KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-20
Distributionelles Lifting für diskrete Optimierung
Originaltitel: Distributional Lifting for Discrete Optimization
Das Paper schlägt ein Framework vor, das diskrete Optimierung in kontinuierliche Optimierung über parametrisierte Wahrscheinlichkeitsverteilungen überführt. Es zeigt, dass mehrere separat entwickelte Methoden, darunter die Cross-Entropy-Methode und der Quantum Approximate Optimization Algorithm, diese verteilungsbasierte Struktur teilen. Vorgestellt wird ein einheitlicher Algorithmus auf Basis von Batch-Sampling und stochastischen Gradienten-Updates, der auf drei Fallstudien angewandt wird: mehrdimensionales Rucksackproblem, dreidimensionale Zuordnung und ein stochastisches gemischt-ganzzahliges Standort-Zuordnungsproblem.