化原语

无人机任务规划 → Constrained QUBO → Multi-Agent Mission Assignment → QAOA → Virtual QPU → Real QPU

用户描述的是无人机任务,QPRIMORA 识别的是多执行主体、资源约束和任务价值之间的组合优化结构。