TSPLIB—A Traveling Salesman Problem Library
PulseAugur coverage of TSPLIB—A Traveling Salesman Problem Library — every cluster mentioning TSPLIB—A Traveling Salesman Problem Library across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
MMAO框架在大规模实证评估中表现强劲
一篇新论文评估了代谢多智能体优化器（MMAO）框架，重点关注其在严格预算控制下的资源分配原则。该研究采用大规模实证协议，涵盖八个CEC2017函数和五个TSPLIB实例，并将MMAO与PSO-lite和迭代贪婪2-opt等基线进行比较。结果表明，MMAO在连续和路由基准测试中优于外部基线，其消融变体与完整方法相比表现更接近，而与外部竞争者相比则有较大差距。该研究验证了MMAO作为一个跨领域自适应框架，特别是在内源性资源再分配方面，并建…
-
Metabolic Multi-Agent Optimizer (MMAO) 框架在基准测试中得到验证
一篇新论文使用更严格的经验协议评估了代谢多智能体优化器 (MMAO) 框架。该研究在连续和离散基准测试（包括 CEC2017 函数和 TSPLIB 实例）上测试了 MMAO 的资源分配原则。结果表明，MMAO 在连续和路由任务上优于外部基线，突显了其在压力下内源性资源重新分配方面的优势。研究还呼吁更清晰的机制隔离和更广泛的竞赛级比较。
-
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。