Ein Rahmenwerk für unüberwachtes Lernen (UTSP) wird vorgestellt, um das Travelling-Salesman-Problem effizient zu lösen. Das Modell verwendet ein Graph-Neuronales-Netzwerk, um eine Wärmekarte zu generieren, die die Wahrscheinlichkeit für jede Kante angibt, Teil des optimalen Pfades zu sein. Anschließend wird eine lokale Suche durchgeführt, um die endgültige Vorhersage basierend auf der Wärmekarte zu erstellen.
Große Sprachmodelle zeigen begrenzte Eignung für rein numerische Optimierungsaufgaben, können aber in bestimmten Szenarien deutliche Vorteile gegenüber traditionellen Algorithmen aufweisen.
Wir entwickeln einen neuartigen, tierinspirierten Metaheuristik-Algorithmus namens Zoological Search Optimization (ZSO), der die kollektiven Verhaltensweisen von Tieren zur Lösung kontinuierlicher Optimierungsprobleme nutzt.