标签
本文提出潜在启发式搜索（LHS）框架，将启发式发现转移到学习的连续潜在流形上，利用基于梯度的优化和归一化流，在大语言模型条件下生成新颖启发式算法，在TSP、CVRP、KSP和在线装箱问题上取得了有竞争力的结果。
本文将资源受限项目调度问题建模为Petri网可达图上的最优搜索，并采用A*算法求解，结合关键路径与资源下界的相容启发式函数，在PSPLIB基准测试上优于MIP基线。
本文提出了一种统一的知识嵌入强化学习框架，用于广义容量车辆路径问题，结合了先路线后聚类的启发式方法与动态规划，以实现优越的解决方案质量和跨多种变体的强泛化能力。
本文介绍了一种分布感知算法设计框架，其中LLM代理学习生成针对目标分布特化的求解器代码，实现了高求解质量，并相比标准求解器取得了显著的加速效果。
本文介绍了 AHD Agent，这是一个利用代理强化学习（Agentic Reinforcement Learning）的框架，使大型语言模型（LLMs）能够通过动态交互求解环境，自主地为组合优化问题设计启发式方法。
本文介绍了 HMACE，这是一种异构多智能体协同进化框架，利用大型语言模型（LLM）自动化设计启发式算法，以解决 NP 难组合优化问题。实验表明，在旅行商问题（TSP）和装箱问题（BPP）等任务上，该方法在质量与效率的权衡方面优于单智能体和基准多智能体方法。
本文提出了一种用于空间选区重划的复合移动禁忌搜索算法，在保持连通性约束的同时，提升了求解质量与效率。
介绍了图归一化（Graph Normalization），这是一种用于近似最大权重独立集（MWIS）的可微分动力系统，具有收敛性保证，并应用于结构化稀疏注意力机制和约束优化。