本文通过对近年来在组合优化、运筹学和机器学习等领域出现的基于图神经网络（GNNs）的组合优化求解方法和算法进行概述，以此向优化和机器学习研究者介绍这一领域的最新进展。

Feb, 2021

本文介绍了如何使用图神经网络来解决组合优化问题，包括最大割、最小顶点覆盖和最大独立集等一些组合优化问题。通过在问题哈密顿量上应用松弛策略，我们生成了一个可区分的损失函数，并在无监督训练过程结束后对整数变量进行简单的投影。实验表明，我们的方法在解决包含数百万个变量的问题时能够胜任。

Jul, 2021

Schuetz等人提出了一种使用图神经网络作为启发式方法来解决各种组合优化问题的方案，该方法通过样例实例对网络进行训练，并应用广泛使用的技术来评估其成功的能力，尽管报告的结果只比梯度下降略有改善，但该方法承诺具有高度可伸缩性和计算成本线性。

Oct, 2022

在回复评论者的回复中, 我们指出其关注的最大独立集（MIS）在稀疏图中和贪心算法优秀表现无关，我们还强调了原始框架中广泛的算法开发，并通过提供额外的数值结果证明了我们原来的结果的可观改进，进而驳斥了评论中的性能声明。我们同时通过实验证明了我们提出的随机d-正则图不提供用于基准测试的通用实例集，贪心算法不提供通用算法基线。最后，我们指出图神经网络的内在（并行）解剖与贪心算法的（顺序）本质非常不同，并强调图神经网络已经展示出了比现有启发式方法（如并行退火）更高的可扩展性潜力。这份工作的概念创新值得探讨并有潜力进一步拓展。

Feb, 2023

通过提高算法的广泛发展和数值结果的改进，反驳了一篇评论的初始性能声明，并强调了物理启发式的图神经网络在稠密实例上特别是在硬实例上优于贪婪算法的能力，同时也指出了图神经网络在真实社交网络规模上的可扩展性潜力比极端优化等现有启发式方法更具优势。

Feb, 2023

本文研究了图神经网络在解决随机图组合优化问题方面的局限性，发现由于“Overlap Gap Property”存在，即使是针对广泛选择的GNN体系结构，也很难超越已有算法的表现。

Jun, 2023

该论文研究了在相对密集的图形上，物理启发的图神经网络（PI-GNN）求解器的性能问题，并通过引入新的惩罚项和连续松弛退火策略来解决这些问题，以取得更好的组合优化问题的解决效果。

Sep, 2023

图神经网络在解决节点分类、图分类和链接预测等任务方面取得了巨大成功。然而，将图神经网络和机器学习应用于组合优化问题的研究相对较少。本文引入了一种新颖的图神经网络架构，利用复杂的滤波器组和局部化注意机制来解决图上的组合优化问题。我们展示了我们的方法如何与以往基于图神经网络的组合优化求解器区别开来，并在自监督学习设置下有效地应用于最大团、最小支配集和最大割问题。除了证明在各项任务上具有竞争力的整体性能外，我们还为最大割问题建立了最新的研究结果。

May, 2024

我们的研究工作的重点是通过决策导向的图学习，在组合优化问题中采用神经网络框架，提出了一个更高效和精确的框架。此外，我们引入了一个决策导向的框架，利用图神经网络解决具有辅助支持的组合优化问题。实验结果表明，我们的方法在经典组合优化问题上优于独立的图神经网络方法和传统方法。

Jun, 2024

设计适用于基于图的组合优化问题的通用启发式方法，通过引入图神经网络(GNN)来学习分布特定的解决方案结构。通过提出开源基准测试套件MaxCut-Bench，对多个学习方法进行系统验证，并发现某些学习启发式方法无法胜过贪婪算法，只有一种方法在各个维度上具有一致的优越性能。

Jun, 2024