در سال‌های اخیر، بهینه‌سازی شبکه‌های پیچیده به‌عنوان یکی از مسائل بنیادین در علوم کامپیوتر، مهندسی نرم‌افزار و هوش مصنوعی مورد توجه گسترده قرار گرفته است. شبکه‌های پیچیده با ساختارهای غیرخطی، تعاملات چندلایه و وابستگی‌های متقابل میان گره‌ها و یال‌ها، چالش‌های محاسباتی قابل‌توجهی را برای روش‌های کلاسیک بهینه‌سازی ایجاد می‌کنند. در این میان، ظهور محاسبات کوانتومی و توسعه الگوریتم‌های کوانتومی مبتنی بر مدل‌سازی QUBO، افق‌های جدیدی را برای حل این دسته از مسائل فراهم کرده است. هدف اصلی این مقاله، ارائه یک مرور تحلیلی و مقایسه‌ای از الگوریتم‌های کوانتومی در بهینه‌سازی شبکه‌های پیچیده و بررسی میزان کارایی آن‌ها در مقایسه با روش‌های کلاسیک مرجع در نمونه‌های واقعی است. روش تحقیق در این مقاله به‌صورت مروری-تحلیلی بوده و بر تحلیل مفهومی مدل‌سازی مسائل گرافی در قالب QUBO، بررسی الگوریتم‌های کوانتومی شاخص نظیر QAOA و آنیلینگ کوانتومی، و مقایسه آن‌ها با رویکردهای کلاسیک متداول استوار است. در این چارچوب، نحوه تبدیل محدودیت‌های گرافی به توابع هدف باینری، نقش طراحی Hamiltonianها، و تأثیر پارامترهای اجرایی بر کیفیت راه‌حل‌ها مورد بررسی قرار گرفته است. همچنین، یافته‌های گزارش‌شده در مطالعات تجربی مرتبط با شبکه‌های واقعی، از جمله شبکه‌های فناوری اطلاعات، انرژی و ساختارهای گرافی پیچیده، به‌صورت تحلیلی ارزیابی شده‌اند. یافته‌های این بررسی نشان می‌دهد که الگوریتم‌های کوانتومی در مسائل با ابعاد کوچک تا متوسط می‌توانند به پاسخ‌هایی با کیفیت قابل‌رقابت یا در برخی موارد برتر نسبت به روش‌های کلاسیک دست یابند، به‌ویژه زمانی که مدل‌سازی QUBO به‌درستی انجام شود. با این حال، چالش‌هایی نظیر نویز، محدودیت سخت‌افزاری و مقیاس‌پذیری همچنان مانع استفاده گسترده از این الگوریتم‌ها در مسائل بزرگ‌مقیاس است. در جمع‌بندی، می‌توان نتیجه گرفت که رویکردهای کوانتومی در حال حاضر بیشتر به‌عنوان مکمل روش‌های کلاسیک مطرح بوده و توسعه چارچوب‌های ترکیبی کوانتومی–کلاسیک می‌تواند مسیر پژوهش‌های آینده در بهینه‌سازی شبکه‌های پیچیده را هموار سازد.

الگوریتم‌های کوانتومی بهینه‌سازی شبکه‌های پیچیده مدل‌سازی QUBO QAOA روش‌های کلاسیک