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
Repositorio Digital Institucional (UNCo)
Institución
Universidad Nacional del Comahue
OAI Identificador
oai:rdi.uncoma.edu.ar:uncomaid/19663

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