小偏移，大收益：基于无监督神经实例修改的引导抽样 TSP 启发式方法
人工智能
2026-02-03 v1
摘要
旅行 salesman 问题 (TSP) 是路由规划中最具代表性的 NP 难问题，也是组合优化中长期基准测试。传统启发式 tour constructor，如最远插入或最近插入，计算高效且极具实用性，但其确定性行为限制了探索，常导致局部最优。在 contrast，基于神经的启发式 tour constructor 通过引导抽样缓解了这一问题，通常实现更优的解质量，但需要大量训练并依赖 ground-truth 监督，限制了其实际应用。为填补这一差距，我们提出了 TSP-MDF，一种新型实例修改框架，为传统确定性启发式 tour constructor 注入了引导抽样能力。具体而言，TSP-MDF 引入一种基于神经的实例修改器， strategically 将节点坐标偏移以采样多个修改后的实例，在这些实例上构建的 tour 被映射回原始实例，从而使传统 tour constructor 能够探索更高质量的 tour 并跳出局部最优。同时，凭借我们的实例修改公式，基于神经的实例修改器可以在无任何 ground-truth 监督的情况下高效训练，确保该框架保持实用性。在大规模 TSP 基准和真实世界基准上的广泛实验表明，TSP-MDF 显著提高了传统启发式 tour constructor 的性能，实现了与基于神经的启发式 tour constructor 相当的解质量，但训练时间极短。
引用
@article{arxiv.2602.00580,
title = {Small Shifts, Large Gains: Unlocking Traditional TSP Heuristic Guided-Sampling via Unsupervised Neural Instance Modification},
author = {Wei Huang and Hanchen Wang and Dong Wen and Wenjie Zhang},
journal= {arXiv preprint arXiv:2602.00580},
year = {2026}
}