Quantum Optimization Benchmarking Library (QOBLIB)

一个全面的量子优化方法基准测试套件，包含十个具有实际应用价值的挑战性问题类别。这些问题类别在目标类型、变量类型、系数范围和密度等方面各不相同，但对于现有经典算法来说，在约100到10,000个决策变量的系统规模下已经具有挑战性。该仓库包含不同复杂度的问题实例、示例模型描述、解决方案记录以及检查解决方案可行性的参考或显式功能。A comprehensive benchmark suite for quantum optimization methods encompasses ten challenging problem categories with practical real-world applications. These categories vary in objective types, variable types, coefficient ranges, problem densities and other relevant characteristics, yet they pose substantial challenges to state-of-the-art classical algorithms when scaled to systems with 100 to 10,000 decision variables. This repository houses problem instances of varying complexities, sample model descriptions, solution records, as well as reference or explicit functions for verifying solution feasibility.

原始信息汇总

Quantum Optimization Benchmarking Library (QOBLIB) 数据集概述

数据集基本信息

• 数据集名称：Quantum Optimization Benchmarking Library (QOBLIB)
• 核心目标：为量子优化方法提供公平、可比较且有意义的基准测试。
• 主要特点：包含十个对现有经典算法具有挑战性且大多能与实际应用相关联的优化问题类别。

问题类别与描述

数据集包含以下十个优化问题类别：

编号	问题类别名称	简要描述	详情链接
01	Market Split	多维子集和问题	Details
02	LABS	低自相关二进制序列问题	Details
03	Minimum Birkhoff Decomposition	双随机矩阵分解问题	Details
04	Steiner Tree Packing	VLSI设计/布线问题	Details
05	Sports Tournament Scheduling	约束满足问题	Details
06	Portfolio Optimization	带交易成本和卖空的多周期投资组合优化	Details
07	Maximum Independent Set	无权最大独立集问题	Details
08	Network Design	电信网络规划问题	Details
09	Vehicle Routing	带时间窗口和背包约束的车辆路径问题	Details
10	Topology Design	图高尔夫/节点度直径问题	Details

数据集内容与结构

核心内容

• 问题实例：包含不同复杂度（约100至10,000个决策变量）的问题实例。
• 模型描述：提供标准格式的模型描述。
• 解决方案记录：提供已知最优/最佳解决方案及其目标值。
• 验证工具：包含检查解决方案可行性的程序。

仓库目录结构

每个问题类别目录均遵循以下标准化结构：

XX-problemname/ ├── check/ # 解决方案验证程序 ├── info/ # 背景材料和论文 ├── instances/ # 多种格式的问题实例 ├── misc/ # 实用脚本和工具 ├── models/ # 数学模型表述（LP、QUBO等） ├── solutions/ # 已知最优/最佳解决方案 └── submissions/ # 社区提交的解决方案

技术细节

• 问题复杂性：所有问题类别在中等系统规模下对成熟的经典方法均具有挑战性，其目标类型、变量类型、系数范围和密度各不相同。
• 相关论文：Quantum Optimization Benchmark Library: The Intractable Decathlon

许可信息

本项目采用双重许可：

内容类型	许可证	描述
代码	Apache 2.0	所有脚本、程序和软件
数据	CC BY 4.0	问题实例和原始数据

引用方式

若在研究中使用QOBLIB，请引用： bibtex @misc{ koch2025quantumoptimizationbenchmarkinglibrary, title={Quantum Optimization Benchmarking Library - The Intractable Decathlon}, author={Thorsten Koch and David E. Bernal Neira and Ying Chen and Giorgio Cortiana and Daniel J. Egger and Raoul Heese and Narendra N. Hegade and Alejandro Gomez Cadavid and Rhea Huang and Toshinari Itoko and Thomas Kleinert and Pedro Maciel Xavier and Naeimeh Mohseni and Jhon A. Montanez-Barrera and Koji Nakano and Giacomo Nannicini and Corey OMeara and Justin Pauckert and Manuel Proissl and Anurag Ramesh and Maximilian Schicker and Noriaki Shimada and Mitsuharu Takeori and Victor Valls and David Van Bulck and Stefan Woerner and Christa Zoufal}, year={2025}, eprint={2504.03832}, archivePrefix={arXiv}, primaryClass={quant-ph}, url={https://arxiv.org/abs/2504.03832}, }

搜集汇总

数据集介绍

构建方式

在量子计算领域，评估优化算法的性能需要严谨且标准化的基准测试集。量子优化基准库（QOBLIB）的构建过程体现了这一理念，其核心在于精心挑选了十个对经典算法构成挑战的优化问题类别。这些类别涵盖了从市场分割、低自相关二进制序列到投资组合优化、车辆路径规划等多个具有实际应用背景的领域。每个问题类别都提供了从约100到10,000个决策变量不等的实例，这些实例以多种标准格式（如LP、QUBO）存储，并附有数学模型描述、已知最优解或最佳可行解记录，以及用于验证解可行性的工具。整个库的结构经过标准化设计，确保每个问题类别的目录都包含实例、模型、解决方案和验证程序等模块，为公平比较不同量子优化方法奠定了坚实基础。

特点

作为量子优化领域的基准测试套件，QOBLIB的显著特点在于其问题集的多样性与挑战性。该库汇集了十个性质各异的问题类别，它们在目标函数类型、变量类型、系数范围和问题密度上均有所不同，但共同点是均在中等规模（约100至10,000变量）下对现有经典算法构成显著困难。这些问题大多与现实应用紧密相连，如超大规模集成电路设计、电信网络规划和金融投资组合优化，使得基准测试不仅关注理论复杂度，也兼顾了实际意义。库内提供了详细的解决方案追踪记录和验证工具，确保了评估过程的可靠性与可重复性。其双重许可模式（代码采用Apache 2.0，数据采用CC BY 4.0）也促进了学术与开源社区的广泛使用与合作。

使用方法

研究人员或开发者若希望利用QOBLIB评估其量子优化算法，可以遵循一套清晰的使用流程。首先，用户需根据研究兴趣导航至特定的问题类别目录，例如`01-marketsplit`，查阅其专属的README文件以了解实例格式细节。随后，可在`instances/`文件夹中浏览不同复杂度的实例文件，并在`solutions/`文件夹中参考已知的最优解或最佳可行解。为了验证算法所得解的正确性，每个问题类别的`check/`目录下都提供了专门的验证程序。用户运行这些程序即可确认解的可行性。此外，库内还包含`models/`文件夹，提供了问题的数学表述，有助于理解问题本质并将其适配到特定的量子硬件或算法框架上。社区贡献的解决方案则可提交至`submissions/`文件夹，遵循项目贡献指南以促进知识共享。

背景与挑战

背景概述

量子优化基准测试库（QOBLIB）由IBM Quantum及其合作伙伴于2023年7月发起的量子优化工作组创建，并于2025年通过预印本论文正式发布。该数据集旨在为量子优化方法提供公平、可比较且具有实际意义的基准测试套件，其核心研究问题聚焦于评估量子算法在解决经典计算中难以处理的组合优化问题上的性能。数据集涵盖了市场分割、低自相关二进制序列、最小伯克霍夫分解等十个具有实际应用背景的优化问题类别，这些问题在决策变量规模达到100至10,000时已对现有经典算法构成显著挑战。QOBLIB的建立为量子计算与优化领域的交叉研究提供了标准化评估框架，推动了量子硬件在解决复杂优化问题方面的实用化进程。

当前挑战

QOBLIB所针对的领域挑战在于，当前量子优化算法缺乏统一且严谨的基准测试标准，难以客观衡量其在解决实际复杂优化问题上的优势与局限。具体而言，该数据集旨在应对如何设计既能体现量子计算潜力、又与传统经典难题衔接的基准问题，以及如何确保问题实例在变量类型、系数范围和密度上的多样性以全面评估算法鲁棒性。在构建过程中，挑战主要集中于问题类别的选取与实例生成，需平衡理论难度与实际应用相关性，同时为每个问题提供可验证的解决方案与标准化模型描述，以确保基准测试的复现性与公平性。

常用场景

经典使用场景

在量子计算领域，评估优化算法的性能需要严谨的基准测试。Quantum Optimization Benchmarking Library (QOBLIB) 为此提供了经典的使用场景：研究人员利用其包含的十个优化问题类别，如市场分割、投资组合优化和车辆路径规划等，系统性地测试量子优化方法的求解能力。这些问题在决策变量规模达到数百至数万时，对传统经典算法已构成显著挑战，从而成为衡量量子算法在复杂优化任务中是否具备优势的关键试金石。

实际应用

QOBLIB 的设计紧密联系实际应用，其问题类别直接源于工业与工程领域的核心挑战。例如，网络设计问题对应着电信基础设施规划，Steiner树封装问题关联超大规模集成电路的布线优化，而投资组合优化则服务于金融风险管理。通过将这些具有明确应用背景的难题转化为可计算的基准实例，该数据集不仅服务于算法研究，也为探索量子计算在物流、芯片设计、金融等行业的早期落地场景提供了宝贵的测试平台。

衍生相关工作

围绕 QOBLIB 数据集，已衍生出一系列经典的学术工作。研究团队利用其基准测试了基于量子退火、量子近似优化算法以及变分量子本征求解器等不同范式的性能。这些工作系统地比较了量子方法与先进经典启发式算法在求解难度、精度和资源消耗上的差异。相关成果发表在量子计算与优化领域的顶级会议上，推动了硬件感知算法设计、混合量子-经典计算框架以及针对特定问题结构的量子编码方案等方向的发展。