3. 经典优化器基础

在混合量子经典优化工作流中，量子处理器负责制备参数化量子态并测量期望值，经典优化器则负责根据测量结果更新参数。理解经典优化器的适用边界，直接决定了整个工作流能否在有限采样预算内收敛到可用解。本节从参数更新所依赖的信息类型出发，梳理四类经典优化器的核心机制与适用条件。

梯度下降：依赖可微性与梯度估计质量

梯度下降的核心是沿目标函数负梯度方向更新参数：θ_{k+1} = θ_k - η ∇C(θ_k)，其中 η 为学习率。在量子变分算法中，梯度通常不能解析获得，而需通过参数移位规则估计。对形如 U(θ) = ∏ exp(-i θ_j P_j / 2) 的量子门，若目标函数为 C(θ) = ⟨ψ(θ)|H|ψ(θ)⟩，则偏导数可写为：

∂C/∂θ_j = [C(θ_j + π/2) - C(θ_j - π/2)] / 2

这意味着每个参数需要两次额外电路评估。若参数规模为 n，单次梯度估计的采样成本约为 2n 次期望值测量。梯度下降适合参数维度中等、目标函数局部光滑、且测量噪声可控的场景。当学习率过大时，参数更新会越过极小值导致震荡；过小时则收敛缓慢。实践中常配合自适应学习率（如 Adam）缓解这一问题。

无梯度方法：仅依赖函数值的搜索

无梯度方法不估计梯度，仅利用目标函数值进行搜索。典型代表包括 Nelder-Mead 单纯形法、Powell 方向集法和 COBYLA（约束优化线性近似）。以 Nelder-Mead 为例，它在 n 维参数空间中维护 n+1 个顶点构成的单纯形，通过反射、扩张、收缩和压缩操作逐步逼近极小值。每次迭代只需比较各顶点的函数值，不需要额外电路评估梯度。

这类方法适合参数维度较低（通常 n ≤ 20）、目标函数不可微或梯度噪声极大的场景。其代价是收敛速度通常慢于梯度法，且在高维空间中单纯形容易退化。COBYLA 支持不等式约束，适合带参数边界或资源约束的变分问题。

进化策略：面向非凸与离散参数空间

进化策略（Evolution Strategies, ES）维护一组候选参数（种群），通过变异、交叉和选择迭代更新。以 (μ, λ)-ES 为例，每代从 μ 个父代生成 λ 个子代，子代参数由父代参数加高斯扰动得到：θ' = θ + σ N(0, I)，再根据目标函数值选择最优的 μ 个作为下一代父代。

进化策略的优势在于不依赖梯度、天然支持并行评估、对非凸和多峰目标函数有较强全局搜索能力。在量子优化中，它适合参数维度中等、目标函数存在多个局部极小、且量子处理器可并行执行多个电路评估的场景。其代价是样本效率较低，通常需要数千到数万次函数评估。若将种群规模设为 λ，每代评估次数即为 λ，总评估次数约为 λ × 代数。

贝叶斯优化：小样本下的全局优化

贝叶斯优化通过代理模型（通常是高斯过程）建模目标函数，并利用采集函数（如 Expected Improvement、Upper Confidence Bound）平衡探索与利用。其核心流程为：

1. 在已评估点上拟合高斯过程，得到目标函数的后验分布；
2. 最大化采集函数，选择下一个评估点；
3. 评估该点，更新数据集，重复上述过程。

贝叶斯优化适合评估代价极高、参数维度较低（通常 n ≤ 15）、且总评估预算有限（如几十到几百次）的场景。在量子优化中，当每次电路执行需要大量采样、或量子硬件访问时间受限时，贝叶斯优化能以较少评估次数找到较优参数。其局限在于高斯过程的计算复杂度随样本数立方增长，且对高维参数空间扩展性差。

四类优化器的适用边界对比

下表从梯度依赖、参数维度、样本效率、并行能力和典型适用场景五个维度进行对比，帮助在实际工作流中快速选择。

选择优化器时，应先判断目标函数是否可微、梯度估计是否可靠，再评估参数维度和可用评估预算。若梯度可靠且维度较高，优先梯度下降；若梯度不可靠但维度低，可选无梯度方法或贝叶斯优化；若目标非凸且可并行评估，进化策略更合适。实际工作流中也可采用混合策略，例如先用贝叶斯优化进行全局粗搜，再用梯度下降进行局部精调。

需要强调的是，上述边界并非绝对。参数维度、噪声水平、电路深度和硬件连通性都会影响实际表现。在混合量子经典工作流中，建议先用小规模数值实验对比两到三种优化器在相同采样预算下的收敛曲线，再根据实测结果确定最终选择。例如，在 8 量子比特的 VQE 任务中，若目标函数光滑且梯度估计方差小于 0.01，梯度下降通常比 COBYLA 快 3 到 5 倍；若梯度方差超过 0.1，则无梯度方法或进化策略更稳健。