本研究提出了纯度法则（PuLa），揭示了最佳TSP解的基本结构原则，发现边缘普遍性与顶点稀疏性呈指数增长。基于此，提出了纯度策略优化（PUPO），显著提升了神经网络的泛化性能。

本研究提出了一种基于时间序列预测的多视角外科视频分析方法，解决了单摄像机录制时的视线遮挡和固定角度问题。通过选择最佳镜头序列，确保每个时刻都能获得最佳视角。实验结果表明，该方法在预测精度上优于传统方法，对外科教育和患者安全具有重要意义。

这篇文章介绍了基于Transformer的目标检测方法DETR，提出了两种改进方法：TSP-FCOS和TSP-RCNN，以解决DETR训练时间收敛缓慢的问题。这两种方法在收敛速度和检测精度方面优于原始DETR和其他基线模型。文章还讨论了DETR的优化困难原因，并提出了删除交叉注意力模块和设计新的二分匹配方案来加速训练和提高检测性能。

现有的神经网络求解器主要用于路由问题，但效果只在随机实例上展示。本文提出了一种层次化方法，通过考虑局部邻域和学习中间节点表示来解决实际旅行商问题。该方法相对于传统和变压器模型展现了卓越性能。

我们提出了一种新的 Transformer 模型 CycleFormer 用于解决旅行推销员问题 (TSP)。该模型充分考虑了 TSP 的特点，并通过将编码器输出与解码器线性层相等以及直接连接编码器的上下文向量来实现这些元素的完全融合。通过添加与 TSP 的二维特性相对应的位置编码和考虑路径循环性质的解码器的循环位置编码，CycleFormer 在从 TSP-50 到 TSP-500...

NeuOpt是一种新型学习-搜索（L2S）求解器，用于路径规划问题。该求解器通过定制的行动因子分解方法和自定义的双流递归解码器，学习实现柔性的k-opt交换。同时，提出了引导式非可行区域探索（GIRE）策略和动态数据增强（D2A）策略，使得求解器能够自主地进行可行和不可行区域的探索。实验证明，NeuOpt在TSP和CVRP上表现出优于现有的L2S、L2C和L2P求解器的优势。

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。

题目 源地址： http://uva.onlinejudge.org/index.php?option=com_onlinejudge&It...