论文er看过来！今天给大家推荐个超适合发论文的方向——机器学习+组合优化。
说它好发，不是因为水，而是因为它正处在“范式转移”的黄金期，机会特别多！简单说，它有很多经典老问题，都能用机器学习翻新；而且机器学习几乎能和所有组合优化传统算法“组CP”，创新组合不要太多。
加上这方向还比较新，审稿人友好、故事也容易讲，热度自然就一直很高了。如果想上车，“用RL解TSP”这种简单活就别碰了，试试不确定性、多目标与复杂约束，或者在“效率”和“最优”之间找找突破点。
本文整理了20篇机器学习+组合优化顶会论文，还附了开源代码，强烈建议大家先看看这些成果，idea说不定就有了。
扫码添加小享，回复“组合优化”
免费获取全部论文+开源代码
ROCO: A GENERAL FRAMEWORK FOR EVALUAT ING ROBUSTNESS OF COMBINATORIAL OPTIMIZATION SOLVERS ON GRAPHS
方法：论文提出了一种名为ROCO的框架，用于评估图上组合优化求解器的鲁棒性。该框架通过机器学习中的强化学习方法，设计了一种攻击策略来修改组合优化问题的实例，使其变得更加困难，从而测试求解器在面对这些困难实例时的性能下降程度。
创新点：
提出新鲁棒性评估框架ROCO，无需最优解即可评估图上组合优化求解器的鲁棒性。 设计基于强化学习的攻击方法，能生成让求解器性能下降的困难问题实例，且适用于非可微传统求解器与基于学习的求解器。 在多组合优化任务验证框架有效性，发现Gurobi等优秀求解器面对生成的困难实例时性能显著下降。
Towards Omni-generalizable Neural Methods for Vehicle Routing Problems
方法：论文提出一种元学习框架，用机器学习解决车辆路径问题中的组合优化问题。该框架通过在多样化任务上训练，学习快速适应新任务的模型，还开发了一阶近似方法降低训练成本，有效提升了模型在新任务上的适应性和训练效率，在TSP和CVRP问题上表现出色。
创新点：
提出了一种元学习框架，能够在不同大小和分布的任务上进行训练，使模型具备快速适应新任务的能力。 开发了一种简单高效的一阶近似方法，用于近似二阶导数，显著降低了训练成本。 在旅行商问题（TSP）和有容量限制的车辆路径问题（CVRP）上进行了广泛的实验，验证了方法的有效性。
扫码添加小享，回复“组合优化”
免费获取全部论文+开源代码
Efficient Meta Neural Heuristic for Multi-Objective Combinatorial Optimization
方法：论文提出多目标组合优化问题的机器学习方法EMNH，借元学习训通用模型并快速微调单目标子问题，还以多任务学习加速训练、缩放对称采样稳定训练、层次化微调处理子问题，兼顾解的质量与学习效率提升。
创新点：
提出了一种高效的元学习框架，通过部分共享架构的多任务模型加速训练过程，显著提高了训练效率。 设计了一种缩放对称采样方法，针对权重向量进行采样，有效稳定了训练过程，尤其在处理目标域不平衡问题时表现出色。 提出了一种层次化微调方法，系统地处理所有子问题，大幅减少了总微调步骤，提升了模型的适应性和灵活性。
CKTGNN: CIRCUIT GRAPH NEURAL NETWORK FOR ELECTRONIC DESIGN AUTOMATION
方法：论文提出了CktGNN，这是一个基于机器学习的模型，专门用于电子设计自动化中的模拟电路设计。CktGNN结合了图神经网络和变分自编码器框架，通过两层GNN结构和预设计的子图基，同时自动化电路拓扑生成和器件尺寸优化。
创新点：
提出CktGNN模型，基于两层图神经网络框架和预设计的子图基，有效提升电路设计效率，减少消息传递的子图数量。 引入OCB，包含10,000个不同运算放大器的开源数据集，助力电路设计自动化研究。 实验表明CktGNN在预测电路性能、拓扑重建准确性及生成有效电路方面优于现有方法和人类专家设计。
扫码添加小享，回复“组合优化”
免费获取全部论文+开源代码
