Решение задачи в QUBO при помощи сэмплера Dwave

В инструкции рассмотрен пример решения задачи в формулировке в QUBO. Для решения используется образ виртуальной машины «Квантовый симулятор» на мощностях CPU и предустановленный в образе сэмплер Dwave. Вы запустите сэмплер Dwave, решите задачу с применением алгоритма имитации отжига , получите результаты решений и интерпретируете их.

Перед началом работы

Получите доступ к сэмплерам Dwave удобным способом:

удаленно в Jupiter Server с помощью инструкции;
локально с помощью команды в терминале:

pip install dwave-samplers

Запустите сэмплер

Чтобы запустить сэмплер DWave, отправьте в терминал команду:

sampler = SimulatedAnnealingSampler()

num_reads = 10

num_sweeps = 10**5

beta_range=[0.1, 4.2]

beta_schedule_type='geometric'

sample_set = sampler.sample_qubo(Q, num_reads = num_reads, num_sweeps = num_sweeps, beta_range=beta_range, beta_schedule_type=beta_schedule_type)

Где:

sampler — объект решателя.
num_reads — количество запусков алгоритма.
num_sweep — максимальное количество итераций алгоритма.
beta_range — расписание отжига, последовательность обратных температуре величин.
beta_schedule_type — тип интерполяции между точками.

Подробнее о параметрах функции можно узнать в документации Dwave SimulatedAnnealingSampler.

Получите результаты

Отправьте в терминал команду:
```
print(sample_set)
```
В результате отобразится таблица:
```
   0  1  2  3  4  5  6  7  8  9     energy num_oc.
0  0  1  0  0  1  0  1  0  1  1 -62.625568       1
1  0  1  0  0  1  0  1  0  1  1 -62.625568       1
2  0  1  0  0  1  0  1  0  1  1 -62.625568       1
3  0  1  0  0  1  0  1  0  1  1 -62.625568       1
4  0  1  0  0  1  0  1  0  1  1 -62.625568       1
5  0  1  0  0  1  0  1  0  1  1 -62.625568       1
6  0  1  0  0  1  0  1  0  1  1 -62.625568       1
7  0  1  0  0  1  0  1  0  1  1 -62.625568       1
8  0  1  0  0  1  0  1  0  1  1 -62.625568       1
9  0  1  0  0  1  0  1  0  1  1 -62.625568       1
['BINARY', 10 rows, 10 samples, 10 variables]
```
Где:
- Столбцы от 0 до 9 показывают полученные решения. Каждое число в строке, 0 или 1, соответствует одной из переменных в векторе решения.
- Столбец energy показывает значение функции \(E(x)\). Это число указывает, насколько эффективно решение с точки зрения достижения минимального значения функции — чем меньше число, тем лучше.
- Столбец num_oc показывает, сколько раз конкретное решение было найдено.
Каждая строка в таблице представляет одну попытку решения задачи.

Выберите решение

Выберите решение одним из двух методов:

Чтобы получить конкретное решение, используйте метод record, отправив команду:
```
n = 9
E = sample_set.record[n][1]
x = sample_set.record[n][0]
print("Energy is ",E)
print("Solution is ",x)
```
Где:
- n — номер решения.
- E — значение энергии, связанное с решением.
- x — бинарный вектор, представляющий решение.
В результате отобразятся значения выбранного решения:
```
Energy is  -62.625567961557635
Solution is  [0 1 0 0 1 0 1 0 1 1]
```
Чтобы получить эффективное решение, используйте метод first, отправив команду:
```
x = sample_set.first[0]
print("Energy is ",E)
print("Solution is ",x)
```
В результате отобразятся значения эффективного решения с точки зрения достижения минимального значения функции:
```
Energy is  -62.625567961557635
Solution is  {0: 0, 1: 1, 2: 0, 3: 0, 4: 1, 5: 0, 6: 1, 7: 0, 8: 1, 9: 1}
```

Была ли статья полезной ?

Предыдущая статья

Создание случайной матрицы QUBO

Следующая статья

Тарификация

Поддержка Юридические документы