Аннотация

Аннотация: В работе предложен алгоритм вещественной однокритериальной оптимизации, объединяющий потенциал квантово-инспирированных вычислений с механизмом контекстно-зависимой самонастройки. В основе нового алгоритма лежит модифицированный квантово-инспирированный генетический алгоритм, использующий многоуровневые квантовые системы и физически обоснованную модель декогеренции, имитирующую условия эпохи NISQ. В отличие от существующих квантово-инспирированных алгоритмов оптимизации, основанных на ручной калибровке или фиксированных эвристиках, предложенный алгоритм автоматически регулирует ключевые управляющие параметры, такие как угол поворота в квантовых вентилях и вероятность мутации, на основе анализа собственного опыта с использованием истории успеха и взвешенного среднего Лемера второго порядка. Это позволяет динамически адаптировать баланс между глобальным исследованием и локальной эксплуатацией в соответствии с особенностями ландшафта целевой функции. Комплексная оценка на основе набора эталонных функций из бенчмарка по эволюционным вычислениям показала, что предложенный алгоритм обеспечивает высокую надёжность и устойчивость на мультимодальных, а также сложных гибридных и композитных функциях. Полученные результаты подчёркивают перспективность синтеза квантово-инспирированных оптимизационных моделей и адаптивных стратегий управления для создания робастных инструментов решения задач оптимизации в условиях «чёрного ящика».