精确覆盖问题属于组合优化中的NP完全问题，使用经典算法难以在多项式时间范围内求解。为解决该问题，在开源量子计算框架qiskit上，提出基于量子近似优化算法（QAOA）的量子线路求解方案，并采用基于单纯形法的线性近似约束优化（COBYLA）算法对量子逻辑门中的参数进行优化。首先，通过精确覆盖问题的数学模型建立经典伊辛模型；其次，利用量子理论中的旋转变量对经典伊辛模型进行量子化，再用泡利旋转算子代替旋转变量，得到量子伊辛模型和问题哈密顿量，提高QAOA寻找最优的速度；最后，以混合哈密顿量为生成元的酉变换和问题哈密顿量为生成元的酉变换乘积的累积，得到问题哈密顿量期望的表达式，并由此设计生成量子线路。另外，通过经典处理器对两个酉变换中的参数进行优化，调整问题哈密顿量的期望值，从而提高求解的概率。该线路在IBM的开源量子计算框架qiskit上进行仿真实验，实验结果表明，所提方案能够在多项式时间内以95.6%的概率获得问题的解，验证了所提量子线路能够以较高的概率求得精确覆盖问题的解。
传统多维贝叶斯网络分类器(MBNC)限制其模型结构必须是二分的,通过移除该限制可得到更准确的对关联分布建模的通用MBNC(GMBNC)。基于局部马尔可夫毯的迭代搜索，提出可准确学习GMBNC的算法IPC-GMBNC。该算法由于无需学习全局贝叶斯网络(BN),可扩展性强。基于已知贝叶斯网络模型而随机生成的数据上所执行的实验显示,IPC-GMBNC可有效推导出目标结构；而且与传统的全局结构学习算法PC相比,IPC-GMBNC可节省大量的计算量。
