智能控制用有限精度量子优化硬件闭环映射保持评价方法

本发明涉及量子计算与智能控制，具体涉及一种智能控制用有限精度量子优化硬件闭环映射保持评价方法。

背景技术：

1、随着智能技术的快速发展，有限精度组合优化硬件在电力系统调度、组合优化、机器学习等智能控制领域的应用逐渐得到了广泛关注。量子启发式优化硬件包括相干伊辛机、量子退火机和数字退火机等，在有限精度组合优化硬件（如相干伊辛机cim、量子退火机qa）上部署二次无约束二值优化（qubo）模型时，一般通过将组合优化问题编码为qubo模型或伊辛模型进行求解，而量子启发式优化硬件的系数表示精度有限，典型为4—8位整数量化，而qubo模型的原始系数通常为浮点数且动态范围较大，因此，在将qubo模型提交至硬件前，必须执行精度映射，将浮点系数转换为硬件可表示的整数格式。

2、传统技术的精度映射方法主要包括固定线性缩放、截断量化、自适应量化和混合精度方案，固定线性缩放是选择单一缩放因子，对所有系数统一乘以单一缩放因子后取整；截断量化是直接对系数进行定点截断或四舍五入，不执行缩放；自适应量化是根据系数分布统计特征（均值、方差）选择量化参数；混合精度方案是对大系数和小系数分别使用不同的量化策略。

3、但是在现有技术中精度映射方法存在以下缺陷，第一，现有技术均为开环一次性操作，即在硬件执行前根据系数矩阵的统计特征确定映射参数，执行后不再调整。该范式存在以下结构性缺陷：在4位精度映射情况下，映射的一致性指标r=1.0，判定为完美保持，而6位精度映射的r≈0.72，判定为显著退化，10位精度映射的r≈0.85，判定为部分恢复，这意味着“提高精度即可改善结果”的直觉假设不成立，开环一次性映射无法保证找到最优精度配置。

4、第二，qubo系数矩阵中约束惩罚项系数与经济目标项系数共存，缩放因子的选择不仅影响系数的绝对表示精度，还改变约束项与目标项之间的能量层级关系，固定线性缩放无法感知这种结构耦合。

5、第三，现有方法在映射-提交后，不对硬件输出进行一致性评价，硬件返回的候选解是否保持了原始qubo模型的能量排序结构无法获知，也无法判断是否需要调整映射参数重新求解。

6、第四，在智能控制系统的优化决策模块中，由于量子优化硬件的求解结果直接驱动控制指令生成，若量子优化硬件输出因精度映射不当而产生能量排序畸变，控制决策的可靠性将无法保证。

7、从而上述技术缺乏对精度映射过程进行闭环反馈迭代调整的技术方案。

8、如专利申请号为202510296821.2，公告日为2025.12.02的专利文献中公开了一种反馈迭代式融合量子和经典计算的光网络资源分配方法，包括：应用启发式算法预处理光网络资源，建立相应资源分配问题的qubo模型：将所述候选光路与候选资源信息作为二进制逻辑变量，根据约束条件，将资源分配方案映射成不同大小的哈密顿量；结合启发式算法，在专用量子计算机中求解qubo模型，经过后处理获得资源分配方案。

9、以上文献，在专用量子计算机一次求解未获得满足约束条件的资源分配方案时，根据求解结果应用启发式算法进行调参，并再次应用专用量子计算机求解，直至得到满足约束的资源分配方案或达到迭代次数上限，当不满足光路、波长/频谱的约束且未达到迭代次数上限时，调整qubo系数矩阵的参数或专用量子计算机参数重新求解，其中的迭代机制主要针对qubo系数矩阵中的约束惩罚项系数或专用量子计算机的运行参数进行调整，其目的在于使求解结果满足路由、波长/频谱和信噪比等物理约束条件，反馈迭代仅仅是求解器参数调优层面的迭代，而非精度映射参数层面的闭环优化，并未考虑qubo系数矩阵从浮点表示到硬件整数表示的精度映射过程的迭代优化，而对于本领域技术人员来说，精度映射是一个确定性的格式转换操作，给定系数古镇和硬件位宽，映射参数可由公式唯一确定，无需迭代，提高硬件精度位宽必然改善求解质量，不存在非单调效应，硬件输出质量由硬件物理特性决定，软件层面的映射参数调整无法实质性改善，这些因素使得本领域技术人员无法想到会去对精度映射过程进行迭代优化，也未涉及精度映射过程中的系数动态范围压缩、约束-目标层级保持和一致性评价等预处理环节，从而使得精度不可靠，且控制一致性不好的情况发生。

技术实现思路

1、本发明提供一种智能控制用有限精度量子优化硬件闭环映射保持评价方法，通过将精度映射从开环格式转换转变为闭环迭代优化过程，根据评价结果反馈调整映射参数，直至一致性指标满足要求，确保智能控制决策的可靠性。

2、为达到上述目的，本发明提供的技术方案是：智能控制用有限精度量子优化硬件闭环映射保持评价方法，包括以下步骤：

3、s1、从智能控制系统的优化决策模块获取待部署的qubo系数矩阵及目标有限精度组合优化硬件的系数位宽、矩阵规模和采样次数；

4、s2、对qubo系数矩阵同时基于系数动态范围约束、约束－目标层级约束和硬件精度兼容约束三个维度联合确定初始映射参数向量；硬件精度兼容约束根据系数位宽和矩阵规模确定缩放因子的可行区间，初始映射参数向量包括缩放因子、有效位宽选择和动态范围裁剪阈值；映射参数设置为初始预设参数向量；

5、s3、根据所述映射参数确定qubo系数矩阵，并对qubo系数矩阵执行缩放、取整和限幅操作，生成整数系数矩阵，对映射后矩阵执行基本完整性校验；

6、s4、将所述整数系数矩阵通过硬件平台的原生矩阵上传接口提交至有限精度组合优化硬件，按照采样次数获取对应数量的候选解样本及对应硬件能量值，保持原始n维qubo变量结构；

7、s5、对候选解样本计算原始浮点qubo模型硬件能量值以及候选样本对应硬件能量值差值确定成对序关系保持率，将成对序关系保持率与一致性阈值比较；当成对序关系保持率小于一致性阈值时，进入步骤s6；否则进入步骤s7；

8、s6、当成对序关系保持率小于一致性阈值时，进行闭环反馈调整，根据成对序关系确定诊断结果并根据诊断结果调整映射参数，返回步骤s3直至成对序关系保持率大于等于一致性阈值；

9、s7、输出整数系数矩阵供智能控制系统优化决策模块使用。

10、以上方法，先获取智能控制系统优化决策模块中qubo系数矩阵，并对qubo系数矩阵通过系数动态范围约束、约束-目标层级约束和硬件精度兼容约束三个方面的交集确定一个最优的初始映射参数向量，而硬件精度兼容约束是需要通过系数位宽和矩阵规模确定一个缩放因子的可行区间，这样使得缩放因子和有效位宽是考虑系数动态范围、约束-目标层级以及硬件精度兼容三个方面之后初始最优解，避免固定线性缩放导致的问题；然后再根据映射参数确定qubo系数矩阵形成整数qubo系数矩阵，并将整数qubo系数矩阵上传后进行采样硬件能量值，然后将整数qubo系数矩阵对应能量值与未取整数对应的浮点qubo系数矩阵确定成对序关系保持率，通过成对序关系保持率作为一致性评价指标，直接度量硬件输出是否保持了原始模型的候选解优劣排序，物理意义明确，并在不能达到一致性要求时，重新调整映射参数重新进行一致性评价，通过闭环反馈迭代，将精度映射从开环格式转换提升为闭环优化过程，利用非单调精度效应找到反直觉的最优配置；确保智能控制决策的可靠性。

11、进一步的，步骤s1中qubo系数矩阵q为n×n实对称矩阵，系数位宽b为整数范围[-2(b-1), 2(b-1)-1]。

12、以上设置，明确了qubo系数矩阵的数学形式和硬件位宽的表示范围，为后续精度映射提供了清晰的输入参数定义，使得方法具有明确的参数基础和硬件适配前提。

13、进一步的，步骤s2包括s2.1-s2.3：

14、s2.1系数动态范围约束：计算系数矩阵的最大绝对值max|q_ij|、最小非零绝对值min|q_ij|≠0、动态范围dr如公式（1）所示，

15、dr=2log2（max|q_ij|/min|q_ij|）（1），

16、min|q_ij|≠0，q_ij为qubo系数矩阵在（i,j）位置上的值，确定在系数位宽b位表示下可保留的系数比例；

17、s2.2约束－目标层级约束：识别qubo系数矩阵中的约束惩罚分量q_constraint和目标分量q_objective，确保映射后约束惩罚分量的能量层级高于目标分量的能量层级，并确定满足条件的映射后的系数；

18、s2.3硬件精度兼容约束：根据硬件位宽b和矩阵规模n，确定缩放因子s的可行区间[s_min,s_max]，s_min, s_max分别是缩放因子s的最小值和最大值，使得映射后系数既不溢出也不全部归零。

19、以上设置，通过从系数动态范围、约束-目标层级和硬件精度兼容三个维度联合确定映射参数，将系数矩阵的数值特性和约束结构纳入映射参数的决策过程，使得初始映射参数在满足硬件物理限制的同时保持约束-目标的层级结构，避免了固定线性缩放中"约束保留但目标丧失"或"目标保留但约束崩溃"的问题。

20、进一步的，步骤s3中整数系数矩阵q'_ij如公式（2）所示，

21、q'_ij=clip（round（sq_ij）, -2(b-1), 2(b-1)-1）（2），

22、round（·）为四舍五入取整，clip（·,lo,hi）为对输入进行限幅操作，lo为下限阈值，hi为上限阈值。

23、以上设置，通过统一的量化映射公式对全部系数矩阵通过缩放因子执行缩放、取整和限幅操作，确保证书系数矩阵在取整方面的可靠性。

24、进一步的，步骤s3还包括：对整数矩阵执行基本完整性校验，若出现不满足基本完整性校验的条件则通过步骤s2重新获取整数系数矩阵，基本完整性校验包括：非零系数数量、约束惩罚项系数是否保持层级关系、是否出现全零行或列。

25、以上设置，在映射后执行完整性校验，确保映射后的整数系数矩阵保留了足够的系数信息和约束结构，避免因过度压缩导致矩阵退化为无效矩阵。

26、进一步的，步骤s4包括：采样次数设为n_sample，将所述整数系数矩阵通过硬件平台的原生矩阵上传接口提交至有限精度组合优化硬件获取n_sample个候选解样本{x(1),x(2), .. x(n_sample)}及对应的硬件能量值｛e_hw(1), e_hw(2), ..e_hw(n_sample)}，不执行变量压缩或子图嵌入，保持原始n维qubo变量结构。

27、以上设置，通过配置采样次数获取多个候选解样本及其能量值，为后续成对序关系保持率的计算提供充足的统计样本，保证了一致性评价指标的统计显著性和可靠性，同时也不会对变量进行压缩影响qubo变量结构，确保qubo系数矩阵变量的可靠性。

28、进一步的，步骤s5中成对序关系保持率r如公式（3）所示，

29、r=保持序关系的样本对数/总样本对数（3），

30、保持序关系的样本对数的定义为：从n_sample个候选解中任取两个不同样本（x(a),x(b）），计算它们在原始浮点qubo模型上的能量差δe_float如公式（3.1）所示，

31、δe_float=e_float(x^(a))-e_float（x^(b））（3.1），e_float表示原始浮点系数矩阵的能量值；

32、计算在硬件整数系数矩阵上的能量差δe_hw如公式（3.2）所示，

33、δe_hw=e_hw(x(a))-e_hw(x(b))（3.2），e_hw表示整数系数矩阵的能量值；

34、若sign(δe_float)=sign（δe_hw），则称该样本对保持序关系；sign（）用于判断能量变化的方向，如增加、减少或不变；

35、总样本对数如公式（3.3）所示

36、总样本对数=c(n_sample,2)=n_sample×(n_sample-1)/2（3.3），c(n_sample, 2)为从n_sample个不同元素中选取2个元素的组合数，

37、r∈[0,1]，若r=1表示硬件输出完美保持了原始模型的能量排序结构；若r<1表示存在排序畸变。

38、以上设置，通过定义成对序关系保持率，将硬件输出与原始浮点模型之间的能量排序一致性量化为0到1之间的可比较数值，使得硬件输出质量的评价从定性判断升级为定量评价，物理意义明确，且无需依赖额外标定数据。

39、进一步的，步骤s5中的“将成对序关系保持率与一致性阈值比较”包括：设定一致性阈值r_th，当r≥r_th时，判定当前映射参数下硬件输出一致性满足要求，进入步骤s7；当r

40、以上设置，通过引入一致性阈值，为映射质量的判定提供了明确的量化边界，使得系统能够自动化地识别映射质量不满足要求的场景，从而触发闭环反馈迭代，避免了依赖人工经验判断的主观性。

41、进一步的，步骤s6包括s6.1-s6.4：

42、s6.1畸变模式诊断：分析违反保持序关系的样本对特征，识别畸变来源：若违反集中在能量差|δe_float|较小的样本对，判定诊断结果为“精度不足型畸变”，调整方向为改变缩放策略或动态范围裁剪点；若违反保持序关系的样本对特征分散在各能量差区间，判定诊断结果为“结构耦合型畸变”，调整方向为改变缩放策略或动态范围裁剪点并进入步骤s6.2；

43、s6.2映射参数调整：根据诊断结果，生成调整后的映射参数θ_{k+1}具体包括：缩放因子s_{k+1}调整如公式（4）所示；

44、s_{k+1}=s_k×(1±δ_s)（4），

45、δ_s为预设的步长；

46、有效位宽b_{k+1}调整如公式（4.1）所示，

47、b_{k+1}=b_k±1（4.1）；

48、有效位宽在硬件支持范围内，

49、动态范围裁剪调整r_dynamic_{k+1}根据畸变情况按照预设调整值扩大或收窄。

50、s6.3迭代执行：以θ_{k+1}返回步骤s3重新执行精度映射直至满足终止条件时迭代终止，终止条件包括以下条件中任一种：r≥r_th；迭代次数k≥k_max，k_max为预设最大迭代次数；连续两次迭代的r变化量|δr|<ε_r，ε_r预设变化阈值。

51、s6.4迭代记录：迭代终止时，记录每次迭代的映射参数θ_k、一致性指标r_k、畸变模式诊断结果，形成映射过程档案，供智能控制系统的决策可靠性评估模块参考。

52、以上设置，通过畸变模式诊断将序关系违反现象归类为精度不足型和结构耦合型，并针对不同畸变模式采取差异化的映射参数调整策略，使得闭环迭代具有方向性和指向性，避免了盲目调参；同时通过迭代记录形成映射过程档案，为智能控制系统的决策可靠性评估提供了可追溯的数据支撑。

53、进一步的，步骤s7包括：输出最优映射参数θ及对应的整数系数矩阵q'；硬件候选解样本集及对应的原始浮点能量重中评估值；最终一致性指标r及映射过程档案；r≥r_th标记为“可信”，r

54、以上设置，通过为最终输出结果附加"可信或仅供参考"的可靠性标签，使得智能控制系统的优化决策模块能够根据求解结果的可信程度选择或调整后续控制策略，避免了在映射质量不佳时基于不可信结果生成控制指令，为智能控制决策提供了结果可信度的量化依据。