СТРОИТЕЛЬСТВО И АРХИТЕКТУРА

Квантовые алгоритмы многокритериальной оптимизации распределения строительных машин между дорожными объектами

Авторы

  • Дмитрий Евгеньевич Ивахник https://orcid.org/0000-0001-9980-4276 МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78

Как цитировать

ГОСТ Ивахник Д. Е. Квантовые алгоритмы многокритериальной оптимизации распределения строительных машин между дорожными объектами // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2026. Т. 70. № 9. С. 40-50. DOI: 10.25726/v2776-9443-4010-u
APA Ивахник, Д. Е. (2026). Квантовые алгоритмы многокритериальной оптимизации распределения строительных машин между дорожными объектами. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 70(9), 40-50. https://doi.org/10.25726/v2776-9443-4010-u

Аннотация

Закрепление машин дорожно-строительной организации за одновременно ведущимися объектами сталкивает три несводимых требования: сократить пробеги при передислокации, привести сменную производительность закреплённой группы в соответствие с плановой потребностью объекта и не сводить однотипные машины на один участок работ. Работа устанавливает, как в модельной схеме глубина квантовой схемы и веса частных критериев меняют качество получаемого распределения. Материалом служит модельная схема из трёх строительных машин и трёх дорожных объектов с раскрытыми расстояниями передислокации, сменной производительностью и плановой потребностью; единицей моделирования является закрепление одной машины за одним объектом. Взвешенная свёртка трёх нормированных критериев дополнена штрафом за нарушение однозначности закрепления и переведена в квадратичную бинарную постановку, для которой выполнена точная симуляция девятикубитной схемы с настройкой углов по сетке и локальным поиском Нелдера–Мида. При базовых входах расчётное значение свёртки для отобранного распределения достигло минимума полного перебора 0,2102, тогда как закрепление каждой машины по минимальному расстоянию дало превышение над этим минимумом 129,44%. Вероятность измерения оптимального распределения в модели составила 1,013%, а увеличение глубины схемы с одного слоя до пяти повышало эту расчётную величину примерно на порядок. В модельной схеме при умеренной глубине оптимальное распределение оказывается наиболее вероятным среди допустимых, а вес критерия рассогласования производительности управляет составом расчётного закрепления сильнее, чем число отбираемых распределений.

Ключевые слова

квантовый приближённый алгоритм оптимизации многокритериальная оптимизация распределение строительных машин дорожные объекты квадратичная бинарная постановка анализ чувствительности

Финансирование

Авторы не заявили о внешнем финансировании исследования.

Библиографические ссылки

Баркалов С.А., Курочка П.Н. Оптимизация распределения ресурсов в строительном проекте на основе эвристических алгоритмов // Научный журнал строительства и архитектуры. 2026. № 1 (81). С. 98-108.

Бетеров И.И., Чэнь Ц., Ложкина Е.А. Квантовые вычисления на перспективных платформах // Информационные и математические технологии в науке и управлении. 2026. № 1 (41). С. 5-22.

Канищев А.Н., Борисов А.Е., Жабцев А.В. Оптимизация парка дорожно-эксплуатационной техники: параметры, влияющие на расчет эксплуатационной производительности машин и механизмов // Научный журнал строительства и архитектуры. 2025. № 2 (78). С. 98-105.

Олейник П.П. Выбор строительной техники для пионерного освоения территорий // Промышленное и гражданское строительство. 2022. № 12. С. 29-36.

Панченко Н.М., Басовский Д.А. К вопросу выбора наиболее рационального сочетания землеройной и транспортной техники при производстве земляных работ // Бюллетень результатов научных исследований. 2023. № 1. С. 19-25.

Blekos K., Brand D., Ceschini A., Chou C.H., Li R.H., Pandya K., Summer A. A review on quantum approximate optimization algorithm and its variants // Physics Reports. 2024. Vol. 1068. pp. 1-66.

Carugno C., Ferrari Dacrema M., Cremonesi P. Evaluating the job shop scheduling problem on a D-Wave quantum annealer // Scientific Reports. 2022. № 1. Article 6539.

Ekstrom L., Wang H., Schmitt S. Variational quantum multiobjective optimization // Physical Review Research. 2025. № 2. Article 023141.

Glover F., Kochenberger G., Du Y. Quantum Bridge Analytics I: a tutorial on formulating and using QUBO models // 4OR. 2019. № 4. pp. 335-371.

Kotil A., Pelofske E., Riedmuller S., Egger D.J., Eidenbenz S., Koch T., Woerner S. Quantum approximate multi-objective optimization // Nature Computational Science. 2025. № 12. pp. 1168-1177.

Perez Armas L.F., Creemers S., Deleplanque S. Solving the resource constrained project scheduling problem with quantum annealing // Scientific Reports. 2024. № 1. Article 16784.

Roy A., Singh N.B., Saha A.K. Modeling of assignment problem in quantum approximate optimization algorithm // Advanced Quantum Technologies. 2025. № 7. Article e2400364.

Sack S.H., Serbyn M. Quantum annealing initialization of the quantum approximate optimization algorithm // Quantum. 2021. Vol. 5. P. 491.

Vikstal P., Gronkvist M., Svensson M., Andersson M., Johansson G., Ferrini G. Applying the quantum approximate optimization algorithm to the tail-assignment problem // Physical Review Applied. 2020. № 3. Article 034009.

Zhou L., Wang S.T., Choi S., Pichler H., Lukin M.D. Quantum approximate optimization algorithm: performance, mechanism, and implementation on near-term devices // Physical Review X. 2020. № 2. Article 021067.

Выпуск

Раздел

СТРОИТЕЛЬСТВО И АРХИТЕКТУРА

Метрики

81 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Похожие статьи

1 2 3 4 5 6 7 8 9 10 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.