你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

量子优化问题

项目
07/09/2022

问题

from azure.quantum.optimization import Problem

构造函数

要创建 Problem 对象，请指定以下信息：

name：问题的易记名称。无唯一性约束。
terms（可选）：要添加到问题中的 Term 对象和分组因子对象的列表（如果支持）。
problem_type（可选）：问题类型。必须是 ProblemType.ising、ProblemType.pubo、ProblemType.ising_grouped 或 ProblemType.pubo_grouped。默认为 ProblemType.ising。如果在问题表述中使用了分组因子，则系统会自动选取分组问题类型。
init_config（可选）：用户要为问题指定初始配置时值的变量 ID 的字典。
content_type（可选）：默认值为 ContentType.json。可设置为 ContentType.protobuf。

terms = [
    Term(c=-9, indices=[0]),
    Term(c=-3, indices=[1,0]),
    Term(c=5, indices=[2,0])
]

problem = Problem(name="My Difficult Problem", terms=terms)

# with initial configuration set
config = {'0': 1, '1': 1, '2': 0}
problem2 = Problem(name="Problem with Initial Configuration", terms=terms, init_config=config)

Problem.add_term

向问题中添加一个单项因子。它采用项的系数以及项中出现的变量的索引。

coefficient = 0.13
problem.add_term(c=coefficient, indices=[2,0])

Problem.add_slc_term

向问题中添加单个平方线性组合 (SLC) 因子。它接受构成平方线性组合因子的单项因子列表以及前导系数。

subterms_Term = [
    Term(c=1, indices=[0]),
    Term(c=-2, indices=[1]),
    Term(c=1, indices=[2]),
    Term(c=-1, indices=[])
]
coefficient = 2
problem.add_slc_term(terms=subterms_Term, c=coefficient)

除了使用 Term 对象列表外，还可改为使用元组列表，其中每个元祖均包含一个单项因子系数，后跟该单项因子系数的变量索引（如果是常数则为 None）。

subterms_tuple = [
    (1, 0),
    (-2, 1),
    (1, 2),
    (-1, None)
]
coefficient = 2
problem.add_slc_term(terms=subterms_tuple, c=coefficient)

有关详细信息，请参阅 SlcTerm。

Problem.add_terms

使用一系列 Terms 在问题中添加多个项。

problem.add_terms([
    Term(c=-9, indices=[0]),
    Term(c=-3, indices=[1,0]),
    Term(c=5, indices=[2,0]),
    Term(c=9, indices=[2,1]),
    Term(c=2, indices=[3,0]),
    Term(c=-4, indices=[3,1]),
    Term(c=4, indices=[3,2])
])

此函数还有一个重载，该重载充当分组因子的包装器，如以下示例所示。可以通过指定 Term 对象列表以及分组因子类型来使用该重载。

problem.add_terms([
        Term(c=1, indices=[0]),
        Term(c=-2, indices=[1]),
        Term(c=1, indices=[2]),
        Term(c=-1, indices=[])
    ],
    term_type = GroupType.squared_linear_combination,
    c = 2
)

Problem.serialize

将问题串行化为 JSON 字符串或 protobuf。有关 Protobuf 用法的详细信息，请参阅使用 Protobuf 处理大型输入。

problem = Problem("My Problem", [Term(c=1, indices=[0,1])])
problem.serialize()

> {"cost_function": {"version": "1.0", "type": "ising", "terms": [{"c": 1, "ids": [0, 1]}]}}

要串行化为 Protobuf，需要指定可选的 content_type 参数。 Protobuf 在部分优化求解器上受支持。

from azure.quantum.job.base_job import ContentType

problem = Problem(name = "protobuf_problem", terms = [Term(c=1, indices=[0,1])], content_type=ContentType.protobuf)
problem.serialize()

Problem.deserialize

将上传的输入数据中的问题反序列化为 Problem 实例。


deserialized_problem = Problem.deserialize(input_poblem = "your_problem")

Problem.upload

可使用 upload 方法将问题数据显式上传到 Azure 存储帐户，该方法以参数形式接收 Workspace 实例：

problem.upload(workspace=workspace)

显式上传问题后，该问题将不会在提交期间自动上传，除非其因子发生变化。

Problem.evaluate

一旦定义了问题，便可以评估提供的任何配置的问题。应将配置作为变量 ID 的字典提供给值。

problem = Problem("My Problem", [Term(c=1, indices=[0,1])])
problem.evaluate({0:1, 1:1}) 
> 1

problem.evaluate({0:1, 1:0})
> 0

Problem.set_fixed_variables

试验期间，你可能想要将变量（或一组变量）设为特定值。在修复所选变量后，调用 set_fixed_variables 将返回一个新的问题对象，该对象表示修改后的问题。

fixed_var = {'1': 1, '2': 1}
problem = Problem("My Problem", [Term(c=1, indices=[0,1]), Term(c=11, indices=[1,2]), Term(c=5, indices=[])])
new_problem = problem.set_fixed_variables(fixed_var)
new_problem.terms

> [{'c': 1, 'ids': [0]}, {'c': 16, 'ids': []}]

若要在减少的问题上将固定变量放回到解决方案上，请执行以下操作：

result = solver.optimize(new_problem)
result_config = json.loads(result)['solutions'][0]['configuration']
result_config.update(fixed_var) # join the fixed variables with the result

Problem.get_terms

可以使用此函数获取其中存在变量的因子。

problem = Problem("My problem" ,  [Term(c=1, indices=[0,1]), Term(c=11, indices=[1,2]), Term(c=5, indices=[1])])
terms = problem.get_terms(id = 1)
terms

> [{'c': 11, 'ids': [1,2]}, {'c': 5, 'ids': [1]}]

StreamingProblem

StreamingProblem 类可处理超过本地内存限制的大问题。与问题类不同，StreamingProblem 中的术语会直接上传到 blob，而不会保留在内存中。

StreamingProblem 类使用与问题类相同的接口。有关详细信息，请参阅 StreamingProblem 文档。由于其流式处理性质，StreamingProblem 类尚不支持某些功能：

Problem.set_fixed_variables()
Problem.evaluate()

OnlineProblem

OnlineProblem 类从已上传优化问题的 blob 存储的 url 创建问题。它允许重复使用已提交的问题。它不支持客户端分析，例如 evaluate 和 set_fixed_variables 函数。它允许将 blob 存储中的问题作为 Problem 类的实例下载，以执行任何客户端操作。有关如何使用 OnlineProblem 类的示例，请参阅重复使用问题定义。

使用 Protobuf 处理大型输入

Protobuf 是 Google 的数据交换格式。它是带有静态架构的二进制格式。有关 Protobuf 的详细介绍，请参阅 Google 的协议缓冲区页。

在 Azure Quantum 中，我们添加了对 Protobuf 的支持，因为它对于编码较大的输入问题很有用。使用二进制编码方法（而不是默认 JSON 格式）可减少有效负载大小、提高上传速度并降低处理速度。

使用此功能，可以完全按照 JSON 中当前支持的方式指定问题类型、术语、初始配置和问题元数据（例如问题名称）。

注意

此功能可用于 Microsoft QIO 提供程序中的部分求解器。下面详细介绍了用法和可用性。

使用情况

要提交 Protobuf 序列化问题，请在 Problem 对象定义中指定可选参数 content_type，并将其设置为 Content.protobuf。如果未显式设置此参数，则将其设置为 ContentType.json。

problem = Problem(name = "protobuf_problem", terms = [Term(c=1, indices=[0,1])], content_type=ContentType.protobuf)

若要详细了解成本函数以及因子与问题定义的关系，请参阅以下主题：

Protobuf 序列化可用性

Protobuf 序列化当前受以下 Microsoft QIO 求解器支持：

如果将问题以 Protobuf 形式提交到不支持它们的求解器中，SDK 中将显示客户端错误，并且提交将失败。

如果在使用 Protobuf 时发现任何 bug 或问题，请联系 Azure 支持人员。