基于神经网络的组合优化问题近似求解研究综述.docVIP

基于神经网络的组合优化问题近似求解研究综述

组合优化问题广泛存在于工业制造、物流调度、网络通信、生物信息等多个关键领域，其核心目标是在离散的可行解空间中寻找满足约束条件的最优解。传统求解方法如精确算法（分支定界、动态规划等）在小规模问题上可获得最优解，但随着问题规模扩大，解空间呈指数级增长，会面临“维度灾难”，计算复杂度往往超出现有硬件的承载能力；启发式算法（遗传算法、模拟退火、蚁群优化等）虽能在有限时间内得到可行解，但存在易陷入局部最优、泛化能力弱、参数调优依赖专家经验等缺陷。近年来，深度学习技术的飞速发展为组合优化问题的求解提供了全新思路，神经网络凭借强大的特征提取能力、端到端的学习模式以及对大规模数据的处理优势，逐渐成为组合优化近似求解领域的研究热点。

一、神经网络求解组合优化问题的基础框架

神经网络求解组合优化问题的核心逻辑是通过数据驱动的方式学习问题结构与最优解之间的映射关系，从而在推理阶段快速输出高质量的近似解。当前主流的技术框架可分为三类：学习构造启发式、学习改进启发式以及端到端的直接求解框架。

学习构造启发式的核心思路是模拟人类构造解的过程，逐步构建可行解。这类方法通常将问题拆解为一系列顺序决策步骤，每一步选择一个决策变量的取值，直到生成完整的解。其中最具代表性的是基于指针网络（PointerNetwork）的序列生成模型，该模型最早由Vinyals等人在2015