本研究提出了一种插入式构建学习方法（L2C-Insert），旨在解决现有神经组合优化在车辆路径问题中的次优解问题。该方法通过在部分解中有效位置插入节点，提升了解的灵活性和质量，实验结果显示其在多个问题规模上表现优越。

本研究提出了一种新方法RRNCO，旨在解决车辆路由问题中的神经组合优化不足。通过真实数据集和优化技术，取得了优异的结果。

该研究提出了一种基于学习的搜索空间减少方法，解决了现有神经组合优化方法在大规模问题上的推广能力不足。通过动态选择有前景的候选节点，显著降低搜索空间，同时保持解决方案质量。实验表明，该方法在100节点实例上训练后，成功推广至100万节点的旅行商问题及其他车辆路径问题。

本研究提出了一种基于注意力机制的场景处理模块，克服了神经组合优化在随机作业车间调度中的局限性。实验结果表明，该方法在多种实例中优于现有技术，展现出良好的适应性和应用潜力。

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。

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。

Routing Arena是一个路由问题基准套件，旨在改进神经组合优化评估方法的缺陷和忽视旧有运筹学方法的问题。WRAP是一种新的评估度量标准，量化了神经路由求解器的运行效率，突显了现有运筹学方法的优势和神经方法的潜力。