DISCO：大规模组合优化问题的高效扩散求解器
人工智能
2025-06-10 v7
摘要
组合优化（Combinatorial Optimization, CO）问题在众多实际应用中具有根本性重要性， characterized by enormous solution space and demanding time-sensitive response. 尽管近期的神经求解器取得了进展，但其 limited expressiveness struggles to capture the multi-modal nature of CO landscapes. 虽然部分研究转向扩散模型，但这些模型仍从整个NP完备的解空间中 indiscriminately 采样解决方案，过程时间耗长，限制了大规模问题的实际应用。我们提出DISCO，一种用于大规模组合优化问题的高效扩散求解器， 在 solution quality 和 inference speed 方面均表现优异。DISCO的有效性体现在两个方面：首先，通过约束采样空间以受 solution residues 指导的方式，使解的质量得到提升，同时保持输出分布的多模态特性；其次，通过一种解析可解的方式加速 denoise 过程，使可仅通过极少的反向时间步即可完成解的采样，显著降低推理时间。DISCO在大规模旅行商问题和具有挑战性的最大独立集基准测试中表现出色，推理速度比其他扩散方法快最高达5.28倍。通过引入分治策略，DISCO能够良好地泛化到解决未见规模的问题实例，甚至超越专为该尺度训练的模型。
引用
@article{arxiv.2406.19705,
title = {DISCO: Efficient Diffusion Solver for Large-Scale Combinatorial Optimization Problems},
author = {Hang Zhao and Kexiong Yu and Yuhang Huang and Renjiao Yi and Chenyang Zhu and Kai Xu},
journal= {arXiv preprint arXiv:2406.19705},
year = {2025}
}