标签
本文提出了用于个性化设备端行程生成的计划-学习-适应（PLA）框架，该框架将保证可行性的组合规划与通过 Bradley-Terry 奖励模型进行的人类偏好学习相结合。在实际部署中，该框架实现了行程完成率提升 91%，且延迟低，在可行性方面超过了前沿大语言模型。
QDEvo将质量-多样性优化与LLM驱动的启发式搜索相结合，克服了自动启发式设计中的模态崩溃问题，在基准测试和真实世界应用中优于现有最先进方法。
本文提出 C2TSP，一种用于旅行商问题的端到端无监督学习方法，该方法使用'构造即连接'的吉布斯族学习近环结构上的可处理分布，并结合隐式微分和证书引导锐化以保留可解释的哈密顿结构。
提出GES，一种基于学习的图边稀疏化方法，用于欧几里得TSP，可自适应地修剪多达95%的边，同时保证解的质量在最优解的1%以内，展现出强大的泛化能力。
本文提出了一种混合搜索框架，结合Thompson采样与并行自避免行走，自适应地在LABS问题的限制类别间分配计算资源。该方法改进了35个序列长度的先前最佳品质因数，并实现了品质因数超过8.0的新最长序列。
本综述探讨了如何利用组合优化来增强可信机器学习，涵盖可解释性、鲁棒性、公平性和隐私等主题，并提供形式化保证。
本文提出了一种使用微波延迟线的2048自旋体声波伊辛机，实现了全连接，并解决了MAX-CUT、数字分割和数独问题，与最先进的相干伊辛机相比，具有更高的热稳定性和性能。
本文提出将科学发现形式化为一个元优化问题，其中LLM通过相关性加权投票生成并聚合目标函数，应用于使用数字MemComputing的3-SAT算法发现，在大规模实例上实现了67倍的加速。
本文研究针对具有伪布尔约束的布尔可满足性问题的并行连续局部搜索（CLS），发现冗余约束会抑制收敛，且CLS在混合设置中作为子求解器具有潜力。
本文提出了加速傅里叶SAT（AFSAT），一种基于连续局部搜索的GPU加速伪布尔可满足性求解器。它通过支持异构约束并利用JAX进行并行计算，改进了先前的概念验证实现。
阿姆斯特丹大学的研究人员提出了一种基于表格强化学习的地铁网络扩展问题方法，表明该方法在性能上与深度强化学习相当，同时平均减少18倍的训练回合数和12倍的碳排放量。该方法还融入了社会公平标准，并在西安和阿姆斯特丹的真实地铁网络上进行了评估。
提出CoEvo-AHD，一种基于LLM的双种群协同进化框架，用于双组件耦合组合优化问题的自动启发式设计。它利用LLM协同进化路径和选择算子，通过合作评估和联合交叉来发现针对TTP和TPP等问题的互补启发式。
本文提出了一种图学习辅助的优化方法，用于设计捕获空间碎片的主动系绳网系统。通过使用图神经网络推荐候选设计方案，将混合组合非线性规划简化为标准非线性规划问题，从而加快收敛速度。
介绍LoRe，一种无需训练的封装器，为迭代图求解器强制实施每步交互预算，在MIS和TSP等组合优化问题上实现了显著的加速和内存减少。
TriVAL 引入了一个三重验证框架，在自动优化建模的三个阶段（语义规范、数学公式、代码生成）执行显式验证以提高忠实性，并提出了 NL4COP，一个用于组合优化问题的新基准。
本文介绍了飞机拆解调度问题，这是一个大规模组合优化任务，涉及数千个任务、先后关系、平衡约束以及有限空间。本文提出了一个约束规划模型和一个MIP模型，并在包含多达1450个任务的实际运营实例上进行了测试。
介绍WeCon，一种用于多目标组合优化问题的权重条件神经求解器，其超体积与现有最优方法相当，同时推理时间减少40%。
COAgents是一个合作式多智能体框架，用于解决车辆路径问题，它将搜索过程建模为图，使用专门智能体进行节点选择、移动选择和跳跃以逃离局部最优。在CVRP和VRPTW基准测试上取得了最先进的结果，相比先前的基于学习的方法，将最佳已知解差距最多缩小了44%。
本文提出了一种方法，利用对称性质从约束规范中自动生成局部搜索邻域，并在六个优化问题上进行了评估。
本文识别了同策略强化学习方法（如GRPO）中的模式崩溃问题，并提出了DMPO，该方法通过近似前向KL散度最小化来保持解的多样性。在NP难组合优化和数学推理任务上取得了显著改进。