关注下方【AI算法科研paper】，点亮“星标⭐”，优质文章第一时间推送
机器学习这两年有个方向越来越热，就是结合组合优化，这俩一搭，机器学习不再只是靠调参硬试，而是有了系统性优化的骨架，这正好撞上工业落地的核心痛点：性能up，成本down。
而且从发文角度看，组合优化有十足的理论支撑，这样的故事既有工程说服力，又有数学深度，更容易打动审稿人，冲顶会顶刊的机会也UP。对新手来说这方向也很友好，因为开源多，可以快速复现工作并找到新的切入点。
为帮大家节省找参考的时间，我分类梳理了机器学习+组合优化相关的119篇前沿论文+代码，大多都是顶会，包含图匹配、车辆路径问题等26个热门细分领域，不管是找idea，还是学习框架、复现实验都能直接用，无偿分享~
扫码添加小享，
回复“组合优化”
免费获取全部论文+开源代码
Enabling Population-Based Architectures for Neural Combinatorial Optimization
研究方法：本文提出PB-NCO种群式神经组合优化框架，基于图Transformer强化学习构建带共享记忆的上下文局部改进策略cNI与可控质量-多样性权衡的条件式构造策略cNC，交替迭代实现机器学习驱动的种群协同图组合优化（最大割、最大独立集）。
创新点：
- 提出三层种群感知分类体系，明确神经组合优化落地种群搜索的两大核心难题：种群表征、强化学习下集中与分散搜索平衡。
- 设计两个专用网络算子：带共享记忆的cNI用于种群协同局部寻优，带可调权重的cNC平衡解质量与多样性。
- 整合双算子提出PB-NCO完整框架，停滞时自动重启生成新解，在两类图优化问题上效果优于主流对比方法。
研究价值：填补了神经组合优化缺少原生种群搜索范式的空白，搭建兼顾寻优深度与种群多样性的机器学习优化框架，在图组合优化任务上取得优于传统算法与单轨迹神经优化方法的效果。
【NeurlPS】PARCO: Parallel AutoRegressive Models for Multi-Agent Combinatorial Optimization
研究方法：本文提出PARCO通用强化学习框架，借助通信层、多指针解码器、优先级冲突处理三大神经网络模块实现多智能体并行自回归构造解，依托机器学习高效求解车辆路径、柔性车间调度等多智能体组合优化任务，兼顾求解速度与解的质量，且具备强泛化能力。
创新点：
- 提出PARCO并行自回归机器学习框架，突破传统串行自回归组合优化模型限制，支持所有智能体同步并行生成动作，大幅降低推理时延。
- 设计Transformer通信层让各智能体实时交互状态信息，解决多智能体决策协同差、解质量偏低的痛点。
-
引入基于模型预测概率的优先级冲突处理器，替代随机冲突消解方案，合理处理多智能体动作冲突，提升解的可行性与整体优化效果。
研究价值：PARCO填补了多智能体场景下串行自回归神经组合优化效率低、协同弱的缺陷，兼顾求解速度、解质量与跨规模泛化能力，为物流、生产调度类多智能体组合优化提供高效通用的机器学习求解方案。
......
更多论文请扫码添加小享，获取合集~
如果觉得有用，请帮我点个‘推荐❤️
’让更多人看到
