Naukowcy z arXiv zaproponowali Graph Edge Sparsification (GES) - uczące się podejście do zmniejszania rozmiaru grafów w problemie komiwojażera (TSP). Zamiast tradycyjnych metod opierających się na stałych heurystykach, nowa metoda wykorzystuje sieci neuronowe do adaptacyjnego generowania sparsified grafów dla konkretnych instancji problemów.

Klucz do wydajności metody stanowi połączenie informacji geometrycznych z technikami optymalizacji kombinatorycznej. Eksperymentalne wyniki na zbiorze danych MATILDA pokazują, że GES potrafi usunąć aż 95% krawędzi z grafu przy utrzymaniu luki do wartości optymalnej poniżej 1%. W niektórych dużych instancjach osiągnięto redukcję przekraczającą 99%, co znacznie przyspiesza proces rozwiązywania bez poważnej utraty jakości.

Silną stroną podejścia jest jego zdolność do uogólniania na nieznane instancje testowe z benchmarku TSPLIB, co sugeruje, że metoda nauczyła się ogólnych wzorców struktury problemu. To otwiera drogę do szybszego rozwiązywania dużych instancji TSP - problemu, który ma zastosowania w logistyce, routingu i planowaniu.