本文探讨了 ALNS 方法的一个开放性问题，提出了以 Deep Reinforcement Learning 和 Graph Neural Networks 为基础的实用方法，并将运算符选择问题形式化为 Markov 决策过程，该方法基于当前解决方案条件选择运算符，与经典的 ALNS 方法相比，该方法在运算符选择方面表现更好。此外，本文还讨论了运算符组合的大小以及运算符选择尺度的影响等重要因素，该方法还可以节省手工制作问题特定运算符组合的时间和劳动成本。

Feb, 2023

本文提出了一种基于神经网络学习的建造启发式方法的大邻域搜索 (LNS) 方法，用于解决具有时间窗口的车辆路径问题 (VRPTW)。方法采用图形神经网络来编码问题，并通过强化学习在不需要监督标签的情况下训练构造任务。神经修复运算符与局部搜索例程、启发式销毁运算符和选择过程相结合，应用于小型人口来到达一个复杂的解决方案。关键思想是使用学习模型重新构造部分破坏的解决方案，并通过破坏启发式 (或随机策略本身) 引入随机性，以有效地探索大邻域。

May, 2022

将机器学习技术应用于大邻域搜索算法（LNS）以提高解决优化问题的效率和结果质量。

Mar, 2024

合作多智能体强化学习是一个在过去五年中越来越重要的研究主题，因其在现实世界中的巨大应用潜力。本文提出了一个通用的训练框架 MARL-LNS，通过在交替的智能体子集上进行训练，并使用现有的深度 MARL 算法作为底层训练器来解决维度灾难的问题，而不需要额外的参数进行训练。基于该框架，我们提供了三种算法变种：随机大邻域搜索（RLNS），批量大邻域搜索（BLNS）和自适应大邻域搜索（ALNS），这些算法以不同的方式交替使用智能体子集。我们在 StarCraft Multi-Agent Challenge 和 Google Research Football 上测试了我们的算法，并证明我们的算法可以自动减少至少 10％的训练时间，同时达到与原始算法相同的最终技能水平。

Apr, 2024

该论文提出了一种基于学习的大邻域搜索 (LNS) 方法来解决混合整数规划 (MIP)，该方法使用神经潜水模型来表示变量分配的可能性分布，并使用非自用 MIP 求解器生成初始分配，并使用诱导学习来训练神经网络选择在每个步骤中寻找下一个分配的邻域。

Jul, 2021

本文介绍了一种新的算法 CL-LNS，通过使用正负样本集合学习一个次优解算法并使用图注意力网络和更丰富的特征进一步提高解决 LP 问题的性能。

Feb, 2023

我们提出了大邻域优先搜索（LNPS）用于解决回答集程序设计中的组合优化问题。LNPS 是一种元启发式方法，通过交替破坏和优先搜索当前解来寻找更好的解决方案。我们基于 ASP 实现了 LNPS，并通过 heulingo 求解器的实验证明了 LNPS 可以显著提高 ASP 在优化方面的求解性能。此外，我们通过与（自适应）大邻域搜索的对比来证明我们 LNPS 方法的竞争力。

May, 2024

本文探讨了在整数线性规划（ILP）的大邻域搜索（LNS）中设计有效和高效的启发式。 创新性地提出了 LB-RELAX 及其变体，利用线性规划松弛代替 Local Branching 来选择邻居。实验证明相对于 LB，LB-RELAX 及其变体计算出的邻域相同，但是速度更快。在多个 ILP 基准测试中取得了最新的任意时间性能。

Dec, 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

本文提出了一种基于深度神经网络和注意力机制的学习启发式算法的大邻域搜索框架，用于解决车辆路径问题，该方法在性能方面优于现有的机器学习方法，也接近于现有优化方法的性能。

Nov, 2019