iMTSP: 用命令式学习解决最小 - 最大多旅行商问题

本文研究了多旅行商问题（mTSP），提出了一种双阶段迭代启发式算法ITSHA，实验结果表明其在多目标优化方面优于现有算法。

设计了一种神经网络方法，利用图网络方法将旅行商、城市和货站作为三个集合，通过搜索方法和特定损失函数输出最优解，优于现有元启发式算法。

提出了一种利用学习方法改善具有时间窗口的TSP解决方案合法性的新方法，实验结果表明该方法优于现有基线算法且具有一定的泛化能力。

基于模仿学习框架的策略被提出，用于解决旅行商问题，展示了图神经网络在大规模TSP实例上的较快求解能力。

提出了一种基于层次强化学习的端到端学习框架H-TSP，用于解决大规模TSP问题，具有可扩展和高效性。

开发了一种接送TSP（PDTSP）的学习方法，通过一系列一对一接送节点找到最短路径，结果表明该方法优于经典OR算法和现有学习方法。

提出了UTSP，一个用于解决TSP的无监督学习框架，使用基于图神经网络的代理损失，优于目前的数据驱动TSP启发式方法。

提出了一种神经组合优化方法，将学习算法与模型架构相结合，以实现更大规模问题的推广。

利用强化学习和Transformer结构设计的新型算法在TSP50和TSP100上表现更好。

提出了一种基于图神经网络和引导局部搜索的混合数据驱动方法，能够快速求解大规模TSP实例，显著提高了最优性。