量子优化学习路线¶
先定义经典问题，再选择线路。这五课沿着编码、优化、最终采样和经典比较展开，每课都有预测、可运行源码、输出解释和练习。
| 课程 | 在仓库根目录运行 | 检查重点 |
|---|---|---|
| 入门：图问题 | python3 examples/user/tracks/optimization_researcher/01_beginner_graph_problem_zh.py |
节点顺序、可行集合与穷举最优值。 |
| QUBO 与 Hamiltonian | python3 examples/user/tracks/optimization_researcher/02_foundation_qubo_hamiltonian_zh.py |
包含常数项和符号约定的四个基态能量。 |
| QAOA 工作流 | python3 examples/user/tracks/optimization_researcher/03_applied_qaoa_workflow_zh.py |
目标求值预算、停止原因与最终采样候选。 |
| VQE 工作流 | python3 examples/user/tracks/optimization_researcher/04_advanced_vqe_workflow_zh.py |
期望能量与最优态概率的区别。 |
| 专家：基准分析 | python3 examples/user/tracks/optimization_researcher/05_expert_baseline_analysis_zh.py |
候选与期望各自的差值、重复采样和执行成本。 |
脚本使用本地理想状态目标值、明确的初始参数和小规模问题。最终采样次数有限，优化目标则直接精确计算。这里的图坐标描述问题，不代表已经完成硬件布局。
有限采样 VQE、噪声、梯度方法、测量分组和独立候选确认见变分算法指南。它们需要各自的配置，增加最终采样次数不会自动启用这些功能。目前不提供有限采样 QAOA、化学映射或真实硬件执行。
完成路线后，可比较求解同一 MIS 的三种方式。解释结果时，应保留各方法的模型假设和预算。