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 Gotit.pub 90%
- instance of Capacitated Vehicle Routing Problem 90%
- used by ant colony optimization algorithms 70%
- instance of ant colony optimization algorithms 70%
- used by TSPLIB—A Traveling Salesman Problem Library 60%
- competes with Capacitated Vehicle Routing Problem 50%
6 天有情绪数据
-
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。
-
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。
-
新的神经网络求解器解决旅行商问题
两篇新的研究论文探讨了解决旅行商问题（TSP）的高级神经网络方法。第一篇论文介绍了 GNNAS-TSP，一个基于图神经网络（GNN）的框架，它直接从图数据中学习 TSP 实例表示，以从算法组合中选择最合适的算法。第二篇论文提出了 GeoRouteNet，一个注重几何的非自回归神经网络求解器，它通过显式的几何特征和一个新颖的多候选自比较强化学习训练方法来增强其模型，以提高在不同图大小和空间分布上的性能。
-
新的C2TSP方法直接学习TSP结构以改进路径构建
研究人员开发了一种名为C2TSP的新型无监督学习流程来解决旅行商问题（TSP）。该方法直接在潜在对象中学习哈密顿结构，而不是在构建最终路径时严重依赖解码阶段。C2TSP使用隐式微分来学习残差边扰动，并结合了一个平滑的Held-Karp层进行结构校正，将学习到的分布推向更像路径的结构。实验表明，C2TSP在保持可解释的结构信息的同时取得了出色的性能，消融实验证实了边扰动和证书引导锐化的好处。
-
新的图边稀疏化方法加速TSP求解
研究人员开发了一种名为图边稀疏化（GES）的新型基于学习的方法，以应对大规模旅行商问题（TSP）的计算挑战。与使用固定启发式方法的传统方法不同，GES通过整合几何结构信息和组合优化，自适应地生成针对特定TSP实例的稀疏化图。该方法在基准数据集上展示了显著的效率提升，修剪了高达99%的边，同时将最优解差距保持在1%以下。
-
新算法将神经网络热图转换为具有可证明保证的TSP路径
研究人员开发了新的算法，可以将神经网络生成的热图转换为旅行商问题（TSP）的路径。这些算法提供了理论保证，将热图预测的质量与所得路径的近似比联系起来。该方法旨在通过提供以前缺乏的明确保证来改进现有方法，并通过实验比较进行了验证。
-
新的“领导者奖励”技术增强了AI在组合优化问题中的能力
研究人员引入了一种名为“领导者奖励”的新颖训练技术，旨在提高神经网络在解决组合优化问题方面的性能。该方法侧重于增强最优解的生成，特别是在旅行商问题（TSP）、有容量车辆路径问题（CVRP）和柔性流水车间问题（FFSP）等复杂问题上。通过在多最优策略优化（POMO）模型的特定训练阶段应用领导者奖励，该方法以极低的额外计算成本显著提高了最优解的质量。
-
新的量子图神经网络框架有望实现可扩展性和表达能力
研究人员开发了一种新颖的消息传递量子图神经网络 (QGNN) 框架，该框架旨在实现可扩展性和表达能力。这种新的 QGNN 具有排列等变性，并且可以精确地定位在 Weisfeiler-Leman 层级中，这是图区分的标准度量。该框架通过引入预训练策略解决了变分量子电路中常见的可训练性问题，并通过多达 56 个量子比特的大规模模拟进行了验证。
-
麻省理工学院研究人员证明超级马力欧关卡是不可判定的
麻省理工学院理论计算机科学项目，特别是 Erik Demaine 的“算法下界：硬度证明的乐趣”课程的研究表明，超级马力欧关卡是不可判定的。这意味着无法创建一个计算机程序来始终确定马力欧是否能到达某些关卡的终点。这一发现将超级马力欧置于 RE-完全复杂度类别中，表明它属于此类游戏中可想象的最难问题，甚至超过了旅行商问题的复杂度。
-
新的AGDN框架为旅行商问题提供了改进的解决方案
研究人员开发了各向异性图扩散网络（AGDN），这是一种新颖的图神经网络，旨在解决旅行商问题（TSP）。AGDN通过使用MixScore转移矩阵和各向异性图扩散策略来改进信息交换，从而解决了利用图结构方面的挑战。实验表明，AGDN在各种实例大小和分布的TSP求解方面优于现有方法，同时保持了具有竞争力的计算时间和良好的泛化能力。
-
扩散模型 IDEQ 为神经网络设定新的 TSP 基准
研究人员开发了 IDEQ，这是一种旨在解决旅行商问题 (TSP) 的新型扩散模型。通过结合 TSP 解的结构约束和改进的课程学习，IDEQ 在合成实例上实现了最先进的性能，并在 TSPlib 基准测试中与领先的启发式算法相匹配。该模型在大实例上表现尤为出色，实现了接近最优的解，并表现出比以前的神经网络方法更低的方差和更好的可扩展性。
-
新的PCI方法提高了神经旅行商问题求解器的性能
研究人员开发了一种名为投影一致性推理（PCI）的新方法，以提高基于扩散的神经旅行商问题（TSP）求解器的性能。PCI用感知结构的投影和局部搜索取代了计算密集型的梯度细化，与FT2T等现有方法相比，在最优性差距和推理时间方面均有所改善。该方法通过在推理过程中结合结构约束，为增强神经TSP求解器提供了一种实用且有原则的方法。
-
新型混合算法解决旅行商问题
研究人员开发了一种新的混合元启发式方法来解决旅行商问题（TSP），这是一个复杂的优化挑战。该方法集成了以其全局搜索能力而闻名的蜻蜓算法（Dragonfly Algorithm）和使用记忆进行局部优化解决方案的禁忌搜索（Tabu Search）。这种组合策略旨在通过广泛探索然后微调有希望的结果来提高路线质量，在基准实例上表现优于单独的算法。
-
MViewRouter框架将几何等变性内化用于路径规划问题
研究人员开发了MViewRouter，一个旨在解决旅行商问题等复杂组合式路径规划问题的新型框架。这种新方法将几何等变性作为核心归纳偏置，通过多视图交替注意力机制处理对称性，从而实现更一致和更具泛化性的决策。在标准基准和实际案例上的实验表明，MViewRouter在解决方案质量和强大的零样本泛化能力方面具有竞争力。
-
DyNACO框架通过动态神经引导增强蚁群优化
研究人员开发了DyNACO，一个用于蚁群优化（ACO）的动态神经引导新框架。该方法通过允许策略根据实时信息素分布和现有解进行调整，解决了静态训练策略与迭代搜索过程之间的不匹配问题。DyNACO已证明其可扩展至大规模旅行商问题（TSP）和车辆路径问题（CVRP），性能优于现有的神经方法，并经常改进无引导求解器的性能。
-
新的LoRe方法提高了AI求解器在优化问题上的效率
研究人员开发了LoRe，一种用于组合优化中基于扩散的神经网络求解器的新型无训练包装器。LoRe在每次迭代中动态分配计算预算，专注于高冲突或高不确定性交互，而不是固定的稀疏化。这种方法显著提高了可扩展性，减少了内存使用，并加快了最大独立集和旅行商问题等问题的推理速度，同时保持了解决方案的质量。
-
强化学习模型对客户零售旅程进行建模以优化布局
研究人员开发了一个新的强化学习（RL）框架来模拟零售环境中的客户移动，旨在为商店布局优化提供实际见解。该方法将客户轨迹预测视为最大熵强化学习问题，在奖励与随机性之间取得平衡，以考虑有限理性。使用真实便利店数据的实验表明，RL生成的轨迹比传统的TSP和PNN等方法更准确，从而能更准确地估算冲动购买和货架客流量。RL方法还能制定更有效的与实际客户行为一致的产品重新定位策略，使高级布局优化更加易于实现。
-
神经网络解决随机车辆路径问题
研究人员开发了一种解决随机多路径旅行商问题的新方法，该问题与智慧城市物流中的混合车辆路径相关。该问题涉及在给定地点之间多条路径上不确定的旅行时间的情况下，找到一条最优路径以最小化预期旅行成本。他们的方法集成了基于神经网络的代理模型，以有效地近似追索问题的期望值，从而提高了复杂路径场景的可扩展性和实际应用性。