Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

A new quadratic relaxation for binary variables with applications to the reliability of electrical distribution networks, segmentation of nerve root images, and distance geometry problems

Petra Maria Bartmeyer

Published Apr 27, 2020• 0 citations
Publisher

Abstract

Resumo: Como o título sugere, o foco desta pesquisa é o desenvolvimento de uma nova relaxação quadrática para problemas binários, sua formalização em resultados teóricos, e a aplicação dos novos conceitos em aplicações à confiabilidade de redes de energia elétrica, à segmentação de imagens médicas de nervos e à problemas de geometria de distâncias. Modelos matemáticos contendo va-riáveis de decisões binárias podem ser usados para encontrar as melhores soluções em processos de tomada de decisões, normalmente caracterizando problemas de otimização combinatória difíceis. A solução desses problemas em aplicações de interesse prático requer um grande esforço computacional; por isso, ao longo dos últimos anos, têm sido objeto de pesquisas na área de metaheurísticas. As ideias aqui desenvolvidas abrem novas perspectivas para a abordagem desses problemas apoiando-se em métodos de otimização não-lineares, área que vem sendo povoada por "solvers" muito eficientes. Inicialmente, explorando aspectos formais, a relaxação desenvolvida é parti-cularizada para um problema de otimização quadrática binária irrestrita. O relaxamento permite o desenvolvimento de três estruturas para abordar esta classe de problemas, e explora a convexidade da função objetivo para obter melhorias computacionais. Estudos de casos compararam o relaxamento proposto com os relaxamentos similares apresentados na literatura. Foram desenvolvidas três aplicações para os desenvolvimentos teóricos da pesquisa. A primeira aplicação envolve a melhoria da confiabilidade de redes de energia elétrica. Especificamente, aborda o problema de definir a melhor alternativa para a alocação de sensores na rede, o que permite reduzir os efeitos de ocorrências indesejáveis e ampliar a resiliência das redes. A segunda aplicação envolve o problema de segmentação de imagens médicas associadas a estruturas de nervos. A abordagem proposta interpreta o problema de segmentação como um problema de otimização binária, onde medir cada axônio significa encontrar um ciclo Hamiltoniano, um caso do problema do caixeiro viajante; a solução desses problemas fornece a estatística descritiva para um conjunto de axônios, incluindo o número (de axônios), os diâmetros e as áreas ocupadas. A última aplicação elabora um modelo matemático para o problema de geometria de distâncias sem designação, área ainda pouco estudada e com muitos aspectos em aberto. A relaxação desenvolvida na pesquisa permitiu resolver instâncias com mais de vinte mil variáveis binárias. Esses resultados são bons indicadores dos benefícios alcançáveis com os aspectos teóricos da pesquisa, e abrem novas perspectivas para as aplicações, que incluem inovações em nanotecnologia e bioengenharia

DOI
10.47749/t/unicamp.2020.1129446

Related papers

Decomposições Lagrangeanas para o problema de programação quadrática binária irrestrita

Geraldo Regis Mauri, Luiz Antônio Nogueira Lorena

O Problema de Programação Quadrática Binária Irrestrita - PQ é um dos problemas clássicos na área de otimização não-linear cujo objetivo é otimizar uma função quadrática através da escolha de valores binários apropriados para as variáveis de decisão. Este trabalho propõe novas alternativas de decomposição Lagrangeana para obtenção de limitantes para o PQ. Os métodos propostos tratam uma versão linear inteira mista (PQL) do PQ que tem restrições representadas através de um grafo. Esse grafo é particionado em clusters de vértices formando um problema dual cuja solução é dada por um algoritmo de subgradiente. A cada iteração desse método, os subproblemas formados pelos subgrafos gerados são resolvidos pelo CPLEX. Experimentos computacionais tratam um conjunto de dados formado por diversas instâncias de difícil solução e diferentes características. Os resultados mostram a eficiência dos métodos propostos em relação a métodos tradicionais de relaxação Lagrangeana e outros métodos encontrados na literatura.

Pesquisa Operacional•Apr 1, 2009•2 citations

Algorithms for solving pseudo-boolean optimization problems

Eduardo A.J. Anacleto

Investigamos os problemas de Otimização Pseudo-Booleana (PBO), Otimização Quadrática Binária Irrestrita (QUBO) e Programação Quadrática Booleana com Restrições de Limitantes Superiores Generalizados (BQP-GUB). Estes problemas pertencem 'a classe de complexidade computacional NP-difícil e têm sido estudados desde os anos 60. A busca por m'métodos para resolver esses problemas constitui um campo de pesquisa ativo, devido a situações reais que podem ser modeladas por meio deles. Em virtude de apelos práticos, pesquisadores têm mostrado grande interesse no desenvolvimento desses métodos. Com o intuito de contribuir de maneira significativa para esta área de pesquisa: (a) propomos um algoritmo exato para resolver os problemas PBO e QUBO; (b) projetamos um algoritmo de tempo polinomial para resolver classes de instâncias dos problemas PBO e QUBO; (c) desenvolvemos fórmulas para gerar limitantes para os valores de soluções ótimas para o problema QUBO; (d) criamos fórmulas para calcular rapidamente o valor da função objetivo do BQP-GUB; e (e) reformulamos problemas de otimização combinatória para a forma dos problemas QUBO e BQP-GUB.

•Jun 21, 2023•0 citations

Otimização de circuitos para a inicialização de estados quânticos

Israel F. Araujo

A teoria dos algoritmos quânticos promete benefícios sem precedentes ao utilizar as leis da mecânica quântica para resolver certos problemas computacionais. Entretanto, alguns desafios impedem que tais vantagens se apliquem a todos os algoritmos quânticos. Entre esses desafios está o desenvolvimento de uma codificação eficiente de dados clássicos em um estado quântico. Em aplicações práticas, o custo para carregar a informação clássica em um dispositivo quân- tico pode dominar o custo computacional assintótico do algoritmo. Foram propostos diversos métodos baseados em circuitos para codificar dados clássicos nas amplitudes de probabilidade de um estado quântico. Entretanto, esses métodos produzem circuitos com complexidade que cresce linearmente com o tamanho do dado, anulando o benefício da aplicação quântica. O objetivo principal deste trabalho é reduzir a complexidade computacional dos circuitos para a inicialização de estados quânticos. As duas estratégias utilizadas para alcançar tal objetivo exploram a troca de complexidade temporal por espacial ou a transferência de complexidade computacional para um computador clássico. A primeira estratégia reinterpreta métodos al- gébricos para a decomposição de estados quânticos como caminhadas ao longo de árvores binárias. A segunda investiga o grau de emaranhamento de bipartições do estado quântico através da decomposição de Schmidt. Os métodos baseados em árvore alcançam uma redução exponencial na profundidade dos circuitos, em comparação às abordagens existentes. Os base- ados na decomposição de Schmidt produzem circuitos de complexidade variável, proporcional ao emaranhamento do estado. A perspectiva é que o resultado desta tese auxilie os profissionais da computação quântica durante a era dos dispositivos ruidosos de escala intermediária.

•Sep 1, 2022•0 citations

Otimização em computadores quânticos: formulação QUBO para o problema CMO

Nicolas M. de Oliveira

A computação quântica é um paradigma computacional que tem motivado o aparecimento de diversas pesquisas que visam apresentar soluções para problemas, atualmente, considerados difíceis. O surgimento de algoritmos quânticos que operam mais rápido que seus análogos clássicos tem feito com que corporações como Google, NASA e IBM invistam nesse paradigma. Por isso, intensificou-se a busca por formulações alternativas para problemas, visando resolvê-los em um ambiente computacional quântico. Entre essas formulações, estão os trabalhos que abordam a resolução de problemas na computação quântica a partir de formulações QUBO (Quadratic Unconstrained Binary Optimization), um problema NP-difícil cujo princípio consiste em minimizar uma função quadrática. O formato QUBO é comumente utilizado na literatura quando da solução quântica de problemas de otimização e diversos autores têm recorrido à esta caracterização devido à sua aplicabilidade em uma considerável gama de problemas. Dessa forma, representar um dado problema como um problema QUBO implica diretamente que podemos executá-lo em um ambiente computacional quântico (genérico ou de propósito específico). O problema CMO (Contact Map Overlap) é definido como um problema de otimização combinatória NPdifícil que consiste na medida de semelhança entre pares de proteínas com base em seus respectivos mapas de contato. Em bioinformática, o estudo de problemas que buscam por funções similares entre estruturas biológicas, especialmente de proteínas, é um campo de grande interesse. Com isso, este trabalho de pesquisa aborda o problema CMO na conjectura da resolução dos problemas de otimização em computadores quânticos através da formulação QUBO dos mesmos. Além de fornecermos uma formulação QUBO para o problema de proteína CMO, resultados experimentais foram obtidos com o auxílio da ferramenta qbsolv e validaram esta abordagem como uma alternativa aos métodos clássicos existentes.

•Feb 22, 2018•0 citations

Resolução de Problemas de Seleção de Características com Algoritmos Quânticos em Dados Financeiros Reais

Lucas Queiroz Galvão, Otto Menegasso Pires, Yan Alef Chagas +2 more

O setor financeiro enfrenta desafios significativos ao lidar com conjuntos de dados de alta dimensionalidade e um número limitado de amostras, dificultando a construção de modelos preditivos robustos. Técnicas tradicionais de aprendizado de máquina ajudam a mitigar esses problemas, mas a presença de características irrelevantes e redundantes aumenta a complexidade computacional. Este artigo apresenta a aplicação de algoritmos quânticos na seleção de características usando dados reais do setor financeiro, demonstrando que esses algoritmos podem melhorar a eficiência e a precisão dos modelos preditivos. A abordagem envolve a formulação do problema em termos de Otimização Binária Quadrática Irrestrita (QUBO), e sua solução é implementada em simuladores de um annealer quântico. Os experimentos mostram resultados promissores, que são analisados adotando-se a métrica do Critério de Informação de Akaike. Os resultados sugerem que os algoritmos quânticos variacionais têm grande potencial de aplicação se comparados a técnicas tradicionais de seleção de características.

VETOR - Revista de Ciências Exatas e Engenharias•Dec 18, 2024•1 citation

RESOLVENDO O PROBLEMA DA MOCHILA CÚBICA COM MÉTODOS CLÁSSICOS E TECNOLOGIAS QUÂNTICAS

Thiago Alves de Queiroz, Manuel Iori, Alberto Locatelli +1 more

XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 1 1.Introdução A computação quântica está se tornando uma realidade palpável em comparação com o paradigma de computação clássico.Os recentes avanços em termos de hardware e software para esse novo paradigma de computação têm permitido cientistas realizarem suas pesquisas com o uso de tecnologia quântica.Dentro da pesquisa operacional, atenção tem sido dada aos problemas de otimização combinatória e, recentemente, aos algoritmos de otimização quânticos ou inspirados na computação quântica.Vários desses algoritmos estão sendo definidos para resolver problemas de otimização combinatória de forma mais eficiente se comparados aos algoritmos clássicos (ALBASH; LIDAR, 2018).Dentre os avanços na computação quântica, pode-se citar o recozimento quântico (quantum annealer -QA).Ele é uma tecnologia projetada para lidar com problemas de otimização.A ideia é encontrar o estado de menor energia do sistema, o que corresponde a uma solução ótima do problema.Um exemplo de QA é o sistema D-Wave Advantage, que possui mais de 5 mil bits quânticos (qubits) e tem um resolvedor que pode lidar com problemas de até 2 milhões de variáveis e 100 mil restrições (BOIXO et al., 2014).Por outro lado, um ponto fraco de QAs está no número de conexões entre os qubits e os ruídos que surgem da comunicação entre eles, o que na prática limita a sua aplicação na resolução de problemas reais (DU et al., 2025).Uma outra tecnologia é o recozimento digital (digital annealer -DA), que foi proposto pela Fujitsu Ltd e é inspirado em tecnologia quântica.Ele não se trata de um computador quântico, mas de um hardware dedicado construído com a convencional tecnologia CMOS (Complementary Metal-Oxide-Semiconductor), o que permite seu funcionamento em temperatura ambiente.Para encontrar soluções de problemas de otimização, ele executa um algoritmo similar a metaheurística recozimento simulado (simulated annealing) que, por sua vez, é baseada na analogia do recozimento térmico de sólidos para a obtenção de estados de baixa energia.Uma vantagem do DA em comparação a um QA é a sua performance, com capacidade para lidar com problemas grandes e reais (FUKUSHIMA-KIMURA et al., 2023).Neste artigo, o DA é aplicado para resolver o problema da mochila cúbica (PMC).O PMC é um problema de otimização combinatória não-linear e que pertence a classe NP-Difícil.Ele possui aplicação, por exemplo, em problemas da área logística, na satisfatibilidade de fórmulas booleanas, em leilões combinatórios e na seleção de portfólio (FORRESTER; WADDELL, 2022).O objetivo desta pesquisa é avaliar o desempenho do DA sobre uma modelagem baseada na otimização binária irrestrita de ordem superior (higher-order unconstrained binary optimization -HUBO).Para isso, experimentos computacionais são realizados com exemplares XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 2 de teste variando entre 40 e 100 itens e considerando diferentes densidades de coeficientes não nulos para a função objetivo do PMC.As soluções encontradas pelo DA são comparadas com aquelas obtidas por uma heurística gulosa e um modelo de programação linear inteira publicados recentemente na literatura especializada.Vale destacar que alguns desses resultados foram publicados em Queiroz et al. (2025).O presente artigo está organizado da seguinte forma.A Seção 2 contém o referencial teórico, com uma breve revisão da literatura sobre o problema da mochila e do uso do DA para resolver problemas de otimização.A Seção 3 apresenta a metodologia de pesquisa, incluindo a definição formal do PMC, o modelo cúbico a ser resolvido pelo DA, a heurística gulosa e o modelo de programação linear inteira.A Seção 4 discute os resultados computacionais, com uma tabela comparativa e análises referentes a performance de cada método de solução sobre os exemplares de teste.A Seção 5 traz as considerações finais. Referencial TeóricoEsta pesquisa contempla um problema de otimização combinatória, dentro da pesquisa operacional.Problemas de otimização combinatória possuem domínio finito, porém muito grande.O interesse está em soluções que maximizam uma certa função objetivo sujeita a diferentes restrições do problema sendo tratado (ARENALES et al., 2007).Para o modelo de computação clássica, esses problemas são computacionalmente difíceis, ou seja, estão na classe NP-Difícil.Isso significa que, até o presente momento, não se conhece algoritmos exatos de tempo polinomial para resolvê-los na otimalidade (GAREY; JOHNSON, 1979). Problema da mochilaProblemas empacotamento, como é o caso do problema da mochila, vêm sendo investigados há muito tempo por pesquisadores da área de pesquisa operacional (IORI et al., 2021).Dada a grande variedade desses problemas, existem características que permitem classificá-los.A tipologia mais recente foi proposta por Wäscher, Haussner e Schumann (2007).Ela parte de uma classificação anterior da literatura, introduzindo novas caraterísticas, sendo mais precisa e cobrindo um maior número de problemas.O problema da mochila possui um modelo matemático simples e aplicações em diversas áreas, além de aparecer como subproblema de outros problemas de otimização combinatória.A sua versão clássica é definida sobre um dado recipiente de capacidade de peso limitada e um conjunto de itens com valor e peso.O objetivo é escolher um subconjunto de itens de máximo valor cujo peso total respeite a capacidade de peso do recipiente.

Anais ... Encontro Nacional de Engenharia de Produção/Anais do Encontro Nacional de Engenharia de Produção•Nov 4, 2025•0 citations
Resumo: Como o título sugere, o foco desta pesquisa é o desenvolvimento de uma nova relaxação quadrática para problemas binários, sua formalização em resultados teóricos, e a aplicação dos novos conceitos em aplicações à confiabilidade de redes de energia elétrica, à segmentação de imagens médicas de nervos e à problemas de geometria de distâncias. Modelos matemáticos contendo va-riáveis de decisões binárias podem ser usados para encontrar as melhores soluções em processos de tomada de decisões, normalmente caracterizando problemas de otimização combinatória difíceis. A solução desses problemas em aplicações de interesse prático requer um grande esforço computacional; por isso, ao longo dos últimos anos, têm sido objeto de pesquisas na área de metaheurísticas. As ideias aqui desenvolvidas abrem novas perspectivas para a abordagem desses problemas apoiando-se em métodos de otimização não-lineares, área que vem sendo povoada por "solvers" muito eficientes. Inicialmente, explorando aspectos formais, a relaxação desenvolvida é parti-cularizada para um problema de otimização quadrática binária irrestrita. O relaxamento permite o desenvolvimento de três estruturas para abordar esta classe de problemas, e explora a convexidade da função objetivo para obter melhorias computacionais. Estudos de casos compararam o relaxamento proposto com os relaxamentos similares apresentados na literatura. Foram desenvolvidas três aplicações para os desenvolvimentos teóricos da pesquisa. A primeira aplicação envolve a melhoria da confiabilidade de redes de energia elétrica. Especificamente, aborda o problema de definir a melhor alternativa para a alocação de sensores na rede, o que permite reduzir os efeitos de ocorrências indesejáveis e ampliar a resiliência das redes. A segunda aplicação envolve o problema de segmentação de imagens médicas associadas a estruturas de nervos. A abordagem proposta interpreta o problema de segmentação como um problema de otimização binária, onde medir cada axônio significa encontrar um ciclo Hamiltoniano, um caso do problema do caixeiro viajante; a solução desses problemas fornece a estatística descritiva para um conjunto de axônios, incluindo o número (de axônios), os diâmetros e as áreas ocupadas. A última aplicação elabora um modelo matemático para o problema de geometria de distâncias sem designação, área ainda pouco estudada e com muitos aspectos em aberto. A relaxação desenvolvida na pesquisa permitiu resolver instâncias com mais de vinte mil variáveis binárias. Esses resultados são bons indicadores dos benefícios alcançáveis com os aspectos teóricos da pesquisa, e abrem novas perspectivas para as aplicações, que incluem inovações em nanotecnologia e bioengenharia
O Problema de Programação Quadrática Binária Irrestrita - PQ é um dos problemas clássicos na área de otimização não-linear cujo objetivo é otimizar uma função quadrática através da escolha de valores binários apropriados para as variáveis de decisão. Este trabalho propõe novas alternativas de decomposição Lagrangeana para obtenção de limitantes para o PQ. Os métodos propostos tratam uma versão linear inteira mista (PQL) do PQ que tem restrições representadas através de um grafo. Esse grafo é particionado em clusters de vértices formando um problema dual cuja solução é dada por um algoritmo de subgradiente. A cada iteração desse método, os subproblemas formados pelos subgrafos gerados são resolvidos pelo CPLEX. Experimentos computacionais tratam um conjunto de dados formado por diversas instâncias de difícil solução e diferentes características. Os resultados mostram a eficiência dos métodos propostos em relação a métodos tradicionais de relaxação Lagrangeana e outros métodos encontrados na literatura.
Investigamos os problemas de Otimização Pseudo-Booleana (PBO), Otimização Quadrática Binária Irrestrita (QUBO) e Programação Quadrática Booleana com Restrições de Limitantes Superiores Generalizados (BQP-GUB). Estes problemas pertencem 'a classe de complexidade computacional NP-difícil e têm sido estudados desde os anos 60. A busca por m'métodos para resolver esses problemas constitui um campo de pesquisa ativo, devido a situações reais que podem ser modeladas por meio deles. Em virtude de apelos práticos, pesquisadores têm mostrado grande interesse no desenvolvimento desses métodos. Com o intuito de contribuir de maneira significativa para esta área de pesquisa: (a) propomos um algoritmo exato para resolver os problemas PBO e QUBO; (b) projetamos um algoritmo de tempo polinomial para resolver classes de instâncias dos problemas PBO e QUBO; (c) desenvolvemos fórmulas para gerar limitantes para os valores de soluções ótimas para o problema QUBO; (d) criamos fórmulas para calcular rapidamente o valor da função objetivo do BQP-GUB; e (e) reformulamos problemas de otimização combinatória para a forma dos problemas QUBO e BQP-GUB.
A teoria dos algoritmos quânticos promete benefícios sem precedentes ao utilizar as leis da mecânica quântica para resolver certos problemas computacionais. Entretanto, alguns desafios impedem que tais vantagens se apliquem a todos os algoritmos quânticos. Entre esses desafios está o desenvolvimento de uma codificação eficiente de dados clássicos em um estado quântico. Em aplicações práticas, o custo para carregar a informação clássica em um dispositivo quân- tico pode dominar o custo computacional assintótico do algoritmo. Foram propostos diversos métodos baseados em circuitos para codificar dados clássicos nas amplitudes de probabilidade de um estado quântico. Entretanto, esses métodos produzem circuitos com complexidade que cresce linearmente com o tamanho do dado, anulando o benefício da aplicação quântica. O objetivo principal deste trabalho é reduzir a complexidade computacional dos circuitos para a inicialização de estados quânticos. As duas estratégias utilizadas para alcançar tal objetivo exploram a troca de complexidade temporal por espacial ou a transferência de complexidade computacional para um computador clássico. A primeira estratégia reinterpreta métodos al- gébricos para a decomposição de estados quânticos como caminhadas ao longo de árvores binárias. A segunda investiga o grau de emaranhamento de bipartições do estado quântico através da decomposição de Schmidt. Os métodos baseados em árvore alcançam uma redução exponencial na profundidade dos circuitos, em comparação às abordagens existentes. Os base- ados na decomposição de Schmidt produzem circuitos de complexidade variável, proporcional ao emaranhamento do estado. A perspectiva é que o resultado desta tese auxilie os profissionais da computação quântica durante a era dos dispositivos ruidosos de escala intermediária.
A computação quântica é um paradigma computacional que tem motivado o aparecimento de diversas pesquisas que visam apresentar soluções para problemas, atualmente, considerados difíceis. O surgimento de algoritmos quânticos que operam mais rápido que seus análogos clássicos tem feito com que corporações como Google, NASA e IBM invistam nesse paradigma. Por isso, intensificou-se a busca por formulações alternativas para problemas, visando resolvê-los em um ambiente computacional quântico. Entre essas formulações, estão os trabalhos que abordam a resolução de problemas na computação quântica a partir de formulações QUBO (Quadratic Unconstrained Binary Optimization), um problema NP-difícil cujo princípio consiste em minimizar uma função quadrática. O formato QUBO é comumente utilizado na literatura quando da solução quântica de problemas de otimização e diversos autores têm recorrido à esta caracterização devido à sua aplicabilidade em uma considerável gama de problemas. Dessa forma, representar um dado problema como um problema QUBO implica diretamente que podemos executá-lo em um ambiente computacional quântico (genérico ou de propósito específico). O problema CMO (Contact Map Overlap) é definido como um problema de otimização combinatória NPdifícil que consiste na medida de semelhança entre pares de proteínas com base em seus respectivos mapas de contato. Em bioinformática, o estudo de problemas que buscam por funções similares entre estruturas biológicas, especialmente de proteínas, é um campo de grande interesse. Com isso, este trabalho de pesquisa aborda o problema CMO na conjectura da resolução dos problemas de otimização em computadores quânticos através da formulação QUBO dos mesmos. Além de fornecermos uma formulação QUBO para o problema de proteína CMO, resultados experimentais foram obtidos com o auxílio da ferramenta qbsolv e validaram esta abordagem como uma alternativa aos métodos clássicos existentes.
O setor financeiro enfrenta desafios significativos ao lidar com conjuntos de dados de alta dimensionalidade e um número limitado de amostras, dificultando a construção de modelos preditivos robustos. Técnicas tradicionais de aprendizado de máquina ajudam a mitigar esses problemas, mas a presença de características irrelevantes e redundantes aumenta a complexidade computacional. Este artigo apresenta a aplicação de algoritmos quânticos na seleção de características usando dados reais do setor financeiro, demonstrando que esses algoritmos podem melhorar a eficiência e a precisão dos modelos preditivos. A abordagem envolve a formulação do problema em termos de Otimização Binária Quadrática Irrestrita (QUBO), e sua solução é implementada em simuladores de um annealer quântico. Os experimentos mostram resultados promissores, que são analisados adotando-se a métrica do Critério de Informação de Akaike. Os resultados sugerem que os algoritmos quânticos variacionais têm grande potencial de aplicação se comparados a técnicas tradicionais de seleção de características.
XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 1 1.Introdução A computação quântica está se tornando uma realidade palpável em comparação com o paradigma de computação clássico.Os recentes avanços em termos de hardware e software para esse novo paradigma de computação têm permitido cientistas realizarem suas pesquisas com o uso de tecnologia quântica.Dentro da pesquisa operacional, atenção tem sido dada aos problemas de otimização combinatória e, recentemente, aos algoritmos de otimização quânticos ou inspirados na computação quântica.Vários desses algoritmos estão sendo definidos para resolver problemas de otimização combinatória de forma mais eficiente se comparados aos algoritmos clássicos (ALBASH; LIDAR, 2018).Dentre os avanços na computação quântica, pode-se citar o recozimento quântico (quantum annealer -QA).Ele é uma tecnologia projetada para lidar com problemas de otimização.A ideia é encontrar o estado de menor energia do sistema, o que corresponde a uma solução ótima do problema.Um exemplo de QA é o sistema D-Wave Advantage, que possui mais de 5 mil bits quânticos (qubits) e tem um resolvedor que pode lidar com problemas de até 2 milhões de variáveis e 100 mil restrições (BOIXO et al., 2014).Por outro lado, um ponto fraco de QAs está no número de conexões entre os qubits e os ruídos que surgem da comunicação entre eles, o que na prática limita a sua aplicação na resolução de problemas reais (DU et al., 2025).Uma outra tecnologia é o recozimento digital (digital annealer -DA), que foi proposto pela Fujitsu Ltd e é inspirado em tecnologia quântica.Ele não se trata de um computador quântico, mas de um hardware dedicado construído com a convencional tecnologia CMOS (Complementary Metal-Oxide-Semiconductor), o que permite seu funcionamento em temperatura ambiente.Para encontrar soluções de problemas de otimização, ele executa um algoritmo similar a metaheurística recozimento simulado (simulated annealing) que, por sua vez, é baseada na analogia do recozimento térmico de sólidos para a obtenção de estados de baixa energia.Uma vantagem do DA em comparação a um QA é a sua performance, com capacidade para lidar com problemas grandes e reais (FUKUSHIMA-KIMURA et al., 2023).Neste artigo, o DA é aplicado para resolver o problema da mochila cúbica (PMC).O PMC é um problema de otimização combinatória não-linear e que pertence a classe NP-Difícil.Ele possui aplicação, por exemplo, em problemas da área logística, na satisfatibilidade de fórmulas booleanas, em leilões combinatórios e na seleção de portfólio (FORRESTER; WADDELL, 2022).O objetivo desta pesquisa é avaliar o desempenho do DA sobre uma modelagem baseada na otimização binária irrestrita de ordem superior (higher-order unconstrained binary optimization -HUBO).Para isso, experimentos computacionais são realizados com exemplares XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 2 de teste variando entre 40 e 100 itens e considerando diferentes densidades de coeficientes não nulos para a função objetivo do PMC.As soluções encontradas pelo DA são comparadas com aquelas obtidas por uma heurística gulosa e um modelo de programação linear inteira publicados recentemente na literatura especializada.Vale destacar que alguns desses resultados foram publicados em Queiroz et al. (2025).O presente artigo está organizado da seguinte forma.A Seção 2 contém o referencial teórico, com uma breve revisão da literatura sobre o problema da mochila e do uso do DA para resolver problemas de otimização.A Seção 3 apresenta a metodologia de pesquisa, incluindo a definição formal do PMC, o modelo cúbico a ser resolvido pelo DA, a heurística gulosa e o modelo de programação linear inteira.A Seção 4 discute os resultados computacionais, com uma tabela comparativa e análises referentes a performance de cada método de solução sobre os exemplares de teste.A Seção 5 traz as considerações finais. Referencial TeóricoEsta pesquisa contempla um problema de otimização combinatória, dentro da pesquisa operacional.Problemas de otimização combinatória possuem domínio finito, porém muito grande.O interesse está em soluções que maximizam uma certa função objetivo sujeita a diferentes restrições do problema sendo tratado (ARENALES et al., 2007).Para o modelo de computação clássica, esses problemas são computacionalmente difíceis, ou seja, estão na classe NP-Difícil.Isso significa que, até o presente momento, não se conhece algoritmos exatos de tempo polinomial para resolvê-los na otimalidade (GAREY; JOHNSON, 1979). Problema da mochilaProblemas empacotamento, como é o caso do problema da mochila, vêm sendo investigados há muito tempo por pesquisadores da área de pesquisa operacional (IORI et al., 2021).Dada a grande variedade desses problemas, existem características que permitem classificá-los.A tipologia mais recente foi proposta por Wäscher, Haussner e Schumann (2007).Ela parte de uma classificação anterior da literatura, introduzindo novas caraterísticas, sendo mais precisa e cobrindo um maior número de problemas.O problema da mochila possui um modelo matemático simples e aplicações em diversas áreas, além de aparecer como subproblema de outros problemas de otimização combinatória.A sua versão clássica é definida sobre um dado recipiente de capacidade de peso limitada e um conjunto de itens com valor e peso.O objetivo é escolher um subconjunto de itens de máximo valor cujo peso total respeite a capacidade de peso do recipiente.