标签
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。
本文介绍了SDDL，一个神经符号框架，通过将自然语言问题转化为形式化表示，提高了资源受限语言模型中的组合优化精度，与直接生成和求解器代码基线相比，实现了更高的可行性率。
本文提出了一种改进的JAMPR深度强化学习模型，用于求解带容量与时间窗约束的取货配送问题（CPDPTW）。该模型可为中小规模实例提供快速最优解，并为大规模实例提供次优解。
提出了一种基于引导离散扩散的模型无关品类优化框架，将品类表示为二进制向量，并使用奖励引导的逆向扩散来避免组合枚举。展示了在高维场景下的鲁棒性和高质量解决方案。
本文介绍了PIAC，一种通过使用潜在增益度量（无需参考解）并利用LLM生成多样化的实例变异器，来改进基于LLM的并行算法组合自动构建的框架。在TSP和CVRP上，它持续优于现有的LLM-ACP基线，实现了最高19.76%的相对改进。
This paper presents a narrow extension to Leader Reward training for neural combinatorial optimization, replacing the binary leader/non-leader distinction with a stabilized rank signal indexed by a sampling budget K. Tests on TSP-100 show modest improvements in Best-of-8 cost under independent sampling, though the authors make no universal superiority claims.
本文提出了一种利用储备池计算回收动态规划计算过程的方法，用于解决组合优化问题，在旅行商问题和子集和问题上实现了更高的近似精度和更短的计算时间。
本页描述了用于生成旅行商问题近似解的空间填充曲线启发式方法，强调了其在路径规划、物流和地图绘制中的速度、简便性及实际应用。
本文探讨了在Transformer架构中使用相对位置编码（RPE）作为加性偏置来解决团队定向问题，与原始Transformer架构相比，在收集奖励和最优性差距方面展示了一致的改进。
该论文介绍了MILP-Evo，这是一个闭环框架，利用LLM引导的程序进化来自动设计白盒MILP求解器组件（割选择器和分支规则），通过迭代生成和评估候选程序，并根据其在MILP实例上的端到端求解性能进行评估。
本文提出了一种基于振荡神经网络（ONN）的数独求解器，通过将数独问题建模为图着色问题，在4x4和9x9数独上实现了高准确率。