基于神经网络的求解旅行商问题研究综述.docVIP

基于神经网络的求解旅行商问题研究综述

一、旅行商问题基础与求解范式演进

旅行商问题（TravelingSalesmanProblem,TSP）作为组合优化领域的经典NP难问题，核心目标是找到访问所有给定城市并返回起点的最短路径，其求解复杂度随城市数量呈指数级增长。传统求解框架主要分为三类：精确算法（如分支定界法、动态规划）仅适用于城市规模小于100的场景，在工业级大规模场景下计算成本呈几何级上升；启发式算法（如遗传算法、蚁群优化、模拟退火）通过贪心策略缩短搜索时间，但容易陷入局部最优，且求解质量依赖人工设计的启发规则；元启发式算法在启发式基础上引入全局搜索机制，一定程度上缓解了局部最优问题，但仍存在参数调优成本高、泛化能力弱的痛点。

随着深度学习技术的成熟，神经网络凭借强大的特征提取能力和端到端学习特性，为TSP求解带来了新的技术路径。相较于传统方法，神经网络方法无需人工设计启发规则，能够通过数据学习自动捕捉问题结构特征，在求解速度和泛化性上展现出显著优势，逐渐成为TSP求解领域的研究热点。

二、基于神经网络的TSP求解主流技术路线

2.1早期神经网络探索：Hopfield网络的突破与局限

1985年Hopfield和Tank首次将递归神经网络应用于TSP求解，开创了神经网络求解组合优化问题的先河。该方法将TSP的路径约束转化为神经网络的能量函数，通过网络动态演化达到能量极