盖世汽车讯 据外媒报道，弗劳恩霍夫IOSB-AST研究所（Fraunhofer IOSB-AST）与本田欧洲研究所（Honda Research Institute Europe GmbH）的研究人员开发出一种量子-经典混合框架，旨在优化电动汽车（EV）的充电与行程分配。该研究针对的是一个计算难度极高的问题——即充电与行程的联合调度（属于NP-hard问题）。

图片来源：ArXiv

研究团队引入了基于逻辑的“冲突割”（conflict cuts）方法，该方法仅需极少量的辅助量子比特（接近于零），即可有效降低计算负载。此外，通过采用一种稀疏递归的荷电状态（State-of-Charge）表述方式，研究进一步提升了计算效率——将约束矩阵的密度降低了约 T/3 倍（其中 T 代表规划时域的长度）。该团队还在IBM量子硬件上对一个小规模算例进行了端到端的运行验证。

面向电动汽车车队的双向V2G集成

这种约束密度的降低，直接应对了双向“车到电网”（V2G）集成中的一个关键挑战：在对非单调的荷电状态（SoC）动态进行建模时，传统的优化方法往往难以应对其带来的高额计算需求。与简化了电池限制评估的单向充电不同，双向放电要求在每个时间步长内设置密集的约束条件，从而显著增加了计算复杂度。该架构通过“主问题”（负责探索行程分配）与“子问题”（负责评估可行性及成本）之间的迭代求解来不断优化方案，并通过在两者间传递“割平面”（cutting planes）来提升计算精度。

该团队的创新之处在于引入了基于逻辑的“冲突割”（conflict cuts），旨在最大限度地减少在量子优化问题中编码“可行性割”（feasibility cuts）时通常所需的量子比特开销。这些“冲突割”使得QUBO（二次无约束二值优化）编码所需的量子比特数接近于零，这对于实现量子技术的实际应用迈出了重要一步。

能够在现有量子硬件上运行（即便只是针对有限规模的实例），表明了未来有望开发出更高效、更具可扩展性的解决方案，从而更好地管理日益复杂的电动汽车（EV）车队——这些车队可被视为分布式能源资源。研究人员指出，这项工作是首个应用于电动汽车双向充电与车队调度联合优化的混合量子-经典框架。

基于逻辑割平面的混合Benders分解法

通过一种针对电动汽车（EV）充电优化的创新方法，计算复杂度得以降低，约束矩阵的密度随之减少了约 T/3（其中 T 代表规划时段的长度）。这种效率提升源于一种稀疏递归的荷电状态（SoC）表述方式；该表述包含于一套全新的“量子-经典混合”框架之中，旨在解决电动汽车充电调度与行程分配协同优化所带来的挑战。该框架结合了经典计算与量子计算各自的优势，从而攻克了这一本质上极具难度的优化难题（该问题属于NP-hard问题）。

在优化问题中常用的标准“基于对偶的Benders割”（dual-based Benders cuts），会因荷电状态（SoC）动态的非单调性而效力减弱；这种非单调性源于双向功率流动——即电动汽车既能从电网获取电能，也能向电网回馈电能。而“基于逻辑的割”（logic-based cuts）则规避了这一问题，能够更高效地表述可行性约束。

该团队所采用的方法基于经典的Benders分解技术，即将大规模优化问题拆解为更小、更易于处理的子问题。当所提解可行时，其对偶变量会生成一个“最优性割”（optimality cut）；若解不可行，则会推导出“可行性割”（feasibility cut），以防止算法再次尝试该解。研究人员提出的“基于逻辑的割”优化了这一过程，在提升计算速度的同时，也提高了求解的准确性。

递归式荷电状态（SoC）表述可降低约束密度。这种约束密度的降低，源于对SoC边界处理方式的重新构建，从而减轻了大规模电动汽车（EV）车队优化问题中的计算负担。传统方法所生成的约束矩阵，其密度通常与时间跨度 $T$ 的平方成正比；而这种新方法则显著降低了这一复杂性。这种提升后的稀疏性，直接解决了电动汽车充电调度与行程分配联合优化问题中的一个关键瓶颈——众所周知，该问题属于NP-难（NP-hard）问题。

该框架通过递归定义二阶锥（SoC）约束，限制了约束矩阵中非零元素的数量，从而实现了这种精简。这一点至关重要，因为二阶锥约束构成了整个模型中最稠密的部分，直接影响着内存占用和计算耗时。除了递归式的二阶锥表述外，研究团队还引入了基于逻辑的“冲突割”（conflict cuts），旨在最大限度地减少混合算法中量子部分的量子比特开销。这些“冲突割”几乎不需要额外的辅助量子比特。

该框架的高效性源于其优先最小化辅助量子比特使用量的设计理念——这是扩展量子优化算法规模的关键因素。在基准测试实例中，该框架能够在仅使用少量辅助量子比特的情况下，求得混合整数线性规划（MILP）的最优解；此外，研究团队还在IBM量子硬件上完整运行了一个小规模实例。

行程分配与充电的联合优化

这一改进源于研究团队对电池状态的建模方式，它减少了在数学表达该问题时所需的非零元素数量。具体而言，该模型将“行程”视为从出发时刻起便已存在；在全部 R 次行程中，这平均贡献了 R(T + 1)/2 个非零元素。此外，在时间跨度的末端，还增加了一行，其中包含 T 个与充电相关的非零元素和 R 个与行程分配相关的非零元素。

与需要大量量子比特资源、导致实际应用困难的传统方法相比，该方案具有显著优势。该团队的研究建立在先前对 d 能级量子数（qudit）系统的探索之上，进一步优化了电动汽车充电问题在量子计算中的编码方式。此前，该团队曾在较小规模的算例上对量子近似优化算法（QAOA）进行了基准测试，随后又通过研究量子数系统来提升编码效率，从而为当前的工作奠定了基础。

在 IBM 量子硬件上的框架验证

该方案旨在解决双向功率流建模中的一个关键挑战——双向功率流会引入非单调动态特性，这往往会使标准优化技术变得复杂。研究团队所采用的算法在量子硬件上迭代求解“主问题”以生成候选解，随后在经典计算机上求解“子问题”，从而对解进行精化并识别冲突。若子问题无可行解，系统便会向主问题中加入“冲突割”（conflict cuts），以此引导优化过程。

通过将该框架的计算结果与混合整数线性规划（MILP）方法所得结果进行对比，研究团队验证了该框架在辅助量子比特资源有限的情况下，仍能求得最优解的能力。研究团队认为，这一方法为解决大规模双向电动汽车（EV）充电及行程分配问题提供了一条可行路径。