İyileştirme nedir?

En iyi duruma getirme, istenen sonucu ve kısıtlamaları verildiğinde olası bir seçenek kümesinden bir soruna en iyi çözümü bulma işlemidir.

En iyi çözüm birçok şekilde tanımlanabilir: en düşük maliyetli, en hızlı çalışma zamanının veya belki de en düşük çevresel etki olan seçenek olabilir. Şeyleri basit tutmak için en iyi , genellikle simge durumuna küçültülmüş bir maliyet olarak tanımlanır. Bunun yerine maliyeti en üst düzeye çıkarmak isterseniz (örneğin, bir Solar hücresindeki enerji çıkışını en üst düzeye çıkarmak istiyorsanız), tüm yapmanız gereken maliyeti negatif bir sayı ile çarpıp en aza indirmektir.

İyileştirme sorunları ve terminoloji hakkında daha fazla bilgi edinmek için bkz. en iyi duruma getirme temel kavramları.

İyileştirme, daha sonra, klasik çözümlere göre daha fazla avantaj sağlayan, gelecekte hisse bilgisayarları üzerinde çalışmaya yönelik birincil aday olan sorunların bilgi işlem bir sınıfıdır. Azure 'da klasik donanımda daha fazla klasik en iyi duruma getirme teknikinden daha hızlı çalışan Azure hisse cılar kullanarak en iyi duruma getirme sorunları uygulayabilirsiniz.

Hisse için en iyi duruma getirme nedir?

Klasik bilgisayarlarda hisse etkilerin benzetiminin benzetimini yapmak, yeni hisse alan türlerinin geliştirilmesine yol açmıştır. Hisse kullanımı En Iyi duruma getirme algoritmaları , klasik donanımla daha fazla bilgi sağlayan, geleneksel yaklaşımdan daha hızlı bir şekilde yararlanmak için bazı avantajlardan yararlanır.

Hisse uyumlu algoritmalar, hızlı bir şekilde, hızlı bir şekilde öykünmek üzere temel alınan önemli hisse Birçok hisse uyumlu algoritma türü vardır, yaygın olarak kullanılan tek bir algoritma, aşağıdakilerden oluşan Adiabatik hisse bilgi işlem modelini temel alan bir hesaplama modeline dayalıdır:

1. İlk olarak, bir sistem hazırlarsınız ve en düşük enerji durumuna başladınız.

2. Ardından, yavaşça bu sistemi çözmeye çalıştığınız sorunu açıklayan daha karmaşık bir sisteme dönüştürün. Adiabatic modeli, bu dönüşüm yeterince yavaş olduğu sürece sistemin uyum için zaman aldığı ve bu en düşük enerji yapılandırmasında kalacakları durumlarda oluşur. Dönüşümler tamamlandığında, sorunu çözebilirsiniz.

Bir bardak suyu buna örnek olarak verebiliriz. Bardağı masanın üzerinde yavaşça hareket ettirirsek, sisteme yeni yapılandırmaya uyum sağlaması için zaman tanıdığımızdan su dökülmez. Ancak camı hızlı bir şekilde hareket ediyorsanız, sistem çok hızlı bir şekilde değişikliğe zorlandı ve her yerde su sahibi olursunuz.

Hisse için en iyi duruma getirme nereye uygulanabilir?

Gerçek dünyaya yönelik en iyi duruma getirme, işletmelerin yeni Öngörüler sunabilir veya süreçlerini daha verimli hale getirerek maliyetleri azaltmaya yardımcı olabilir. Hisse fırsatıme iyileştirmesi bize şu şekilde fırsat verir:

• Sabit bir kullanım örneği ve sabit çözüm kalitesi için diğer iyileştirme tekniklerinden daha hızlı şekilde çözüm bulma.
• Sabit bir sorun ve sabit süre için diğer iyileştirme tekniklerine kıyasla daha yüksek kalitede bir çözüm bulma.
• Daha fazla değişkenin göz önünde bulundurulması için sorunu genişleterek diğer iyileştirme tekniklerinden daha gerçekçi bir modelin kullanılması.

Hisse uygun en iyi duruma getirme yöntemleri buluşsal yöntemler olduğundan, en iyi çözümü bulmak için garanti edilmez ve diğer en iyi duruma getirme tekniklerini her zaman gerçekleştirmez. Gerçekte, soruna bağlıdır ve eldeki en iyi duruma getirme, bazı durumlarda diğer yöntemlerden ne kadar iyi performans yaptığını bulmakta ve başkalarının hala etkin bir araştırma alanıdır.

Aşağıda, diğer klasik iyileştirme algoritmalarına kıyasla, uygun en iyi duruma getirme işlemi için gerekli koşullar verilmiştir:

• İyileştirme alanlarının engebeli ve yapılandırılmış olması gerekir. Bu tür fdscapes, genellikle gerçek dünyada sorunlar için oluşur. Daha fazla bilgi için bkz. optimizasyon landscapes.
• Değişken sayısı küçükse (örneğin, 100 ' den az), uyarlaması algoritmaları zaten yeterlidir. Yüzlerce değişkene sahip olan problemler için, eldeki en iyi duruma getirme, daha önce kullanılan yöntemlere göre daha fazla boyuta göre geliştirme elde etti.
• Seçilen maliyet ölçümünü etkileyen sorun parametreleri bir maliyet işlevinin değişkenleriyle temsil etmelidir. PUBO sorunu almak için ikili değişkenler üzerinde Polynomials olarak Express maliyet işlevleri.

Kuantum temelli iyileştirme sorunları nasıl çözer?

Maliyet işlevinin genel en düşük kısmını bulmak için birkaç yöntem vardır, en başarılı ve yaygın olarak kullanılan buluşsal yöntemler benzetilen benzetilmiş. Buluşsal yöntemler, özellikle tam bir çözümü bulmanın çok uzun sürebileceği durumlarda yaklaşık bir çözümü bulmaya yönelik bir tekniktir. Her bir denetçisi en iyi duruma getirme dikey aracılığıyla bir yol oluşturduğunda, arama alanında rastgele bir adım adım yöntemi düşünebilirsiniz.

Benzetilen benzetilmiş, algoritma, ideal olarak her zaman aşağı doğru kayın, ancak hiç sıfır olmayan bir olasılığa sahip olan bir denetçisi taklit edebilir. Bu, yürüyen kişinin yerel minimumlardan uzaklaşıp daha derinde bulunan çevre minimumlara inmesine imkan tanır. Uphill 'a ısı atlamaları denir. Bunun nedeni, benzetimli benzetilmiş 'in, yavaş maliyetli olduklarından malzemelerin davranışlarını taklit eden bir bir algoritmadır.

Hisse kullanımı en iyi duruma getirme, birleşimsel sorunlarını benzetimli benzetilmiş, ancak hisse mekanik etkileri uygulayan tekniklerin kullanımını sağlar.

Hisse benzetilmiş , benzetilen benzetilmiş 'e benzer bir hisse algoritması, ancak birkaç şekilde farklılık gösterir. Benzetimli benzetilmiş 'te, arama alanı bir çözümden bir sonrakine ısı atlamaları yaparak araştırılacaktır, ancak hisse benzetilmiş, bu enerji engellerinin üzerinden geçmesine izin veren hisse Lama tüneli olarak adlandırılan bir hisse kullanımı sağlar.

Bu grafikte, klasik ve hisse yaklaşımı arasındaki farkı görebilirsiniz. Benzetimli benzetilmiş ısı dalgalanmalarına bir enerji engelinin üstesinden gelmeye yardımcı olur ve hisse tünede, hisse maların enerji engellerinden geçmesine izin verir.

Azure hisse iyileştirme teknikleri

Azure hisse, ayrık ve birleşimsel en iyi duruma getirme sorunlarını çözmeye yönelik bir dizi hisse uyumlu Teknik sunar.

• Paralel Templama: bir sistemin kopyalarının farklı sıcaklıklar üzerinde tutulduğu ve templama yaklaşımında yinelenen Isıtma ve soğutmayı otomatikleştirerek ilgili bir klasik iyileştirme yaklaşımı. Hem klasik hem de (benzetimli) hisse benzetilmiş hızlandırmanın yanı sıra diğer birçok buluşsal yöntem için de kullanılabilir.
• Benzetimli benzetilmiş: kusurları kaldırmak için bir malzemenin yavaş soğutma (benzetilmiş) taklit eden bir klasik Stokastik benzetim yöntemi. Bir sıcaklık zamanlamaya göre azaltılır. Isı atlamaları, arama alanındaki yerel Mini ma 'dan kaça yardımcı olur.
• Popülasyon benzetilmiş: yalnızca, her zaman Downhill hareket eden bir bir denetçisi taklit eden, popülasyon benzetilmiş, iyi durumda arama çalışmalarını sürekli olarak birleştiren bir Metropolis walçizgilerinin popülasyonu taklit eder.
• Hisse Monte Carlo: hisse Monte-Carlo benzetimleri kullanarak hisse benzetilmiş yöntemini taklit eden hisse uyumlu en iyi duruma getirme. Sanal benzetilmiş ' deki sıcaklığa benzer şekilde, hisse Lama tüneli düzeyi zamana göre azaltılır. Hisse tüneli efektleri, arama alanındaki yerel en düşük değerleri 'dan kaça yardımcı olur.
• Substochastik Monte Carlo: Substochastik Monte Carlo, Adiabatik hisse hesaplaması tarafından esan bir DiffMonte Carlo algoritması. Bu, arama alanındaki bir walranın bir popülasyon benzetimini taklit eder; burada walayırıcıları, maliyet işlevine göre gerçekleştirdikleri bir şekilde kaldırılır veya yinelenir.
• Tabu arama: tabu arama, komşu yapılandırmalara bakar. Geliştirme ve daha önce ziyaret edilen çözümlere gitme yamasına izin verirse, bu, ilerme taşımalarını kabul edebilir

Bu, sunulan tekniklerin yalnızca küçük bir alt kümesidir ve Microsoft, Azure hisse senedi hizmetine yeni Lehler geliştirmeye ve bunları eklemeye devam eder. Daha fazla bilgi için bkz. Microsoft QIO sağlayıcı listesi.