travelling salesperson problem
PulseAugur coverage of travelling salesperson problem — every cluster mentioning travelling salesperson problem across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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。
-
蚁群优化算法在图神经网络中焕发新生
一个受蚂蚁行为启发的1992年算法重新出现，在解决复杂问题方面表现出卓越的效率。蚁群优化（ACO）算法最初是基于对阿根廷蚂蚁的观察而开发的，已被证明在旅行商问题等任务中非常有效，并取得了接近最优的结果。该算法最近被整合为图神经网络的骨干，于2023年在NeurIPS上发表，凸显了其在现代人工智能研究中的持续相关性和适应性。
-
新的NICO-TSP方法学会改进旅行商问题解决方案
研究人员开发了NICO-TSP，一个新颖的神经改进框架，旨在增强旅行商问题（TSP）的解决方案。与以往专注于生成单一解决方案的方法不同，NICO-TSP学习一种策略，通过局部修改来迭代地改进现有路线。与现有的学习和启发式搜索基线相比，这种方法在步骤效率和对更大问题实例的泛化能力方面表现出卓越的性能和效率。
-
Mamba 主干驱动新高效神经组合优化框架
研究人员开发了 ECO，一个利用 Mamba 主干的高效神经组合优化框架。该方法将轨迹生成与梯度更新分离，采用监督预热阶段，然后对批量候选集进行迭代式直接偏好优化。该框架包含一个混合 Mamba 编码器-解码器来管理内存增长并提高硬件效率，以及一个局部搜索引导的引导策略来稳定训练。与现有的神经基线相比，ECO 在旅行商问题和有容量车辆路径问题基准测试中展现出卓越的性能、内存效率和吞吐量。