LocalEscaper：基于区域重构的弱监督 neural TSP 求解器框架
机器学习
2025-09-18 v2 人工智能
摘要
Neural 求解器在解决旅行商问题(TSP)方面显示出巨大的潜力，但当前方法面临重大挑战。基于监督学习(SL)的求解器需要大量高质量标签数据，而基于强化学习(RL)的求解器虽然对此类数据依赖较小，但常常不够高效。为克服这些限制，我们提出了LocalEscaper，这是一个用于大规模TSP的新型弱监督学习框架。LocalEscaper 有效地结合了SL 和 RL 的优势，使其能够在标签质量较低的数据集上进行有效训练。为了进一步提高解质量，我们引入了区域重构策略，这是本文的关键技术，可缓解现有局部重构方法常见的局部最优问题。在合成数据集和真实世界数据集上的实验结果表明，LocalEscaper 优于现有的神经求解器，取得了显著的成绩。
引用
@article{arxiv.2502.12484,
title = {LocalEscaper: A Weakly-supervised Framework with Regional Reconstruction for Scalable Neural TSP Solvers},
author = {Junrui Wen and Yifei Li and Bart Selman and Kun He},
journal= {arXiv preprint arXiv:2502.12484},
year = {2025}
}