标签
该论文提出了 Scone,这是一种具有对称性感知能力的模型,使用颜色等变图神经网络逐步构建图着色方案,在利用颜色置换对称性的同时打破自同构轨道对称性。Scone 在 sudoku_extreme 和寄存器分配等任务上实现了完美的求解质量和较低的推理耗时,并能泛化到未见过的图族。
本文阐述了德米特里·雷宾如何利用 ChatGPT 找到一个具有七个顶点的反例,推翻戈曼斯长期悬而未决的不可分流猜想,并提出了一套由理论指导的正向构造流程。该流程基于一个冲突多面体,刻画了该拓扑结构上的所有反例,并借助 ChatGPT 推广至另外 93 种树形结构。
一份关于 SOICT 2026 客货一体化运输竞赛混合精确-启发式求解器的技术报告。该求解器结合了贪心插入、采用模拟退火的自适应大邻域搜索(ALNS),以及利用拉格朗日界强化的分支定界集合打包引擎,在 38 个计分实例上取得了 487,237 的总收益。
一篇针对最小红蓝分离集问题提出整数线性规划(ILP)、贪婪随机自适应搜索过程(GRASP)、基于逻辑的 Benders 分解(LBBD)以及一种新颖的分支与 Benders 割方法的论文,并将其应用于通过基于词汇的图特征区分人类撰写的文本与 AI 生成的文本。
该论文提出一种融合空间启发式策略的扩散强化学习方法用于在线3D装箱问题,通过启发式动作预筛、图神经网络建模空间结构以及包含平整度的复合奖励函数,提升了布局优化能力与泛化性。
Evo-B&B提出一个由LLM引导的进化框架,联合演化混合整数线性规划中分支与节点选择策略,并通过行为感知的多岛屿机制保持种群多样性,在多个标准基准上取得有竞争力的求解性能与良好泛化能力。
该论文提出一种基于学习的列预填充方法来加速分支定价切割(BPC)精确求解器:用神经网络边打分器生成普通列池并配合Wentges平滑的预测初始中心,在RouteOpt中将根节点定价时间降至原来的13.2%,并在无关并行机调度问题上实现12倍加速。
FDE-Bench 是首个基于真实客户项目构建的基准,用于评估 AI 代理在需求不明确的真实商业请求下进行端到端交付的能力,涵盖 49 个组合优化与机器学习案例。结果显示,18 种代理配置中最高平均交付分仅为 0.5510(FDE 参考为 1.0),最高交付成功率仅 6.12%,表明代理尚未达到 FDE 级别的端到端交付水平。
高通人工智能研究院展示了一种方法,将组合多重网格图粗化用作热启动,并与粒子多项式松弛的非凸连续重构相结合,能够在计算资源受限的条件下更有效地跳出最大割问题的局部最优,在 Biq Mac 和 G-set 基准测试中取得接近最优的结果,并大幅降低内存占用。
一篇发表在《Nature Machine Intelligence》上的论文表明,大语言模型能够发现针对组合优化问题的互补启发式方法,通过结合大语言模型生成的策略来提升求解质量。
HeurEvo 提出了一套自动化的计划–代码–组件协同进化框架,其中 AI 智能体共同进化算法结构、可执行实现以及可复用组件的共享池,以构建混合求解器增强启发式算法。在组合优化基准测试和 MIPLIB 实例上,该框架在严格的运行时间预算下达到或超越了最先进的求解器水平,并在六边形装箱等问题上刷新了最佳结果。
该论文通过行为分析、表示探查和因果干预,研究了AM、POMO和LEHD等神经组合优化(NCO)路由求解器的内部决策机制,揭示了不同架构在构造解决方案时的差异化模式,例如LEHD依赖当前节点表示进行局部决策、起始节点提供全局导航参考。
本文提出了一种通用的自监督学习框架,用于解决约束组合优化问题,采用Frank-Wolfe方法处理约束条件,并在旅行商问题、最大覆盖问题和二次分配问题等任务上取得了显著的实验成果。
本文提出了一种用于一维装箱问题的基于图的深度强化学习框架,与现有方法相比减少了最优性差距,并实现了跨实例规模的零样本泛化。
本文提出一种 Dual-GNN 多层次粗化框架,通过结合图神经网络与组合搜索来高效解决最大独立集问题,在基准图上实现近最优解并显著加速。
本文提出了一种用于解决最小支配集问题的无监督图神经网络框架,显著提高了速度并实现了在社交网络影响力最大化中的泛化能力。
本文介绍了hLLM,一种用于生成式重排序的解码策略,它使用匈牙利算法实现单次解码,在保持排序质量的同时实现了64倍的速度提升。
本文研究了用于车辆路径问题的混合量子-经典神经网络,发现编码器前馈替代可以将模型参数减少56.6%,同时在中小规模实例上保持接近基线性能。
本文提出了一种数据驱动框架,利用 Graph Neural Networks 通过预测候选移动的质量来增强 Tabu Search,提高战术无线网络设计问题的效率。
本文研究为何标准神经网络架构在动态规划中无法对更长输入进行泛化,通过利用热带半环理论的几何分析来揭示组合中的结构限制。