本研究提出了一种基于 CNN 嵌入层和局部自注意力的轻量级 CNN-Transformer 模型，相对于标准 Transformer 模型，该模型能够更好地从输入数据中学习空间特征，同时通过局部自注意力减少全连接注意模型中的冗余性。实验结果表明，我们提出的模型在解决 TSP 问题的质量、GPU 内存使用和推理时间等方面优于其他最先进的 Transformer-based 模型。

May, 2023

本文利用强化学习和 Transformer 结构设计了用于 Traveling Salesman Problem 的新型算法，相较于以往的算法在 TSP50 和 TSP100 上有了更好的表现

Mar, 2021

本文提出了一种新的端到端深度强化学习方法 Pointerformer，基于多指针变压器，可解决旅行商问题（TSP）的内存消耗和算力问题，通过特征增强方法探索 TSP 的对称性以及增强上下文嵌入方法以包含更多综合上下文信息，此方法在小规模和大规模问题上均表现出了竞争优势。

Apr, 2023

对于旅行推销员问题 (TSP) 进行路由问题的研究中，提出了一种数据预处理方法，使用图稀疏化和注意力掩码来将编码器聚焦于 TSP 实例的关键部分，实验结果显示，适当的图稀疏化和注意力掩码方法可以显著提高整体架构的性能。

Mar, 2024

该论文提出了一种数据驱动的图表示学习方法，用于解决具有不同数量城市的旅行推销员问题，并通过实验证明该方法在解决旅行推销员问题方面具有与最先进的基于学习的方法相媲美的性能。

Oct, 2023

Treeformer 是一种基于 CKY 算法和 Transformer 的体系结构，可以用于构建短语和句子的分层编码，相较于传统的基于 token 编码的 Transformer，能在机器翻译、文本摘要和自然语言理解等任务上带来显著改进。

Jul, 2022

本文介绍了一种基于深度学习算法的解决平面欧几里得图中旅行商问题的方法，通过使用图卷积网络构建 TSP 图表示，并通过高度并行化的 Beam Search 非自回归方法输出巡回路径，我们在解决相同节点规模下的问题中比最近提出的自回归深度学习技术表现更好，最终平均优化差距从 50 个节点降低到 0.01％，100 个节点从 2.26％降至 1.39％，尽管相较于标准的运筹学求解器，我们的方法还有所欠缺。

Jun, 2019

本文提出了一种神经组合优化方法，将学习算法与模型架构相结合，以实现在训练过程中看不到的更大规模的问题的推广。通过对零样本推广的原理研究，控制实验提供了第一手数据，并提供了深度学习的新方向。

Jun, 2020

该论文介绍了一种名为 Searchformer 的 Transformer 模型，经过 fine-tuning 和专家迭代后，能够在解决 Sokoban 难题时以优化的方式使用较少的搜索步骤，同时比传统的符号规划器 $A^*$ 搜索使用更小的模型规模和训练数据集。

Feb, 2024

本研究提出了一种基于模仿学习框架的策略来解决旅行商问题，并展示了所训练的图神经网络在大规模的 TSP 实例上的较快求解能力。

Oct, 2022