组合优化的确定性几何流：取代生成的运输
机器学习
2026-02-12 v1 人工智能
摘要
近期神经组合优化 (NCO) 的进展主要由扩散模型驱动，这些模型将欧几里得旅行商问题 (TSP) 视为随机 热图生成任务。本文我们提出 CycFlow，一个用确定性点运输取代迭代边去噪的框架。CycFlow 学习一个基于实例的向量场，将输入二维坐标连续输送到标准圆环布局，在该布局中，可通过角度排序恢复最优旅行路线。通过利用数据依赖的流匹配，我们绕过了边评分的二次瓶颈，转而采用线性坐标动力学。这种范式转变使解决速度比最先进的扩散基准快了最高可达三个数量级，同时保持具竞争力的优化间隙。
引用
@article{arxiv.2602.10794,
title = {Transport, Don't Generate: Deterministic Geometric Flows for Combinatorial Optimization},
author = {Benjy Friedmann and Nadav Dym},
journal= {arXiv preprint arXiv:2602.10794},
year = {2026}
}
备注
Preprint. 10 pages