本文探讨了量子退火算法、量子计算机的 QPUs 等在解决实际问题中的应用，尤其是对于交通流量优化问题的应用，提出了基于经典和量子混合的方法。

Aug, 2017

提出一种考虑了真实世界中各种限制条件（如包裹箱尺寸，超重限制，不同类别物品的亲和性以及物品排列偏好）的混合量子经典框架（Q4RealBPP）用于解决三维装箱问题，可广泛应用于工业与物流领域。

Mar, 2023

本文提出了量子计算机中量子比特路由问题的强化学习解决方案，解决此问题的方法是通过将传统的强化学习框架改进，允许离散动作空间，并证明了该方法的优越性，其具有普遍意义。

Dec, 2018

我们在一个与行业相关的真实场景中比较了 D-Wave 的量子 - 经典混合框架，Fujitsu 的量子启发式数字退火器和 Gurobi 的最先进的经典求解器在解决智能机器人调度问题时的性能，并通过三种不同的设计哲学为问题提供了三个不同的模型。在我们的基准测试中，我们着重关注不同模型和求解器组合的解决方案质量和端到端运行时间。我们发现了数字退火器的有希望结果，并且与 Gurobi 的直接比较中，混合量子退火器也有一些机会。我们的研究为解决应用导向的优化问题的工作流程提供了洞见，并且对于评估不同方法的优点和缺点非常有用。

Sep, 2023

本文利用 Q4RealBPP 解决了实际问题中的装箱问题，包括异构容器、一维和二维问题实例的扩展以及物品 - 容器关联要求和配送优先级的特性测试。

Aug, 2023

本文探讨了如何利用人工智能的约束满足问题来建模和解决一些特定的无线电接入网络优化问题，并用量子计算机来解决。以 LTE/NR 的 RSI 分配问题为例，通过商业移动网络中摄入的数据来构建一个二次无约束二进制优化问题，并使用云平台提供的量子计算机来解决它。结果表明，量子退火求解器可以成功地分配无冲突的 RSI。与著名的启发式算法相比，一些经典算法在解决方案质量和计算时间方面更加有效。该框架非常灵活，并有潜力在移动网络自动化中利用量子计算的威力。

Jun, 2021

本文提出了一种新的分层路由优化器，该优化器结合了优化和机器学习，通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题，并使用亚马逊的真实交付数据集证明了这种方法的重要性。

Mar, 2023

本文研究了如何利用 D-Wave 2000Q 和 Fujitsu 数字退火器等硬件设备，通过二元变量的二次成本函数实现工厂内大量自动引导车的平滑控制和碰撞避免优化问题，结果表明该方法相较于传统方法更加高效，并且 D-Wave 2000Q 可以在较短的时间内处理控制小规模车辆的优化规划，而数字计算机则可处理更大规模的车辆优化问题。

Dec, 2018

利用深度强化学习的编码器 - 解码器模型，并借助于复杂的张量需求结构，可以解决多车辆多节点的物流配送问题，从而实现对汽车配送业务的优化。

Nov, 2022

本文介绍了强化学习在处理 NP-Hard 组合优化问题，特别是车辆路径问题方面的应用。作者将问题建模成一个马尔科夫决策过程，并采用了 Actor-Critic 类的 PPO 方法和基于卷积神经网络的神经架构。尽管与最先进的 OR-TOOLS 解算器相比略逊一筹，但该算法具有较好的泛化能力和较短的解答时间。未来的研究方向是提高算法的性能表现。

Jul, 2022