travelling salesperson problem
PulseAugur coverage of travelling salesperson problem — every cluster mentioning travelling salesperson problem across labs, papers, and developer communities, ranked by signal.
- instance of TSPLIB—A Traveling Salesman Problem Library 90%
- instance of ant colony optimization algorithms 90%
- instance of Capacitated Vehicle Routing Problem 70%
- instance of Gotit.pub 70%
- used by ant colony optimization algorithms 70%
- competes with Capacitated Vehicle Routing Problem 60%
- used by TSPLIB—A Traveling Salesman Problem Library 60%
- used by Capacitated Vehicle Routing Problem 50%
2 天有情绪数据
-
EDISCO：新型扩散模型为优化问题实现精确的 E(2)-不变性
研究人员开发了 EDISCO，这是一种新颖的离散扩散模型，旨在解决旅行商问题 (TSP) 和有容量车辆路径问题 (CVRP) 等欧几里得组合优化问题。与之前近似 E(2)-等变性的方法不同，EDISCO 通过采用等变边分数网络和连续时间马尔可夫链，实现了精确的 E(2)-不变生成分布。这种方法提供了局部几何归纳偏置，从而实现更高效的学习和鲁棒的推理，并在各种问题规模和分布变化下展现出优于最先进求解器的性能。
-
新方法为NP难问题生成难题
研究人员开发了一种新颖的方法来生成优化问题的挑战性实例，将实例创建本身视为一项优化任务。该方法使用黑盒优化器来搜索最大化求解器运行时间的实例，仅需要求解器、实例编码器和计算预算。该方法成功应用于四个NP难问题，包括可满足性问题和旅行商问题，生成的实例比随机抽样生成的实例难得多，并且与精心挑选的基准集相当。
-
新的图边注意力网络解决了电动汽车路径规划的挑战
研究人员开发了GREAT，一种新颖的图边注意力网络，旨在解决具有不对称成本的复杂电动汽车路径规划问题。与依赖节点坐标的先前方法不同，GREAT在边空间中运行，使其更适用于能量消耗等非欧几里得度量。GREAT集成到强化学习框架中，优化了路径规划和充电决策，在能量减少和运行时效率方面优于现有启发式方法。当适应非欧几里得环境时，该模型还在旅行商问题和有容量车辆路径问题等标准路径规划问题上展示了最先进的性能。
-
新算法应对大规模行程规划挑战
研究人员开发了一种新的多目标协同共进化算法，旨在解决大规模行程规划问题。该方法分析组件间的依赖关系，以建立弱可分解性的条件，从而实现将集群作为连续子路径访问的最优路径。该算法包含动态分解策略，考虑基于组件规模和贡献的优化潜力，并采用计算资源分配策略。在34个真实世界和基准测试用例上的评估表明，所提出的算法实现了最高的平均超体积，并且显著优于现有方法，尤其是在大规模实例上。
-
新的AI路由方法增强推理和效率 · 跟踪4个来源
研究人员开发了T-Router，一种参数高效的强化学习方法，通过选择性地重用预训练模型的计算来显著提高推理能力。该方法在最近的arXiv论文中有所详细介绍，仅分配了0.466%的一小部分参数，但在GSM8K和AIME等基准测试上取得了比全参数方法和LoRA更优越的性能。另一篇论文探讨了用于边缘设备的神经符号路由，将查询分类以使用确定性求解器或小型语言模型，在资源受限的硬件上实现了高精度和高效率。第三项研究调查了组合优化问题的神经路由求…
-
新的SPO框架使用LLM发现自适应搜索算子
研究人员开发了一个名为Stackelberg程序优化（SPO）的新框架，用于发现大邻域搜索（LNS）算法的有效破坏和修复算子。SPO采用基于LLM的方法来创建自适应程序，根据不断演变的LNS状态来条件化算子决策。该方法将发现过程组织为Stackelberg交互，其中破坏算子充当领导者，修复算子充当条件跟随者，引导LLM学习和进化搜索的结合。在旅行商问题和有容量车辆路径问题上的实验表明，SPO优于现有的强大基线，并能泛化到更大的问题实例。
-
RouteRepair 通过修复实例级故障来增强大语言模型生成的路由启发式算法
研究人员开发了 RouteRepair，这是一种用于改进大语言模型 (LLM) 生成的路由优化问题启发式算法的新颖方法。RouteRepair 能够识别 LLM 设计的启发式算法中特定的实例级故障，并进行定向修改，以提高在困难案例上的性能，同时不降低在简单案例上的性能。在旅行商问题 (TSP) 和有容量车辆路径问题 (CVRP) 上的实验表明，该方法显著提高了性能，减小了最优性差距和平均路径成本。
-
新的概率搜索算法加速人工智能问题解决
研究人员推出了一种新算法——概率焦点搜索（PFS），旨在通过战略性地推进下界来加速有界次优搜索。与传统的焦点搜索不同，PFS 引入了一个概率元素，以一定的概率扩展最小 f 节点，以鼓励下界推进。这种方法旨在提高搜索效率，特别是在标准方法在将节点纳入 FOCAL 集时出现延迟的情况下。该算法已显示出显著的性能提升，在 N-Puzzle 和旅行商问题等基准测试中，节点扩展次数可能减少 90% 以上。
-
新型循环编码器提高了神经组合优化的效率
研究人员开发了一种用于神经组合优化（NCO）的新型循环编码器架构，显著提高了效率。这种新颖的方法通过将过去的状态嵌入整合到当前状态的计算中，重用了先前步骤的计算。所提出的循环编码器以更少的层数实现了与非循环模型相当或更优的性能，从而降低了延迟。其有效性已通过旅行商问题（TSP）、带容量车辆路径问题（CVRP）和定向问题（OP）得到证明，并已集成到大型邻域搜索算法中。
-
新的SGE框架利用图像空间语义引导地面车辆
研究人员开发了语义引导探索（SGE）框架，该框架将像素级语义分割集成到航点选择和路径优化中，用于地面车辆。与传统的几何方法不同，SGE在图像空间中使用语义感知效用函数来评估探索目标，并考虑可通行性、障碍物和感兴趣的物体等因素。该框架还包含一个用于目标排序的实时旅行商问题（TSP）公式，并包含处理导航不确定性和回溯的机制。SGE在各种机器人平台和环境的模拟和真实世界实验中都表现出了有竞争力的性能。
-
新的MEMENTO方法提升了AI路由问题求解器的性能
研究人员开发了MEMENTO，一种通过整合记忆来增强路由问题神经网络求解器的新方法。该方法根据先前决策的结果动态调整动作分布，提高了适应性和计算预算利用率。在旅行商问题和车辆路径问题上，MEMENTO的表现优于现有的树搜索和策略梯度微调方法，在大多数评估任务上都达到了最先进水平。
-
GPU并行化加速大规模旅行商问题求解器
研究人员开发了一种针对广义划分交叉（GPX）算子的细粒度GPU并行化技术，专门用于解决大规模旅行商问题（TSP）。该方法将GPX划分重构为图并行问题，采用合并内存布局和连通分量分析等技术。该方法使用CUDA实现，并行化了诸如路径合并、顶点分割和分量识别等关键步骤。实验表明，对于多达200万个城市的TSP实例，速度提升了48倍至625倍，展示了遗传算法求解器在现代多核架构上的可扩展性得到了提高。
-
Pointer Networks with Q-Learning for Combinatorial Optimization
一篇研究论文介绍了一种新颖的神经网络架构 Pointer Q-Network (PQN)，旨在改进组合优化任务的序列生成。PQN 将无模型 Q 值近似与 Pointer Networks 相结合，利用马尔可夫决策过程框架和基于 LSTM 的循环神经网络。该方法旨在通过 Q 值动态调整注意力分数，以提高长期结果预测能力，特别是在旅行商问题等任务上。
-
新的几何预训练提升了旅行商问题的神经路由模型性能
研究人员开发了一种新的自监督预训练框架，用于神经组合优化模型，特别是针对旅行商问题（TSP）等路由问题。这种几何方法通过在策略优化前应用等距变换，增强了空间不变性和相对距离理解能力。该方法显示出显著的改进，在大规模、零样本外推场景下将路线长度减少了7.23%，并与Concorde等传统求解器相比，速度提升高达两个数量级。
-
新研究探讨旅行商问题的增强算法 · 已追踪 2 个来源
两篇新研究论文探讨了解决旅行商问题 (TSP) 的进展。一篇论文详细介绍了进化多任务处理，特别是 MT-EAX 算法，如何通过增加早期搜索代的种群多样性来显著提高 TSP 的计算效率。另一篇论文介绍了约束逻辑编程中的增强过滤算法，该算法利用几何信息来解决欧几里得 TSP 及其变体，并展示了相对于现有方法的计算优势。
-
新的PIAC框架增强了LLM在优化问题上的泛化能力
研究人员开发了一个名为潜在感知实例和算法协同演化（PIAC）的新框架，以提高大型语言模型（LLM）在解决复杂组合优化问题上的泛化能力。PIAC通过引入一种新颖的“潜在增益”指标来消除对参考解的需求，并利用LLM生成多样化的实例变异器，从而解决了现有方法的局限性。在旅行商问题和有容量车辆路径问题上的评估表明，PIAC的表现持续优于最先进的基线，其中TSP贪婪构造组合的改进尤为显著，达到了19.76%。
-
深度强化学习优化卡车路线，成本降低 10%
本文探讨了深度强化学习（DRL）在物流行业解决复杂车辆路径问题（VRP）的应用。它提出了一个案例研究，重点关注三种不同用例的卡车网络设计，展示了 DRL 代理如何优化路线。研究表明，与基线方法相比，基于 DRL 的优化实现了超过 10% 的总成本降低，这表明未来有可能广泛推广到各种 VRP 类型。
-
DualCert求解器集成了约束耦合学习用于旅行商问题
研究人员开发了DualCert，一种用于旅行商问题（TSP）的新型求解器，它集成了约束耦合学习。该方法使用度方程和子回路消除约束来指导学习到的转移，确保输出的有效性。DualCert在TSP1000实例上表现强劲，在平均每实例9.55秒内，与LKH-3参考路线的平均路线成本差距为0.0573%。该方法还提供了经过验证的候选图下界，并实现了显著的边决策覆盖率。
-
新的机器学习方法回收用于优化问题的动态规划结果
研究人员开发了一种新颖的机器学习方法，该方法可以回收动态规划的计算结果来解决组合优化问题。这种基于水库计算的方法使用记录的动态规划结果作为线性回归的特征，从而辅助其他计算。在旅行商问题和子集和问题上进行测试时，与独立解决每个问题相比，这种多路复用技术显示出更高的近似精度和更短的计算时间。研究结果提出了一个新的计算范式，其中多个过程可以有效地共享和重用中间结果和状态。
-
预训练增强了用于复杂路径问题的AI求解器
研究人员开发了一种新的图组合优化自监督预训练框架，专门针对旅行商问题（TSP）等路径问题。该框架采用图对比学习和几何增强（如旋转和反射），鼓励模型学习不变的结构表示和全局相对距离分布。研究发现，该预训练策略的性能显著优于未预训练的模型，其中一种混合方法在TSP1000基准测试中将路径长度提高了6.57%，证明了几何预训练在将神经网络求解器扩展到复杂实例方面的价值。