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 Capacitated Vehicle Routing Problem 90%
- instance of TSPLIB—A Traveling Salesman Problem Library 90%
- instance of ant colony optimization algorithms 90%
- competes with Capacitated Vehicle Routing Problem 70%
- instance of Gotit.pub 70%
- used by ant colony optimization algorithms 70%
- used by TSPLIB—A Traveling Salesman Problem Library 60%
4 天有情绪数据
-
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。
-
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。