双 GNN 多级粗化以获得最大独立集

摘要

arXiv:2609.25149v1 Announce Type: new Abstract: Solving large-scale instances of the Traveling Salesman Problem (TSP) exactly is computationally expensive. Researchers often employ graph sparsificatio...

the sparsification instances graph and our large scale TSP methods

2026-09-23 1 阅读约1分钟阅读 Tianfeng Chen, Xianyue Li

arXiv:2609.25149v1 公告类型：新摘要：解决旅行商问题 (TSP) 的大规模实例在计算上非常昂贵。研究人员经常采用图稀疏化方法来提高计算效率。传统的稀疏化方法通常依赖于固定的启发式方法，无法充分利用特定于实例的结构信息。在本文中，我们提出了图边缘稀疏化（GES），这是一种基于学习的欧几里德 TSP 稀疏化方法。通过结合几何结构信息和组合优化技术，我们提出的方法自适应地生成不同实例的稀疏图，显着减小图的大小并加速求解过程。实验结果表明，我们的稀疏化方法可以修剪 MATILDA 数据集上高达 95% 的边缘，同时将解差距保持在最优值的 1% 以内。此外，我们的方法在 TSPLIB 基准上表现出很强的泛化能力。在一些大规模实例中，剪枝率超过 99%，而最优性差距保持在 1% 以下。

订阅66必读