本研究针对旅行推销员问题（TSP）最先进的启发式算法EAX中的第一个阶段进行探讨，填补了该领域的研究空白。我们提出了一种新方法快速验证生成的AB周期是否有效，发现这一过程对改进EAX的计算效率和解的质量具有显著影响。在对10000个不同TSP实例的基准研究中，我们的改进版EAX展示了在处理困难实例时的优越性能。

本研究针对旅行推销员问题(TSP)这一著名的NP难题，探讨了新兴的光子和量子计算架构的应用，填补了在量子优化方面的研究空白。论文提出了多种方法，包括量子退火器和光学相干伊辛机中的QUBO-Ising方法，以及基于门的量子计算机上的QAOA和QPE算法，结果显示伊辛架构在大规模TSP实例的处理上具有较好的可扩展性，并且在解决较大规模问题时，相较于经典方法表现出显著的时间优势。

该研究提出了一种名为TSPRank的混合成对与序列排序方法，旨在优化全球排名。TSPRank利用旅行推销员问题的特性，显著提升了排名效果，实验结果表明其优于传统方法。

本研究重新审视了旅行推销员问题中的“热图 + 蒙特卡洛树搜索”方法，强调简单热图的有效性，指出其性能可与复杂热图相媲美，甚至超越，提供了新的优化视角。

本研究探讨了将参数转换为实际机器可用变量对大规模问题中寻找最佳参数组合的关键性。通过机器学习将参数转换为二进制变量来解决二次无约束二进制优化问题。通过旅行商问题的实例，提出并评估了灰度标记方法，显示出更低的局部最小解百分比和更短的旅行距离。

通过融合先进的目标检测和光学字符识别模型，研究改善细粒度图像理解能力。实验结果显示，改进后的多模态大型语言模型在多个视觉任务中表现出色，标志着多模态理解领域的重大进展。希望进一步探索多模态大型语言模型在细粒度多模态对话能力方面的应用。

该论文介绍了一种新颖的基于数据驱动的路径规划器 TSPDiffuser，用于处理充满障碍物的旅行推销员路径规划问题（TSPPPs）。通过在大量 TSPPP 实例及其解决方案上训练扩散模型，TSPDiffuser 可以生成未见问题实例的可行路径，进而构建包含少量节点和边的路网，高效准确地估计目的地之间的旅行代价，从而有效解决 TSPPPs...

研究表明，通过使用大型语言模型（LLMs）结合零 - shot 上下文学习、自执行学习等方法以及自集成方法，可以提高解决旅行推销员问题（TSP）的效果。

使用前瞻信息作为特征，提出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，并构建了具有硬约束条件的 TSPTW 数据集进行准确评估和基准测试。通过对多种数据集进行综合实验，MUSLA 优于现有基线算法且具有一定的泛化能力。

本文介绍了一种名为分层销毁和修复（HDR）的方法，用于解决旅行推销员问题（TSP）。该方法通过销毁和修复操作改进初始解，并采用分层搜索框架压缩输入实例。通过对19个大规模实例的比较，结果显示HDR在计算效率和解决方案质量方面与现有最先进的TSP算法竞争力强。在两个大型实例中，HDR打破了LKH及其变体的世界纪录，并且HDR与LKH完全独立。消融研究证明了分层搜索框架的重要性和有效性。