Análisis comparativo de QAOA mediante la formulación Tensor QUDO para una variante del TSP aplicable a motores de búsqueda de viajes
Palabras clave:
problema del viajante de comercio, QAOA, QUDO, optimizaciónResumen
El Problema del Viajante de Comercio (TSP por sus siglas en inglés) constituye un problema de optimización combinatoria fundamental con amplias aplicaciones en logística, diseño de transporte y planificación de la producción. Sin embargo, los mejores algoritmos clásicos exactos conocidos presentan complejidad temporal exponencial, lo que vuelve intratables en la práctica a las instancias de gran tamaño y motiva la exploración de paradigmas alternativos como la computación cuántica. En este trabajo, implementamos la formulación QUBO y su generalización, Tensor Quadratic Unconstrained D-ary Optimisation (T-QUDO), que extiende la codificación en circuitos cuánticos de qubits a qudits, para una variante del TSP. Esta variante busca determinar una ruta de costo mínimo incorporando funciones de costo dependientes del tiempo y restricciones de precedencia, y permanece en gran medida inexplorada con T-QUDO a pesar de su relevancia en la planificación dinámica de viajes. Las formulaciones se codifican dentro del algoritmo QAOA y se analizan mediante simulaciones sin ruido utilizando las librerías Cirq y CUDA-Q, con el objetivo de evaluar las posibles ventajas de las representaciones basadas en qudits frente a las basadas en qubits, particularmente en términos de expresividad, eficiencia de recursos y calidad de solución.
Descargas
Referencias
Applegate, D. L., Bixby, R. E., Chvátal, V., & Cook, W. J. (2007). The traveling salesman problem: A computational study. Princeton University Press.
Ausiello, G., Crescenzi, P., Gambosi, G., Kann, V., Marchetti-Spaccamela, A., & Protasi, M. (1999). Complexity and approximation: Combinatorial optimization problems and their approximability properties. Springer.
Bhat, S. S., Wang, P., West, J., & Parampalli, U. (2026). Encoding matters: Benchmarking binary and D-ary representations for quantum combinatorial optimization.
Bucher, D., Kraus, N., Blenninger, J., Lachner, M., Stein, J., & Linnhoff-Popien, C. (2024). Towards robust benchmarking of quantum optimization algorithms. 2024 IEEE International Conference on Quantum Computing and Engineering (QCE), 159–170.
Bucher, D., Stein, J., Feld, S., & Linnhoff-Popien, C. (2025). Penalty-free approach to accelerating constrained quantum optimization. Physical Review A, 112 (6), 062605. https://doi.org/10.1103/PhysRevA.112.062605
Deller, Y., Schmitt, S., Lewenstein, M., Lenk, S., Federer, M., Jendrzejewski, F., Hauke, P., & Kasper, V. (2023). Quantum approximate optimization algorithm for qudit systems. Physical Review A, 107 (6), 062410.
Du, D.-Z., & Pardalos, P. M. (Eds.). (1998). Handbook of combinatorial optimization. Springer.
El-Sherbeny, N. A. (2010). Vehicle routing with time windows: An overview of exact, heuristic and metaheuristic methods. Journal of King Saud University - Science, 22 (3), 123–131.
Farhi, E., Goldstone, J., & Gutmann, S. (2014). A quantum approximate optimization algorithm.
Glover, F., Kochenberger, G., Hennig, R., & Du, Y. (2022). Quantum bridge analytics i: A tutorial on formulating and using QUBO models. Annals of Operations Research, 314 (1), 141–183.
Gutin, G., & Punnen, A. P. (Eds.). (2002). The traveling salesman problem and its variations (Vol. 12). Springer. https://doi.org/10.1007/b101971
Henderson, S. G., & Nelson, B. L. (Eds.). (2006). Simulation (Vol. 13). Elsevier.
Lucas, A. (2014). Ising formulations of many NP problems. Frontiers in Physics, 2, 5.
Mata Ali, A. (2025). Introduction to QUDO, tensor QUDO and HOBO formulations: Qudits, equivalences, knapsack problem, traveling salesman problem and combinatorial games.
Picariello, F., Turati, G., Antonelli, R., Bailo, I., Bonura, S., Ciarfaglia, G., Cipolla, S., Cremonesi, P., Dacrema, M. F., Gabusi, M., et al. (2025). Quantum approaches to urban logistics: From core QAOA to clustered scalability.
Qian, W., Basili, R. A. M., Eshaghian-Wilner, M. M., Khokhar, A., Luecke, G., & Vary, J. P. (2023). Comparative study of variations in quantum approximate optimization algorithms for the traveling salesman problem. Entropy, 25 (8), 1238.
Ramezani, M., Salami, S., Shokhmkar, M., Moradi, M., & Bahrampour, A. (2024). Reducing the number of qubits from n 2 to n log2 (n) to solve the traveling salesman problem with quantum computers: A proposal for demonstrating quantum supremacy in the NISQ era.
Ruan, Y., Marsh, S., Xue, X., Liu, Z., & Wang, J. (2020). The quantum approximate algorithm for solving traveling salesman problem. Computers, Materials & Continua, 63 (3), 1237–1247.
Sack, S. H., & Serbyn, M. (2021). Quantum annealing initialization of the quantum approximate optimization algorithm. Quantum, 5, 491.
Salehi, Ö., Glos, A., & Miszczak, J. A. (2022). Unconstrained binary models of the travelling salesman problem variants for quantum optimization. Quantum Information Processing, 21 (2), 67.
Shuvalov, G. V., Krivtsova, E. N., Remnev, M. A., & Kapranov, A. V. (2025). Solving the traveling salesman problem using quantum devices: QUBO and HOBO formulations. Russian Microelectronics, 54 (8), 1553–1562.
Vargas-Calderón, V., Parra-A., N., Vinck-Posada, H., & González, F. A. (2021). Many-qudit representation for the travelling salesman problem optimisation. Journal of the Physical Society of Japan, 90 (11), 114002.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alejandro Mata Ali, Adriano Lusso, Elías F. Combarro, Javier Sedano, Álvaro Herrero

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.














