ПОРІВНЯННЯ КЛАСИЧНОГО ТА КВАНТОВОГО ОБЧИСЛЕННЯ ДЛЯ PSO ОПТИМІЗАЦІЇ
DOI:
https://doi.org/10.35546/kntu2078-4481.2024.2.18Ключові слова:
квантові обчислення, PSO, Q#, оптимізація, метаевристика, мова програмування Python.Анотація
У статті досліджено та детально описано передові обчислювальні стратегії оптимізації рою частинок (Particle Swarm Optimization, PSO), порівнюючи їх з класичними та квантовими парадигмами обчислень. Однією з переваг оптимізації рою частинок є її здатність до знаходження оптимальних рішень в складних просторах пошуку. Дослідження зосереджене на перевірці ефективності алгоритмів PSO, як частини біологічних алгоритмів оптимізації рою, застосованих до набору одноцільових функцій оптимізації, а саме функцій Сфера, Розенброка, Бута та Хіммельблау. Використовуючи контрольоване налаштування з 100 частинками, що ітеруються 100 разів по різних вимірах, адаптованих до кожної функції, дослідження показує, що квантовий метод PSO, реалізований за допомогою мови програмування Q# та перевірений в Azure Quantum Workspace, постійно перевершує класичний PSO за точністю та збіжністю до глобальних мінімумів, незважаючи на збільшені обчислювальні витрати та чутливість до помилок, які притаманні квантовим обчисленням. Класичний підхід, реалізований за допомогою мови програмування Python та використання визначених детерміністичних псевдовипадкових гене- раторів чисел, демонструє стійкість та менші обчислювальні витрати, але не досягає рівня точності кван- тового підходу. У статті зазначається потенціал квантового методу PSO для досягнення вищих результатів оптимізації в сценаріях з меншими наборами даних та менш складними просторами проблем, відкриваючи шлях для майбутніх застосувань, де переваги квантових обчислень можуть бути повністю реалізовані. Аналіз також розглядає наслідки цих висновків для майбутньої оптимізації у різних галузях, включаючи логістику, інженерію та фінанси, де оптимізація відіграє важливу роль. Особливо важливим є потенціал квантового методу PSO для досягнення вищих результатів оптимізації в сценаріях з меншими наборами даних та менш складними просторами проблем. Це свідчить про те, що квантові обчислення незабаром можуть трансформувати ландшафт обчислювальної оптимізації, надаючи рішення, які не лише швидкі, але й більш точні.
Посилання
Ingrid Y. Bucher (1983). The computational speed of supercomputers. In Proceedings of the 1983 ACM SIGMETRICS conference on Measurement and modeling of computer systems (SIGMETRICS '83). Association for Computing Machinery, New York, NY, USA, 151–165. https://doi.org/10.1145/800040.801403.
Torres-Jimenez, Jose & Pavón, Juan (2014). Applications of metaheuristics in real-life problems. Progress in Artificial Intelligence. 2. 175-176. 10.1007/s13748-014-0051-8.
Xiao, Yunqi & Wang, Yi & Sun, Yanping (2018). Reactive Power Optimal Control of a Wind Farm for Minimizing Collector System Losses. Energies. 11. 3177. 10.3390/en11113177.
Kennedy J., Eberhart R. (1995). Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks. Vol. IV. pp. 1942–1948. doi:10.1109/ICNN.1995.488968.
Matsumoto M., Nishimura T. (1998). Mersenne twister: a 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Transactions on Modeling and Computer Simulation. 8 (1): 3–30. CiteSeerX 10.1.1.215.1141. doi:10.1145/272991.272995. S2CID 3332028.
P1003.1 - Standard for Information Technology Portable Operating System Interface (POSIX(TM) Base Specifications, Issue 8. IEEE Standards Association. https://standards.ieee.org/ieee/1003.1/7700/
Huang Andrew (2003). Hacking the Xbox: An Introduction to Reverse Engineering. No Starch Press Series. No Starch Press. p. 111. ISBN 9781593270292.
Pearle P., Valentini A. (2006). Quantum Mechanics: Generalizations, Editor(s): Jean-Pierre Françoise, Gregory L. Naber, Tsou Sheung Tsun, Encyclopedia of Mathematical Physics, Academic Press. Pages 265-276, ISBN 9780125126663, https://doi.org/10.1016/B0-12-512666-2/00415-6.
