本文对神经网络在传统组合优化框架中的性能、可迁移性、计算成本和对更大样本的普适性进行了详细研究，并在 NP-hard 问题线性排序问题上开发了神经组合优化模型。

May, 2022

本文采用元学习技术来在多种任务中训练一个模型，以优化适应新任务的能力，从而提高两个最先进的模型的泛化能力，实验表明该方法在两个 CO 问题上都有显著改善。

Jun, 2022

本研究提出了一种名为 NeuroLS 的本地搜索算法控制器，采用深度图神经网络作为策略模型，通过计算机学习方法，能够优于已知常规搜索控制器和最新的机器学习方法，在求解NP困难度的组合优化问题中，取得了比较理想的结果。

Jun, 2022

深度神经网络和强化学习方法在解决复杂的组合问题方面取得了显著的实证成果，本文引入了一种新的理论框架来分析这些方法的有效性，回答了存在生成模型能够生成近似最优解、拥有易处理的参数数量以及优化结果无次优静态点等问题，并介绍了一种新的正则化过程，实验证明其有助于解决梯度消失和避免不良静态点的问题。

Oct, 2023

我们对神经网络与组合优化中的局部搜索算法进行了综合研究，结果表明基于禁忌搜索的简单学习启发式方法在性能和泛化性方面超过了最先进的学习启发式方法，挑战了现有假设，并为组合优化的未来研究和创新开辟了新的方向。

Oct, 2023

通过结合行为克隆和增强学习方法，本文简化了端到端的神经组合优化训练过程，采用随机抽样解决方案并利用概率策略改进来提高模型性能，在旅行推销员问题和车辆路径问题方面取得了令人满意的结果，并应用于作业车间调度问题，超越现有的方法。

Mar, 2024

提出了一种自我改进学习（Self-Improved Learning, SIL）方法，用于提高神经组合优化（neural combinatorial optimization, NCO）的可扩展性，包括有效的模型训练和解决大规模问题实例的线性复杂度注意机制。在旅行推销员问题（Travelling Salesman Problem, TSP）和容量车辆路径问题（Capacitated Vehicle Routing Problem, CVRP）上进行的全面实验证明了该方法的出色可扩展性。

Mar, 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

本研究解决了现有神经组合优化方法在搜索空间探索效率低下的问题，常导致局部最优解困境。通过创新的记忆模块，MARCO框架能够在每个状态下存储并检索相关信息，从而引导搜索过程，促进优化预算的高效利用。实验证明，MARCO在多个组合优化问题中能够发现多样化、更高质量的解决方案，且计算成本低，展现了在神经组合优化领域的潜在影响。

Aug, 2024

本研究解决了当前神经求解器在组合优化问题中利用效率不足的难题。我们提出了一种新的协调神经求解器的通用框架，旨在根据实例将其分配给最适合的求解器。实验结果表明，该框架显著提高了求解性能，并在多个优化问题上实现了显著的改进。

Oct, 2024