Test-Time Augmentation for Traveling Salesperson Problem

我们提出了测试时间增强（TTA）作为一种有效的技术，用于解决组合优化问题，包括旅行商问题。一般来说，具有不变性属性的深度学习模型，即输出结果不受节点索引影响，已被提出以有效地学习图形结构。相比之下，我们将节点索引的排列解释为TTA方案，它可以交换距离矩阵的元素。结果表明，我们的方法能够获得比最新模型更短的解决方案。此外，我们还表明，找到接近精确解的解决方案的概率取决于增强的大小。

论文旨在探索Test-Time Augmentation (TTA)技术在解决组合优化问题，包括旅行商问题方面的有效性。该技术是否能够提高解决这类问题的效率？

论文中提出了一种新的思路，将节点索引的置换解释为TTA方案，从而解决组合优化问题。这种方法能够比目前最新的模型获得更短的解，并且随着增加TTA的次数，找到接近精确解的概率也会增加。

论文使用了TTA技术解决组合优化问题，特别是旅行商问题。实验结果表明，该方法能够比最新的模型获得更短的解，并且随着增加TTA的次数，找到接近精确解的概率也会增加。论文还提到了一些值得关注的亮点，例如如何设计实验、使用的数据集以及开源代码等。

最近在这个领域中，还有一些相关的研究。例如，"Attention, Learn to Solve Routing Problems"和"The Traveling Salesman Problem and Minimum Spanning Trees"等。