面向高效神经组合优化的递归状态编码器

基于摘要分析。本文研究神经组合优化（NCO）中构造式求解的重复计算问题，提出递归状态编码器，利用当前状态与前一步的状态嵌入共同计算新嵌入，从而复用历史计算，而非在每一步独立编码。 核心机制建立在相邻求解步骤的状态变化通常较小这一观察上：构造方法每次向解中加入一个组成部分，通常仅需从待选状态中移除对应节点。作者据此让编码器保留并利用前一步表示，以降低重新计算状态表示的成本。摘要未说明具体递归单元、状态更新公式、训练目标及历史嵌入的梯度处理方式。 作者报告，在 Traveling Salesman Problem（TSP，旅行商问题）、Capacitated Vehicle Routing Problem（CVRP，容量约束车辆路径问题）和 Orienteering Problem（OP，定向越野问题）上，递归编码器即使仅使用非递归编码器约三分之一的层数，也能取得相当或更好的表现，并降低延迟。作者还将模型整合进大邻域搜索算法，以展示其实际求解用途。上述结果属于组合优化评估，不是 EEG 或 BCI 结果；实例规模、数据划分、具体性能指标、延迟测量条件、消融及统计信息尚未验证。 平台推测（待验证）：计算复用思路可能适用于相邻窗口高度重叠的流式 EEG 编码，但这只是一项机制类比。原方法依赖离散构造状态的小幅变化，EEG 则存在持续信号更新、低信噪比与跨被试、跨会话漂移，历史表示可能累积噪声或陈旧信息。若探索迁移，可复用递归更新思路，但需改造连续信号输入、状态重置及漂移处理模块；可先在固定 EEG 任务与相同数据划分下，对比逐窗独立编码和历史状态复用的任务指标、推理延迟及漂移后的恢复表现。已有 EEG 相关工作尚未检索确认。