1. 课程导入与量子调度问题界定
调度问题是一类典型的组合优化问题：给定一组作业、机器、资源和约束，要求为每个作业确定执行顺序、开始时间与资源分配，使某个目标（如最大完工时间、总延迟、能耗）达到最优或近似最优。经典作业车间调度（Job Shop Scheduling）中，n个作业在m台机器上按各自工艺路线加工，解空间随规模呈阶乘级增长，10×10规模的实例已难以用穷举法求解。量子计算凭借叠加与纠缠特性，为在解空间中并行探索提供了新的可能，由此形成了“量子调度”这一交叉方向。
需要明确的是，本课程讨论的“量子调度问题”并非指对量子计算机内部量子比特、门操作进行时序编排的底层控制调度，而是指以调度问题为求解对象、以量子算法或量子—经典混合算法为求解手段的一类问题。其核心对象可以概括为两个相互衔接的部分：一是如何把调度问题转化为量子算法可处理的模型并求解；二是如何评估所得到的调度方案与求解过程是否真正有效。前者关注建模与求解，后者关注性能评估，二者共同构成本课程的主线。
典型场景与问题形态
量子调度研究的典型场景主要有三类。第一类是作业车间调度：每个作业有固定的工序顺序，每道工序需在指定机器上加工，决策变量是各机器上工序的排列顺序，目标常为最小化最大完工时间（makespan）。第二类是任务分配：把一组任务分配给若干执行单元（处理器、无人机、计算节点），在能力、时限、负载约束下优化总成本或均衡度，其数学形态接近二次分配问题与广义分配问题。第三类是资源调度：在时间窗内为任务分配带宽、能量、存储等连续或离散资源，常见于网络切片、卫星测控、云平台等场景。
这三类场景在数学上大多可归约为约束优化或二次无约束二值优化（QUBO）形式。例如，一个把4个任务分配到2台机器的简单示例，可设二值变量 xi,k∈{0,1} 表示任务i是否分配给机器k，约束为每个任务恰分配一次，目标为最小化两台机器负载之差。此类小规模示例适合在课程中手工推演，用于理解建模过程，而不代表真实工程规模。
为什么需要“求解 + 评估”双主线
量子算法给出的往往不是精确最优解，而是以一定概率出现的近似解。以QAOA（量子近似优化算法）为例，其性能受线路层数p、参数优化质量、问题编码方式共同影响。若只关注“跑出结果”，很容易把不可行解或偶然的优质解误判为算法有效。因此，评估必须回答三个问题：解是否满足全部约束；解质量相对经典基线提升了多少；所消耗的量子资源是否可接受。这三者缺一不可，否则结论无法复现，也无法与经典方法公平比较。
在工程实践中，一个常见的误区是直接拿小规模量子结果与大规模经典结果对比。正确做法是固定问题实例、固定约束与目标定义，在同一实例上分别运行量子—经典混合流程与经典启发式（如遗传算法、模拟退火、CP-SAT求解器），记录目标值、可行率与运行时间，并注明量子部分为模拟器还是真实硬件。示例数据只能作为教学演示，真实结论必须来自可复现的实验记录。
学习路径与目标
本课程按“问题界定—建模编码—算法求解—性能评估—综合实践”的顺序展开。前期建立调度问题的形式化描述与QUBO转换能力，理解惩罚项系数如何影响可行解比例；中期学习QAOA、量子退火及混合求解流程，掌握比特数、线路深度与解空间规模之间的关系；后期重点训练评估方法，包括基准选择、指标计算、结果统计与误差分析。完成课程后，应能独立完成一个小规模调度实例的建模、编码、求解与评估闭环，并能判断量子方法在该实例上是否具备相对优势。