数据处理方法、装置、电子设备和存储介质制造方法及图纸

本申请实施例提供了一种数据处理方法、装置、电子设备和存储介质，通过获取第一值和期待条件，第一值为用户的多个预设类型数据的初始值，期待条件为用户选择的期望达成的条件；利用整数约束下的均值

【技术实现步骤摘要】
数据处理方法、装置、电子设备和存储介质


[0001]本申请涉及计算机
，尤其涉及一种数据处理方法、装置、电子设备和存储介质。

技术介绍

[0002]马科维茨通过将风险定义为收益率的波动率，提出了把数理统计的方法应用到投资组合选择的研究中。马科维茨提出的均值
‑
方差模型能够在满足尽可能高的收益率和尽可能低的不确定性风险的要求的情况下，得到均值
‑
方差模型的最优解。均值
‑
方差模型的最优解为上述两个要求达到最佳平衡时对应的解。基于均值
‑
方差模型在确定整数约束下的投资组合时，需要耗费大量的时间，且计算结果的准确度无法保证，已经无法满足用户的需求。
[0003]目前，在求解投资组合优化问题时，利用拉格朗日乘子法求解均值
‑
方差模型，得到投资组合的最优解。但是，该方法得到的最优解可能不是整数，不满足实际场景中对于投资组合的整数约束。若将非整数的最优解进行取整处理，而取整后的解往往并非投资组合的最优解，使得得到的投资组合的精准度较低。

技术实现思路

[0004]本申请实施例提供了一种数据处理方法、装置、电子设备和存储介质，能够有效的提升数据处理得到的数据的精确度。
[0005]第一方面，本申请实施例提供了一种数据处理方法，所述数据处理方法包括：
[0006]获取第一值和期待条件，所述第一值为用户的多个预设类型数据的初始值，所述期待条件为所述用户选择的期望达成的条件；
[0007]利用整数约束下的均值
‑
方差模型对所述第一值和所述期待条件进行处理，得到第二值，所述第二值为整数约束下的均值
‑
方差模型的最优解；
[0008]根据所述第二值对应的量子态，确定硬约束热启动量子近似优化算法QAOA的初态；
[0009]对硬约束热启动QAOA中的算子进行迭代优化，得到所述硬约束热启动QAOA的目标终态；
[0010]根据所述硬约束热启动QAOA的目标终态，输出第三值。
[0011]可选的，所述硬约束热启动QAOA中的算子包括相位分离算子和硬约束混合算子，所述相位分离算子的数量和所述硬约束混合算子的数量均与所述硬约束热启动QAOA的深度值相对应。
[0012]所述对硬约束热启动QAOA中的算子进行迭代优化，得到所述硬约束热启动QAOA的目标终态，包括：
[0013]对所述初态交替作用相位分离算子和硬约束混合算子，得到所述硬约束热启动QAOA的第一终态；
[0014]重复执行上述步骤预设数量次，得到预设数量个第一终态，并计算预设数量个第一终态的终态均值；
[0015]根据所述终态均值，对当前的相位分离算子的第一参数和当前的硬约束混合算子的第二参数进行更新，得到新的相位分离算子和新的硬约束混合算子；
[0016]若新的相位分离算子的第一参数和新的硬约束混合算子的第二参数不满足收敛条件，则
[0017]重复执行上述步骤直至新的相位分离算子的第一参数和新的硬约束混合算子的第二参数满足收敛条件；
[0018]根据满足收敛条件时的新的相位分离算子的第一参数和新的硬约束混合算子的第二参数计算的，将满足收敛条件时得到的预设数量个第一终态确定为目标终态。
[0019]可选的，所述根据所述终态均值，对当前的相位分离算子的第一参数和当前的硬约束混合算子的第二参数进行更新，得到新的相位分离算子和新的硬约束混合算子，包括：
[0020]确定所述终态均值对应的目标函数，所述目标函数为整数约束下的均值
‑
方差模型中的函数；
[0021]根据所述目标函数，确定新的第一参数和新的第二参数；
[0022]将当前的相位分离算子的第一参数更新为所述新的第一参数，得到新的相位分离算子；
[0023]将当前的硬约束混合算子的第二参数更新为所述新的第二参数，得到新的硬约束混合算子。
[0024]可选的，所述收敛条件为：
[0025]||γ
′‑
γ||+||β
′‑
β||＜∈；
[0026]其中，γ
′
为新的第一参数，γ为当前的相位分离算子的第一参数，β
′
为新的第二参数，β为当前的硬约束混合算子的第二参数。
[0027]可选的，所述根据所述硬约束热启动QAOA的目标终态，输出第三值，包括：
[0028]确定所述硬约束热启动QAOA的目标终态中包括的每个第一终态对应的目标函数，所述目标函数为整数约束下的均值
‑
方差模型中的函数；
[0029]确定多个目标函数中函数值最小的目标函数；
[0030]将所述最小的目标函数对应的第一终态确定为第三值，并输出所述第三值。
[0031]可选的，所述根据所述第二值对应的量子态，确定热启动量子近似优化算法QAOA的初态，包括：
[0032]根据公式确定硬约束硬约束热启动QAOA的初态；
[0033]其中，|ψ0>为硬约束热启动QAOA的初态，表示第i个第一值中的第一预设类型数据对应的第1个量子比特，表示第i个第一预设类型数据对应的第2个量子比特，n为第一预设类型数据数量。
[0034]可选的，所述整数约束下的均值
‑
方差模型表示为：
[0035][0036][0037]0≤s
ij
≤1，i∈{1，2，...，n}，j∈{1，2}
[0038]其中，f(x)为整数约束下的均值
‑
方差模型的目标函数，λ∈[0，1]表示风险偏好系数，∑＝(σ
ij
)∈R
n
×
n
表示各第一值中的第一预设类型数据的协方差矩阵，表示各第一预设类型数据对应的期望条件向量，1∈R
n
是n维的每个元素均为1的向量，T表示单笔交易的成本，y
i
∈{
‑
1，0，1}是第一值中的第二预设类型数据对应的向量y的第i个元素，s
ij
表示第i个第一预设类型数据对应的第j个量子比特。
[0039]可选的，所述相位分离算子为其中，γ
i
∈[0，2π)为第一参数，C为哈密顿量，所述哈密顿量与整数约束下的均值
‑
方差模型的目标函数；
[0040]所述硬约束混合算子为其中，为第二参数，矩阵B的与所述第二参数的取值范围有关。
[0041]第二方面，本申请实施例提供了一种数据处理装置，所述数据处理装置包括：
[0042]获取模块，用于获取第一值和期待条件，所述第一值为用户的多个预设类型数据的初始值，所述期待条件为所述用户选择的期望达成的条件；
[0043]第一处理模块，用于利用整数约束下的均值
‑
方差模型对所述第一值和所述期待条件进行处理，得到第二值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取第一值和期待条件，所述第一值为用户的多个预设类型数据的初始值，所述期待条件为所述用户选择的期望达成的条件；利用整数约束下的均值
‑
方差模型对所述第一值和所述期待条件进行处理，得到第二值，所述第二值为整数约束下的均值
‑
方差模型的最优解；根据所述第二值对应的量子态，确定硬约束热启动量子近似优化算法QAOA的初态；对硬约束热启动QAOA中的算子进行迭代优化，得到所述硬约束热启动QAOA的目标终态；根据所述硬约束热启动QAOA的目标终态，输出第三值。2.根据权利要求1所述的方法，其特征在于，所述硬约束热启动QAOA中的算子包括相位分离算子和硬约束混合算子，所述相位分离算子的数量和所述硬约束混合算子的数量均与所述硬约束热启动QAOA的深度值相对应；所述对硬约束热启动QAOA中的算子进行迭代优化，得到所述硬约束热启动QAOA的目标终态，包括：对所述初态交替作用相位分离算子和硬约束混合算子，得到所述硬约束热启动QAOA的第一终态；重复执行上述步骤预设数量次，得到预设数量个第一终态，并计算预设数量个第一终态的终态均值；根据所述终态均值，对当前的相位分离算子的第一参数和当前的硬约束混合算子的第二参数进行更新，得到新的相位分离算子和新的硬约束混合算子；若新的相位分离算子的第一参数和新的硬约束混合算子的第二参数不满足收敛条件，则重复执行上述步骤直至新的相位分离算子的第一参数和新的硬约束混合算子的第二参数满足收敛条件；根据满足收敛条件时的新的相位分离算子的第一参数和新的硬约束混合算子的第二参数计算的预设数量个第一终态确定为目标终态。3.根据权利要求2所述的方法，其特征在于，所述根据所述终态均值，对当前的相位分离算子的第一参数和当前的硬约束混合算子的第二参数进行更新，得到新的相位分离算子和新的硬约束混合算子，包括：确定所述终态均值对应的目标函数，所述目标函数为整数约束下的均值
‑
方差模型中的函数；根据所述目标函数，确定新的第一参数和新的第二参数；将当前的相位分离算子的第一参数更新为所述新的第一参数，得到新的相位分离算子；将当前的硬约束混合算子的第二参数更新为所述新的第二参数，得到新的硬约束混合算子。4.根据权利要求2任一项所述的方法，其特征在于，所述收敛条件为：||γ
′‑
γ||+||β
′‑
β||＜∈；其中，γ
′
为新的第一参数，γ为当前的相位分离算子的第一参数，β
′
为新的第二参数，β为当前的硬约束混合算子的第二参数。
5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述根据所述硬约束热启动QAOA的目标终态，输出第三值，包括：确定所述硬约束热启动QAOA的目标终态中包括的每个第一终态对应的目标函数，所述目标函数为整数约束下的均值
‑
方差模型中的函数；确定多个目标函数中函数值最小的目标函数；将所述最小的目标函数对应的第一终态确定为第三值，...

【专利技术属性】
技术研发人员：吴涵卿，陈柄任，袁淏木，吴磊，李鑫，张晓旭，高振涛，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：