maximum cut
PulseAugur coverage of maximum cut — every cluster mentioning maximum cut across labs, papers, and developer communities, ranked by signal.
-
新的连续松弛方法简化了用于基于梯度的优化的Ising问题
研究人员开发了一种新颖的Ising问题连续松弛技术，Ising问题是许多复杂组合挑战（如MAX-CUT和数字分区）的基础。这种新方法在松弛的局部最小值与原始问题的单翻转最小值之间建立了直接对应关系。通过将Ising问题转化为寻找平滑函数的局部最小值，该方法可以使用ADAM等基于梯度的优化器，并在各种基准测试中展示了可扩展性和强大的性能。
-
核主成分分析（Kernel PCA）增强量子计算中 QAOA 参数优化
研究人员探索了使用核主成分分析（Kernel PCA）作为一种方法来降低量子近似优化算法（QAOA）参数空间的维度。该技术旨在提高量子设备上组合问题的优化效率。实验表明，在更深的电路深度下，KPCA 的表现持续优于标准主成分分析（PCA），实现了更好的近似比，并显著减少了所需的量子电路评估次数。
-
新的SDP求解器SDPLR+可扩展至百万变量问题
研究人员开发了一种名为SDPLR+的新型半定规划（SDP）求解器，显著提高了大规模问题的可扩展性和速度。该求解器在低秩分解上进行优化，与传统方法相比降低了存储成本。SDPLR+在优化过程中动态调整秩，能够提前终止并加快计算速度，并且已在具有高达百万乘百万决策变量的问题上证明了其有效性。
-
Adam优化算法适配模拟伊辛机
研究人员为模拟伊辛机开发了Adam优化算法的连续时间版本。这些新动力学旨在提高这些机器的速度和鲁棒性，它们被用于解决复杂的优化问题。在最大割问题上的基准测试表明，与传统的梯度下降方法相比，基于Adam的动力学显著减少了寻找解决方案所需的时间并提高了解决方案的质量。
-
研究论文发现鲍德温进化和拉马克进化在进化算法中优于达尔文进化
一篇新研究论文在进化算法（EAs）中重新审视了拉马克进化和鲍德温进化，并将其与达尔文进化进行了比较。在最大独立集和最大割问题的六个数据集上的实证结果表明，鲍德温进化和拉马克进化EA在性能上始终优于达尔文进化EA，并且常常超越最近的深度学习基线。理论分析还表明，对于长度大于二的块，鲍德温进化的渐近速度快于拉马克进化，而拉马克进化又快于达尔文进化。