量子计算利用量子力学同时探索多个解决方案，从而加速优化问题的解决。经典计算机使用 0 或 1 的比特来处理数据，这限制了它们一次只能评估一种可能性。量子计算机使用量子比特，量子比特可以存在于 0 和 1 的叠加态中。这使得量子算法可以并行分析许多潜在的解决方案。例如，Grover 算法可以比经典方法更快地搜索未排序的数据库，而量子近似优化算法 (QAOA) 通过利用量子态之间的干涉，有效地缩小了最佳解决方案的范围。这些能力使量子系统在具有巨大解空间的问题中特别有效。
一个具体的例子是解决组合优化问题，如旅行商问题 (TSP)，其目标是找到访问多个城市的最短路线。经典方法，如蛮力或启发式方法（如模拟退火），随着城市数量的增加，扩展性很差。诸如 D-Wave 量子处理器之类的系统使用的量子退火，将 TSP 映射到物理能量场中。量子退火器通过利用量子隧穿来寻找最低能量状态（最佳路线），量子隧穿允许它绕过高能势垒而不是攀越它们。这避免了陷入局部最小值，这是经典基于梯度的方法中的常见问题。同样，QAOA 将问题编码到量子电路中，使用干涉来放大更好解决方案的概率。
然而，当前的量子系统面临实际的限制。噪声和退相干限制了可用量子比特的数量，从而限制了问题的大小。混合方法，如将经典求解器与量子子程序相结合，可以缓解这些问题。例如，大众汽车测试了一种量子算法来优化里斯本的公交线路，使用量子退火器来处理变量的子集，而经典系统管理其余变量。虽然现实世界优化的量子优势尚未普及，但早期结果表明在特定情况下存在潜力，尤其是在硬件改进的情况下。开发人员可以使用 Qiskit 或 D-Wave 的 Leap 等平台来为当今的量子增强优化制作原型。