一种高效基于扩散的非自回归旅行商问题求解器

最近的神经模型进展显示出在解决旅行商问题（TSPs）方面相当有前景，无需依赖大量手工设计。然而，尽管非自回归（NAR）方法通过并行化实现更快的推断，但通常比自回归方法的解的质量更差。为在保持快速推断的同时提高解的质量，我们提出了 DEITSP，一种为 TSP 量身定制的高效迭代扩散模型。首先，我们引入一种一阶扩散模型，将受控的离散噪声添加过程与自洽增强相结合，使通过对多个解的同步去噪来实现最优解预测。其次，我们设计了一种双模态图变换器，以增强从节点和边模态中提取和融合特征的能力，同时通过减少层数进一步加速推断。第三，我们开发了一种高效的迭代策略，在添加和移除噪声之间交替，以比以前的扩散方法更好地进行探索。此外，我们构建了一个调度框架，通过调整噪声水平来逐步细化解的空间，促进对最优解的平滑搜索。广泛的在真实世界和大规模 TSP 实例上的实验表明，DEITSP 在解的质量、推断延迟和泛化能力方面均优于现有的神经方法。我们的代码可在 $\href{https://github.com/DEITSP/DEITSP}{https://github.com/DEITSP/DEITSP}$ 提供。