GNN-Guided Graph Coarsening and Adaptive QUBO Penalties for the Capacitated Vehicle Routing Problem with Time Windows on a Quantum Annealer
研究人员在 D-Wave Advantage2 量子退火器上利用图神经网络（GNN）引导的图粗化与自适应 QUBO 惩罚，解决了带时间窗的车辆路径问题（CVRPTW）。针对 Solomon 基准测试，该方法通过 GNN 统一配置替代手工调优合并评分，在 N=10 时实现所有 Solomon 族 100% 可行性（R 型从 80% 提升至 100%），且在 N=80、100 时显著优于传统启发式算法。同时，通过自适应惩罚校准及约束处理，将原始约束违规均值从 33.0 降至 0.06，并验证了硬件实验中的条件效应，使可行样本率从 0.02% 增至 39%，且生成的 QUBO 规模约为传统方法的 5-6 倍。