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.
1 天有情绪数据
-
LLM框架联合演化路由优化启发式算法
研究人员开发了一个名为LLM驱动的启发式组件联合生成（LLM-HCJG）的新颖框架，以解决组合优化启发式设计中专家知识的局限性。这种基于种群的方法联合生成并共同演化相互依赖的启发式组件，这与之前演化孤立部分的方法不同。当应用于旅行商问题（TSP）和容量车辆路径问题（CVRP）等路由问题的引导局部搜索时，LLM-HCJG表现出卓越的性能，在绝大多数测试基准上取得了最佳或并列最佳的结果。
-
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。