近年来，深度学习凭借数据驱动、并行计算和动态建模的优势，在组合优化领域取得了显著的进展。而且随着算法的优化、硬件的升级，它也正逐渐成为复杂组合优化问题的主流解决方案。
不过很显然，泛化性能、计算成本等依然是这方向难以突破的挑战，但从学术角度来讲，这些对论文er来说可都是创新突破口。比如今年我就已经在AAAI、Nat. Commun.看见相关成果了，中稿率可观。
就目前来看，这方向的发展前景不仅依赖于技术创新（比如预训练框架、可解释性技术），更与物流、金融、制造等行业的数字化转型需求深度绑定。因此，如果想发论文，建议锁定新场景or新结构。
本文整理了12篇深度学习+组合优化新论文（有代码），无偿分享，专为需要参考的同学节省时间，希望能给各位的论文添砖加瓦。
扫码添加小享，回复“深度组合”
免费获取全部论文+开源代码
Free-Energy Machine for Combinatorial Optimization
方法：论文介绍了一种新的“自由能机”（FEM）方法，可解决复杂优化问题。它结合物理学自由能概念与深度学习优化技术，通过逐步降温找到最优解，能处理常见及更复杂的多值变量、多体交互问题，且计算高效，适用于大规模问题。
创新点：
- 提出了一种基于自由能最小化的通用框架，适用于多种组合优化问题，包括具有多值变量和多体相互作用的复杂问题。
- 结合深度学习的自动微分和梯度优化技术，实现了高效的计算和大规模问题的快速求解。
- 利用GPU等并行计算设备，显著提高了计算效率，展现出比现有方法更强的性能和通用性。
Combinatorial Optimization Perspective based Framework for Multi-behavior Recommendation
方法：论文提出了一种基于组合优化视角的多行为推荐框架（COPF），通过在多行为融合阶段施加约束来优化用户行为模式的建模，并在多任务学习阶段通过改进特征和标签的传播过程来减少负迁移，从而提升推荐效果。
创新点：
- 提出 COGCN，从组合优化角度建模多行为融合，通过分阶段加约束限制解空间、提升效率。
- 设计 DFME，在多任务学习中从特征和标签层面改进传播，协调任务关系、减轻负迁移。
- 在三个真实世界数据集上验证了COPF框架的优越性，进一步分析证明了COGCN和DFME模块的有效性。
扫码添加小享，回复“深度组合”
免费获取全部论文+开源代码
Neural Combinatorial Optimization for Real-World Routing
方法：论文提出了一种基于深度学习和组合优化的车辆路径规划（VRP）方法RRNCO，通过引入真实世界数据集和改进的神经网络架构，有效处理了现实场景中的复杂约束和非对称距离问题，显著提升了路径规划的效率和性能。
创新点：
- 提供含 100 个城市的真实数据集，含实际路线距离和时间矩阵，弥补简化数据与现实的差距。
- 提出新神经网络架构，借上下文门控和神经自适应偏差，整合节点边特征，捕捉丰富结构信息。
- 真实世界的VRP实例中，RRNCO实现了最先进的性能，同时保持了较高的计算效率。
Preference Optimization for Combinatorial Optimization Problems
方法：论文提出了一种新的方法，叫“偏好优化”，用于解决组合优化问题。它通过深度学习和强化学习相结合，把奖励信号转化为偏好信号，强调解之间的优劣关系，从而提高解的质量和效率。
创新点：
- 提出偏好优化框架，将定量奖励信号转化为定性偏好信号，避免奖励信号衰减问题，稳定训练过程。
- 重新参数化奖励函数并结合偏好模型，形成熵正则化的目标函数，直接将策略与偏好对齐，提升探索效率。
- 将局部搜索技术融入微调过程，而非后处理，帮助策略摆脱局部最优，提高解的质量且不增加额外推理时间。
扫码添加小享，回复“深度组合”
免费获取全部论
文+开源代码
