Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA
- Autores
- Lusso , Adriano; Gimenez, Christian Nelson; Mata Ali, Alejandro
- Año de publicación
- 2026
- Idioma
- inglés
- Tipo de recurso
- artículo
- Estado
- versión aceptada
- Descripción
- En la última década, ha habido un progreso significativo en el desarrollo de computadoras cuánticas ruidosas de escala intermedia (NISQ), aunque se necesitan más mejoras de hardware para que los algoritmos cuánticos a gran escala se ejecuten sin errores. Mientras tanto, los investigadores continúan enfocándose en el desarrollo de algoritmos efectivos para el hardware actual, con énfasis en aplicaciones a corto plazo como la optimización combinatoria. Este estudio presenta un análisis comparativo del Algoritmo de Optimización Aproximada Cuántica (QAOA) aplicado al Problema de Reasignación de Trabajos (JRP), que implica asignar n trabajadores a m trabajos vacantes para maximizar la finalización de tareas de alta prioridad y la satisfacción del trabajador. El algoritmo se combina con la inicialización de Recocido Cuántico Trotterizado (TQA) y Aprendizaje por Transferencia, lo que puede mejorar la calidad de la solución en todas las instancias. El análisis comparativo, realizado con simulación clásica sin ruido en 105 instancias de JRP, muestra resultados prometedores con razones de aproximación que van de 0,86 a 0,97. Esto supone una mejora media del 12% en la productividad organizativa gracias a una mejor asignación de tareas prioritarias y a la satisfacción de los trabajadores.
In the past decade, there has been significant progress in the development of NISQ (Noisy Intermediate-Scale Quantum) computers, though further hardware improvements are necessary for large-scale quantum algorithms to execute without errors. In the meantime, researchers continue to focus on developing effective algorithms for current hardware, with an emphasis on near-term applications like combinatorial optimisation. This study presents a benchmarking analysis of the Quantum Approximate Optimisation Algorithm (QAOA) applied to the Job Reassignment Problem (JRP), which involves assigning n workers to m vacant jobs to maximize high-priority task completion and worker satisfaction. The benchmarking, performed with classical simulation on 105 JRP instances, shows promising results with approximation ratios ranging from 0.86 to 0.97. This leads to an average improvement of 12% in the organisational productivity thanks to a better assignment of highpriority tasks and worker satisfaction.
Fil: Lusso, Adriano Mauricio. Universidad Nacional del Comahue. Facultad de Informática; Argentina.
Fil: Gimenez, Christian Nelson. Universidad Nacional del Comahue. Facultad de Informática; Argentina.
Fil: Mata Ali, Alejandro. Instituto Tecnológico de Castilla y León, Burgos; España. - Fuente
- SADIO Electronic Journal of Informatics and Operations Research (EJS) Vol. 25 No. 1 (2026)
Revista científica de la Sociedad Argentina de Informática e Investigación Operativa (SADIO)Vol. 25 No. 1 (2026) - Materia
-
Reasignación de puestos de trabajo
QAOA
Aprendizaje por transferencia
Aplicación al mundo real
Benchmarking
NISQ
Job Reassignment Problem
Real-world Application
Benchmarking
Ciencias de la Computación e Información
Artículos - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
.jpg)
- Institución
- Universidad Nacional del Comahue
- OAI Identificador
- oai:rdi.uncoma.edu.ar:uncomaid/19663
Ver los metadatos del registro completo
| id |
RDIUNCO_3785ddee11f5d8becd160f5c9800e21c |
|---|---|
| oai_identifier_str |
oai:rdi.uncoma.edu.ar:uncomaid/19663 |
| network_acronym_str |
RDIUNCO |
| repository_id_str |
7108 |
| network_name_str |
Repositorio Digital Institucional (UNCo) |
| spelling |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQALusso , AdrianoGimenez, Christian NelsonMata Ali, AlejandroReasignación de puestos de trabajoQAOAAprendizaje por transferenciaAplicación al mundo realBenchmarkingNISQJob Reassignment ProblemReal-world ApplicationBenchmarkingCiencias de la Computación e InformaciónArtículosEn la última década, ha habido un progreso significativo en el desarrollo de computadoras cuánticas ruidosas de escala intermedia (NISQ), aunque se necesitan más mejoras de hardware para que los algoritmos cuánticos a gran escala se ejecuten sin errores. Mientras tanto, los investigadores continúan enfocándose en el desarrollo de algoritmos efectivos para el hardware actual, con énfasis en aplicaciones a corto plazo como la optimización combinatoria. Este estudio presenta un análisis comparativo del Algoritmo de Optimización Aproximada Cuántica (QAOA) aplicado al Problema de Reasignación de Trabajos (JRP), que implica asignar n trabajadores a m trabajos vacantes para maximizar la finalización de tareas de alta prioridad y la satisfacción del trabajador. El algoritmo se combina con la inicialización de Recocido Cuántico Trotterizado (TQA) y Aprendizaje por Transferencia, lo que puede mejorar la calidad de la solución en todas las instancias. El análisis comparativo, realizado con simulación clásica sin ruido en 105 instancias de JRP, muestra resultados prometedores con razones de aproximación que van de 0,86 a 0,97. Esto supone una mejora media del 12% en la productividad organizativa gracias a una mejor asignación de tareas prioritarias y a la satisfacción de los trabajadores.In the past decade, there has been significant progress in the development of NISQ (Noisy Intermediate-Scale Quantum) computers, though further hardware improvements are necessary for large-scale quantum algorithms to execute without errors. In the meantime, researchers continue to focus on developing effective algorithms for current hardware, with an emphasis on near-term applications like combinatorial optimisation. This study presents a benchmarking analysis of the Quantum Approximate Optimisation Algorithm (QAOA) applied to the Job Reassignment Problem (JRP), which involves assigning n workers to m vacant jobs to maximize high-priority task completion and worker satisfaction. The benchmarking, performed with classical simulation on 105 JRP instances, shows promising results with approximation ratios ranging from 0.86 to 0.97. This leads to an average improvement of 12% in the organisational productivity thanks to a better assignment of highpriority tasks and worker satisfaction.Fil: Lusso, Adriano Mauricio. Universidad Nacional del Comahue. Facultad de Informática; Argentina.Fil: Gimenez, Christian Nelson. Universidad Nacional del Comahue. Facultad de Informática; Argentina.Fil: Mata Ali, Alejandro. Instituto Tecnológico de Castilla y León, Burgos; España.Sociedad Argentina de Informática e Investigación OperativaUniversidad Nacional de La Plata2026info:eu-repo/semantics/articleinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfpp. 33-54application/pdf1514-6774https://rdi.uncoma.edu.ar/handle/uncomaid/19663SADIO Electronic Journal of Informatics and Operations Research (EJS) Vol. 25 No. 1 (2026)Revista científica de la Sociedad Argentina de Informática e Investigación Operativa (SADIO)Vol. 25 No. 1 (2026)reponame:Repositorio Digital Institucional (UNCo)instname:Universidad Nacional del Comahueenghttps://doi.org/10.24215/15146774e090info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/2026-11-05T12:29:24Zoai:rdi.uncoma.edu.ar:uncomaid/19663instacron:UNCoInstitucionalhttp://rdi.uncoma.edu.ar/Universidad públicaNo correspondehttp://rdi.uncoma.edu.ar/oaimirtha.mateo@biblioteca.uncoma.edu.ar; adriana.acuna@biblioteca.uncoma.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:71082026-11-05 12:29:24.829Repositorio Digital Institucional (UNCo) - Universidad Nacional del Comahuefalse |
| dc.title.none.fl_str_mv |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA |
| title |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA |
| spellingShingle |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA Lusso , Adriano Reasignación de puestos de trabajo QAOA Aprendizaje por transferencia Aplicación al mundo real Benchmarking NISQ Job Reassignment Problem Real-world Application Benchmarking Ciencias de la Computación e Información Artículos |
| title_short |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA |
| title_full |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA |
| title_fullStr |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA |
| title_full_unstemmed |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA |
| title_sort |
Preferencias Benchmarking de QAOA en el problema de reasignación laboral: un análisis empírico utilizando aprendizaje por transferencia e inicialización de TQA |
| dc.creator.none.fl_str_mv |
Lusso , Adriano Gimenez, Christian Nelson Mata Ali, Alejandro |
| author |
Lusso , Adriano |
| author_facet |
Lusso , Adriano Gimenez, Christian Nelson Mata Ali, Alejandro |
| author_role |
author |
| author2 |
Gimenez, Christian Nelson Mata Ali, Alejandro |
| author2_role |
author author |
| dc.subject.none.fl_str_mv |
Reasignación de puestos de trabajo QAOA Aprendizaje por transferencia Aplicación al mundo real Benchmarking NISQ Job Reassignment Problem Real-world Application Benchmarking Ciencias de la Computación e Información Artículos |
| topic |
Reasignación de puestos de trabajo QAOA Aprendizaje por transferencia Aplicación al mundo real Benchmarking NISQ Job Reassignment Problem Real-world Application Benchmarking Ciencias de la Computación e Información Artículos |
| dc.description.none.fl_txt_mv |
En la última década, ha habido un progreso significativo en el desarrollo de computadoras cuánticas ruidosas de escala intermedia (NISQ), aunque se necesitan más mejoras de hardware para que los algoritmos cuánticos a gran escala se ejecuten sin errores. Mientras tanto, los investigadores continúan enfocándose en el desarrollo de algoritmos efectivos para el hardware actual, con énfasis en aplicaciones a corto plazo como la optimización combinatoria. Este estudio presenta un análisis comparativo del Algoritmo de Optimización Aproximada Cuántica (QAOA) aplicado al Problema de Reasignación de Trabajos (JRP), que implica asignar n trabajadores a m trabajos vacantes para maximizar la finalización de tareas de alta prioridad y la satisfacción del trabajador. El algoritmo se combina con la inicialización de Recocido Cuántico Trotterizado (TQA) y Aprendizaje por Transferencia, lo que puede mejorar la calidad de la solución en todas las instancias. El análisis comparativo, realizado con simulación clásica sin ruido en 105 instancias de JRP, muestra resultados prometedores con razones de aproximación que van de 0,86 a 0,97. Esto supone una mejora media del 12% en la productividad organizativa gracias a una mejor asignación de tareas prioritarias y a la satisfacción de los trabajadores. In the past decade, there has been significant progress in the development of NISQ (Noisy Intermediate-Scale Quantum) computers, though further hardware improvements are necessary for large-scale quantum algorithms to execute without errors. In the meantime, researchers continue to focus on developing effective algorithms for current hardware, with an emphasis on near-term applications like combinatorial optimisation. This study presents a benchmarking analysis of the Quantum Approximate Optimisation Algorithm (QAOA) applied to the Job Reassignment Problem (JRP), which involves assigning n workers to m vacant jobs to maximize high-priority task completion and worker satisfaction. The benchmarking, performed with classical simulation on 105 JRP instances, shows promising results with approximation ratios ranging from 0.86 to 0.97. This leads to an average improvement of 12% in the organisational productivity thanks to a better assignment of highpriority tasks and worker satisfaction. Fil: Lusso, Adriano Mauricio. Universidad Nacional del Comahue. Facultad de Informática; Argentina. Fil: Gimenez, Christian Nelson. Universidad Nacional del Comahue. Facultad de Informática; Argentina. Fil: Mata Ali, Alejandro. Instituto Tecnológico de Castilla y León, Burgos; España. |
| description |
En la última década, ha habido un progreso significativo en el desarrollo de computadoras cuánticas ruidosas de escala intermedia (NISQ), aunque se necesitan más mejoras de hardware para que los algoritmos cuánticos a gran escala se ejecuten sin errores. Mientras tanto, los investigadores continúan enfocándose en el desarrollo de algoritmos efectivos para el hardware actual, con énfasis en aplicaciones a corto plazo como la optimización combinatoria. Este estudio presenta un análisis comparativo del Algoritmo de Optimización Aproximada Cuántica (QAOA) aplicado al Problema de Reasignación de Trabajos (JRP), que implica asignar n trabajadores a m trabajos vacantes para maximizar la finalización de tareas de alta prioridad y la satisfacción del trabajador. El algoritmo se combina con la inicialización de Recocido Cuántico Trotterizado (TQA) y Aprendizaje por Transferencia, lo que puede mejorar la calidad de la solución en todas las instancias. El análisis comparativo, realizado con simulación clásica sin ruido en 105 instancias de JRP, muestra resultados prometedores con razones de aproximación que van de 0,86 a 0,97. Esto supone una mejora media del 12% en la productividad organizativa gracias a una mejor asignación de tareas prioritarias y a la satisfacción de los trabajadores. |
| publishDate |
2026 |
| dc.date.none.fl_str_mv |
2026 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
| format |
article |
| status_str |
acceptedVersion |
| dc.identifier.none.fl_str_mv |
1514-6774 https://rdi.uncoma.edu.ar/handle/uncomaid/19663 |
| identifier_str_mv |
1514-6774 |
| url |
https://rdi.uncoma.edu.ar/handle/uncomaid/19663 |
| dc.language.none.fl_str_mv |
eng |
| language |
eng |
| dc.relation.none.fl_str_mv |
https://doi.org/10.24215/15146774e090 |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.format.none.fl_str_mv |
application/pdf pp. 33-54 application/pdf |
| dc.publisher.none.fl_str_mv |
Sociedad Argentina de Informática e Investigación Operativa Universidad Nacional de La Plata |
| publisher.none.fl_str_mv |
Sociedad Argentina de Informática e Investigación Operativa Universidad Nacional de La Plata |
| dc.source.none.fl_str_mv |
SADIO Electronic Journal of Informatics and Operations Research (EJS) Vol. 25 No. 1 (2026) Revista científica de la Sociedad Argentina de Informática e Investigación Operativa (SADIO)Vol. 25 No. 1 (2026) reponame:Repositorio Digital Institucional (UNCo) instname:Universidad Nacional del Comahue |
| reponame_str |
Repositorio Digital Institucional (UNCo) |
| collection |
Repositorio Digital Institucional (UNCo) |
| instname_str |
Universidad Nacional del Comahue |
| repository.name.fl_str_mv |
Repositorio Digital Institucional (UNCo) - Universidad Nacional del Comahue |
| repository.mail.fl_str_mv |
mirtha.mateo@biblioteca.uncoma.edu.ar; adriana.acuna@biblioteca.uncoma.edu.ar |
| _version_ |
1881033986990407680 |
| score |
13.334379 |