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
02 · TRANSFORMATION EXPLORER
QPRIMORA 怎样转换这个问题
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
RESULT · COMPUTATION
计算结果
CLASSICAL
普通计算结果
VIRTUAL QPU
QAOA-style Optimization
科学说明
Virtual QPU 在经典服务器上模拟运行。候选任务概率分布用于解释 QAOA 风格的优化过程,并不代表已经获得真实量子硬件速度优势。
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。