元学习 高分收割机：机器学习+组合优化！20种个性化思路带你冲顶会！

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 FOR ING OF ON

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：

Omni- for

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：

扫码添加小享，回复“组合优化”

免费获取全部论文+开源代码

Meta for Multi-

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：

: GRAPH FOR

方法：论文提出了，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。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：

扫码添加小享，回复“组合优化”

免费获取全部论文+开源代码