学习缩减搜索空间以构建可泛化的神经路由求解器

基于摘要分析。本文研究构造式神经组合优化（NCO）在大规模路由问题上的泛化困难，提出学习式搜索空间缩减方法：在逐步构造解的过程中，动态筛选少量有潜力的候选节点，以减少搜索成本并保留解质量。主要研究对象是 Traveling Salesman Problem（TSP）、Capacitated Vehicle Routing Problem（CVRP）及 Capacitated Vehicle Routing Problem with Time Windows（CVRPTW），并非神经信号解码或 BCI。 核心机制是把下一步可考虑的节点集合从完整搜索空间缩减为学习模型选出的候选集合。相较于依赖固定启发式规则的筛选方式，作者提出依据学习到的模式动态调整节点优先级。摘要未说明选择模型的结构、输入表示、训练监督、损失函数、候选集合大小，以及它与路由求解器的具体耦合方式，不能据此认定采用了 State space models。 作者报告，在仅使用均匀分布的 100 节点实例训练的前提下，该方法可泛化至上述路由任务的大规模实例；摘要给出的规模上限为均匀分布下 100 万节点、其他分布下超过 80K 节点，但未逐任务明确这些上限的适用范围。作者同时报告搜索空间显著缩减且解质量得以保持，摘要未给出运行时间、内存、解质量指标、对照基线或误差范围，因而无法量化效率收益，也无法核对不同任务与分布下的性能权衡。 复现时需核对候选筛选是否保留可行解、筛选开销是否抵消求解收益，以及 CVRP 容量约束和 CVRPTW 时间窗约束如何进入候选选择。实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未验证。材料没有提供与 EEG/BCI 任务的具体机制对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。