- 稀疏化对于 Transformer 和 Graph 神经网络在 TSP 中的重要性
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。
- 使用量子退火器解决实际包裹配送路径问题
通过开发一种量子 - 经典混合求解器 Q4RPD 解决实际案例，并结合 D-Wave 的 Leap Constrained Quadratic Model Hybrid Solver，本研究关注量子计算与路由问题的结合。通过六个不同案例的实 - INViT：具有不变嵌套视图变换器的通用路由问题求解器
基于深度强化学习的新型架构 INViT，通过在编码器中嵌套设计和不变视角，利用改进的策略梯度算法和数据增强，提高了学习的求解器的泛化能力，并在不同分布和问题规模上展现了显著的泛化性能。
- AAAIGLOP：学习全局分区和局部构建以实时解决大规模路由问题
提出了 GLOP（Global and Local Optimization Policies）方法，该方法使用分层框架有效扩展到大规模路由问题，同时利用导数和非导数神经启发式算法以实现高性能和高可拓展性。
- 学习使用灵活的神经 k-Opt 搜索可行和不可行路由问题的区域
本文介绍了一种用于路径规划问题的新型学习 - 搜索（L2S）求解器 NeuOpt，通过定制的行动因子分解方法和自定义的双流递归解码器，学习实现柔性的 k-opt 交换。我们提出了引导式非可行区域探索（GIRE）策略，通过补充带有可行性相关特 - 路由竞技场：一个神经路由求解器的基准测试套件
神经组合优化是一项近年来研究热点，然而现有评估方法存在缺陷，对于旧有的运筹学方法也存在忽视。为改进这些问题，本研究提出了一个路由问题基准套件 ——Routing Arena。该评估方法考虑不同应用的解决方案质量和任意性能，并引入了新的评估度 - 路由问题的逆优化
通过逆向优化方法，我们提出一种学习决策者在路径规划问题中行为的方法，并在亚马逊最终里程路线研究挑战中测试了我们的方法。我们的结果展示了提出的逆向优化方法通过学习决策者在路径规划问题中的决策具有灵活性和实际潜力。
- 通过分布式鲁棒优化学习解决路径规划问题
本文研究了应用于解决路由问题的深度模型在训练时通常只考虑单个数据分布，导致它们的交叉分布泛化能力受到严重削弱，因此提出采用分组分布式鲁棒优化来解决该问题，并设计了基于卷积神经网络的模块，以便让深度模型学习更多节点之间的相关信息。实验结果表明 - 学习协作策略以解决 NP-hard 路径规划问题
本论文提出了一种新的层次化问题求解策略，称为学习协作策略，它使用两个迭代的深度强化学习策略：播种机和修订机，旨在有效地找到近似最优解，扩展了深度强化学习框架在解决 NP-hard 路由问题方面的应用。
- NeuroLKH: 结合深度学习模型与 Lin-Kernighan-Helsgaun 启发式算法求解旅行商问题
NeuroLKH 采用深度学习和 LKH 启发式算法相结合，通过训练 Sparse Graph Network 模型来解决旅行商问题等路由问题，得出实验结果表明能够优于传统启发式算法并泛化到更大范围问题。
- 深度策略动态规划在车辆路径问题中的应用
Deep Policy Dynamic Programming 优先和限制来自深度神经网络的策略，以结合学习嵌入式启发式和动态规划 (DP) 算法的优点，以优化旅行商问题 (TSP)、车辆路径问题 (VRP) 和带时间窗口的 TSP (TS - 解决路径规划问题学习改进启发式方法
本文提出一种基于 self-attention 的深度强化学习框架，以学习解决旅行商问题（TSP）和有容量车辆路径问题（CVRP）的改进启发式算法，实验表明该方法性能优于现有的深度学习方法，并且具有良好的泛化能力。