该研究提出了TSPRank，一种结合成对与序列排序的方法，旨在优化整体排名。TSPRank通过旅行推销员问题的形式，充分利用组合优化特性，实验结果表明其在多个任务上显著优于传统方法，展现出强大的适应性与效果。

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。

本文探讨了图神经网络在旅行推销员问题（TSP）及其他组合优化问题中的应用。研究表明，结合可训练模块和强化学习的图神经网络能够有效优化路径，提高计算效率，并在多个实例中超越传统方法。通过数据驱动的图表示学习和注意力机制，显著提升了模型性能，展示了图神经网络在组合优化领域的潜力。

本文研究了神经网络在组合优化中的应用，提出了多种模型和方法以提高性能和泛化能力。通过元学习和强化学习，开发了新的训练流程，解决了大规模组合优化问题，如旅行推销员问题。研究表明，创新的记忆模块和轻量级编码器模型能有效提升搜索效率，发现更优解。

本文提出了一种自我改进学习方法，以提高神经组合优化的可扩展性，特别针对旅行推销员问题和车辆路径问题。通过结合行为克隆和增强学习，简化了模型训练过程，并在多个实验中展现出优越性能。此外，研究探讨了心理学课程学习方法和图神经网络在组合优化中的应用，提出了有效的提示学习和联合学习框架，推动了该领域的发展。

本文探讨了测试时间增强（TTA）在解决组合优化问题中的有效性，特别是旅行推销员问题。研究表明，该方法能获得比现有模型更短的解决方案，且随着增强尺寸的增加，接近精确解的概率提高。此外，文章还讨论了量子退火技术在图像分类及其他组合优化问题中的应用，显示出其在准确性和计算时间上的优势。

研究人员提出了一种自我改进学习方法，用于提高神经组合优化的可扩展性。实验证明该方法在旅行推销员问题和容量车辆路径问题上具有出色的可扩展性。

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。