‘壹’ 智能计算/计算智能、仿生算法、启发式算法的区别与关系
我一个个讲好了，
1）启发式算法：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。意思就是说，启发式算法是根据经验或者某些规则来解决问题，它求得的问题的解不一定是最优解，很有可能是近似解。这个解与最优解近似到什么程度，不能确定。相对于启发式算法，最优化算法或者精确算法（比如说分支定界法、动态规划法等则能求得最优解）。元启发式算法是启发式算法中比较通用的一种高级一点的算法，主要有遗传算法、禁忌搜索算法、模拟退火算法、蚁群算法、粒子群算法、变邻域搜索算法、人工神经网络、人工免疫算法、差分进化算法等。这些算法可以在合理的计算资源条件下给出较高质量的解。
2）仿生算法：是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题。主要有：遗传算法、人工神经网络、蚁群算法、蛙跳算法、粒子群优化算法等。这些算法均是模仿生物进化、神经网络系统、蚂蚁寻路、鸟群觅食等生物行为。故叫仿生算法。
3）智能计算：也成为计算智能，包括遗传算法、模拟退火算法、禁忌搜索算法、进化算法、蚁群算法、人工鱼群算法，粒子群算法、混合智能算法、免疫算法、神经网络、机器学习、生物计算、DNA计算、量子计算、模糊逻辑、模式识别、知识发现、数据挖掘等。智能计算是以数据为基础，通过训练建立联系，然后进行问题求解。
所以说，你接触的很多算法，既是仿生算法，又是启发式算法，又是智能算法，这都对。分类方法不同而已。
楼主，我这么辛苦给你打这么字，给我多加点悬赏分吧！谢谢了哈
‘贰’ 本源量子联合中科大在量子近似优化算法研究中取得新进展
近日，本源量子联合中科大研究团队在量子近似优化算法（Quantum Approximate Optimization Algorithm，后称“QAOA”）的研究中取得最新进展。该研究证明了S-QAOA算法（Shortcuts to Quantum Approximate Optimization Algorithm，后称“S-QAOA”）是利用现阶段的含噪声量子计算机求解组合优化问题的理想选择，进一步推进了量子计算在组合优化问题上的应用。
什么是组合优化问题？以着名的旅行商问题（TSP）为例，假设有渗乎磨一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径长度为所有路径之中的最小值。这就是一个典型的组合优化问题。
从广义上讲，组合优化问题是涉及从有限的一组对象中找到“最佳”对象的问题。“最佳”是通过给定的评估函数来测量的，该函数将对象映射到某个分数或者成本，目标是找到最高评估分数和最低成本的对象。组合优化往往涉及排序、分类、筛选等问题。
组合优化问题丛斗在现实生活中具有广泛的应用，比如交通、物流、调度、金融等领域的许多问题都是组合优化问题。并且很多组合优化问题对应的经典算法都有较高的复杂度，在问题规模较大时，经典计算机难以快速地找到这些问题的最优解。因此，利用量子计算加速组合优化问题的求解具有重要的意义。
在含噪声的中等规模（NISQ）的量子时代，可靠的量子操作数会受到量子噪声的限制（目前量子噪声包括量子退相干、旋转误差等）。因此，人们对量子-经典混合算法很感兴趣，这类混合算法可以借助经典优化器来优化量子线路中的参数，从而选择最优的演化路径，以降低量子线路深度。比较着名的一类量子-经典混合算法就是量子近似优化算法（QAOA），它有望为组合优化问题的近似解的求解带来指数级的加速。
研究人员表示，理论上，如果量子线路足够深，QAOA可以得到较好的近似解。但由于量子噪声引起的误差会随着量子线路深度的增加而累积，当量子线路深度较大时，QAOA的性能实际上会下降。因此，在当前的量子计算机上展现QAOA算法的优势是一项具有挑战性的任务，降低QAOA算法的线路深度对于在现阶段的量子计算机上展现QAOA算法的优势具有重要意义。
为了减少量子电路的深度，研究人员提出了一种新的思路，称为“Shortcuts to QAOA”:（S-QAOA）。首先，在S-QAOA中考虑了额外的两体相互作用，在量子电路中加入与YY相互作用相关的双门以补偿非绝热效应，从而加速量子退火过程，加速QAOA的优化；其次，释放了两体相互作用（包括ZZ相互作用和YY相互作用）的参数自由度，增强量子电路的表顷此示能力，从而降低量子线路的深度。数值模拟结果表明，与QAOA相比，S-QAOA在量子线路更浅的情况下可以获得较好的结果。
研究人员通过引入更多的两体相互作用和释放参数自由度来改进QAOA算法，降低QAOA算法需要的线路深度，使得QAOA算法更适合现阶段的含噪声的量子计算机。由于该算法利用了STA（Shortcuts to adiabaticity）的原理，因此研究人员将其称为“Shortcuts to QAOA”。
本源量子研究人员表示：“在S-QAOA中，参数自由度的释放是通过对梯度较大的参数进行进一步的优化，但是是否有更好的方式挑选出最重要的参数做优化，还是值得 探索 和研究的一个方向。我们将在下一步的工作中研究更多的案例，以验证和完善我们的想法。我们希望我们的方法可以为尽早实现量子优越性提供新的方法和思路。”