1. 课程导入与约束建模全景
欢迎进入《量子优化约束建模与罚项设计》课程。在正式动手写第一行 QUBO 之前，我们需要先建立一张“全景地图”：一个现实中的组合优化问题，究竟是怎样一步步变成量子优化器能够接受的数学形式？约束在这条链路上处于什么位置？为什么说约束建模与罚项设计是决定求解成败的核心环节？本节将回答这些问题，并给出整门课程的学习路径与实战项目轮廓。
一、从现实问题到数学模型：约束是问题的“骨架”
组合优化问题的共同特征是：在有限个离散选择中，挑出一个满足全部规则、并使某个目标最优的方案。以经典的背包问题为例，给定若干物品，每件物品有重量 w_i 和价值 v_i，背包容量为 C，决策变量 x_i ∈ {0,1} 表示是否选取。其数学模型为：
最大化 Σ v_i · x_i
约束条件 Σ w_i · x_i ≤ C
x_i ∈ {0, 1}这里的目标函数刻画“想要什么”，约束条件刻画“允许什么”。在排班、路径规划、投资组合、芯片布图、物流装箱等问题中，约束往往不止一条，且类型多样：等式约束（如每个任务恰好分配一次）、不等式约束（如资源上限）、逻辑约束（如“若选 A 则必须选 B”）。约束的数量与耦合程度，直接决定了问题的可行域形状和求解难度。
二、量子优化流程：约束建模处在哪一环
当前主流的量子组合优化路线（以量子退火和 QAOA 为代表）要求把问题写成伊辛模型或 QUBO 形式，即只含二次项的目标函数，变量取 ±1 或 {0,1}。这意味着原始模型中的约束不能原样交给量子处理器，必须经过“转化”并入目标函数。完整流程可以概括为下图所示的五个环节。
图中橙色环节正是本课程的主线。需要特别强调：约束建模不是简单的“把约束乘个大系数加到目标上”。罚项系数 λ 的取值需要与目标函数的系数尺度相匹配；等式约束通常用平方惩罚 λ(Σx_i − 1)² 展开，会产生变量间的二次耦合；不等式约束需要引入松弛变量并做二进制展开；而“若 A 则 B”这类逻辑约束则要写成 λ·x_A·(1−x_B) 的形式。这些处理方式的选择，会显著改变 QUBO 矩阵的稀疏性、耦合度以及最终解的质量。
三、一个可对照的小例子
仍以三件物品的背包问题为例，设重量为 (2, 3, 4)、价值为 (3, 4, 5)、容量 C = 5。目标项可写为 H_obj = −(3x₁ + 4x₂ + 5x₃)（最小化约定）。容量约束 2x₁ + 3x₂ + 4x₃ ≤ 5 需引入松弛量 s ∈ {0,…,5}，用 3 个二进制位表示 s = s₀ + 2s₁ + 4s₂，罚项为：
H_pen = λ · (2x₁ + 3x₂ + 4x₃ + s − 5)²展开后会出现 x_i·s_j 这类交叉项，变量总数从 3 增至 6。若取 λ = 10，则任何违反容量的比特串都会获得至少 10 的能量惩罚，远大于目标项最大差值（约 12 中的单步差异），从而保证最优解落在可行域内。这个例子虽小，却完整体现了“约束 → 辅助变量 → 罚项 → QUBO 矩阵”的转化链条，后续章节将系统展开每一步的工程细节。
四、整体学习路径与实战项目
本课程共 30 章，按“基础—建模—罚项—求解—评估”的逻辑递进组织：
- 基础篇：组合优化与 QUBO/伊辛模型的基本定义、变量映射、目标函数构造，建立统一的数学语言。
- 约束建模篇：等式约束、不等式约束、逻辑约束、基数约束的标准化转化方法，辅助变量与降次技巧。
- 罚项设计篇：罚项系数的上下界分析、自适应权重、拉格朗日松弛与罚函数对比、不可行解的诊断。
- 求解与评估篇：退火与 QAOA 的调用方式、比特串解码、可行率与近似比等指标的计算。
贯穿全程的实战项目是“带时间窗的多任务调度”：给定 8 个任务、3 台机器、每任务有处理时长与截止时间，要求每任务恰好分配一台机器且不超时。学员将亲手完成从数学建模、约束转化、罚项标定，到生成 QUBO 矩阵、调用求解器、解码校验的完整闭环，并用可行率与目标值对比不同罚项方案的效果。项目中的所有参数均为教学设定的示例数据，结果用于方法对比而非性能宣称。
至此，你已经看到了从现实规则到量子比特的完整链路，也明确了约束建模与罚项设计在其中的枢纽地位。接下来的章节将从最基础的 QUBO 定义开始，逐步把这幅全景图填满细节。